基于时空约束的轨迹聚类方法研究与应用

论文摘要

随着无线通信、互联网、空间定位、测量传感等技术的迅猛发展,对移动对象的信息处理和知识获取日益成为人们研究和关注的热点,并被广泛应用在智能交通、手机服务、环境监测等信息系统中。可随时随地获取的、呈爆炸性增长的移动数据在给我们带来丰富信息的同时,“数据越丰富,知识反而越贫乏”的问题也日益突出。近年来,越来越多的学者认识到,由于大部分移动对象的运动受到时间和空间的约束,研究移动对象的运动轨迹比研究其离散的位置更符合用户关注的信息和知识。例如,通过轨迹分析提取移动对象的运动规律和行为模式并预测其将来的运动状态,可以提供更准确的导航服务。本文研究的目的就是面向移动位置服务和智能交通领域,通过分析轨迹的时空特征,利用聚类方法挖掘相似运动轨迹,从而发现移动对象的运动规律和行为模式,为移动导航、网络优化、监控调度等提供辅助决策信息。本文详细介绍了聚类方法在轨迹数据挖掘领域的研究现状,通过分析路网约束条件下轨迹数据的时空特征和现有轨迹聚类方法的不足,实现了一种新的基于轨迹划分和时空相似性度量的轨迹聚类方法。文中首先对扩充时空语义后的轨迹进行特征点的再选取和子轨迹划分;然后基于子轨迹段计算轨迹间的时空相似性和时空距离;最后改进了子轨迹聚类算法挖掘轨迹隐含的知识。算法分析和实验对比表明,该方法有效地降低了轨迹的存储空间,提高了轨迹的时空相似性搜索效率,能够有效地发现时空邻近的轨迹,且有较好的可伸缩性。在理论研究的基础上,本文设计并实现了一个基于轨迹聚类方法的智能交通轨迹分析原型系统,可以有效地实现对路网约束轨迹的分析和结果的可视化。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 研究现状
• 1.2.1 国内研究动态分析
• 1.2.2 国外研究动态分析
• 1.3 论文内容和创新点
• 1.4 论文组织结构
• 第二章 时空数据和轨迹数据挖掘
• 2.1 时空数据挖掘
• 2.2 轨迹数据建模与重构
• 2.2.1 数据插值模型
• 2.2.2 轨迹重构与划分
• 2.3 相似性度量方法
• 2.4 轨迹数据挖掘
• 2.4.1 移动对象位置点聚类
• 2.4.2 移动对象轨迹段聚类
• 2.5 本章小结
• 第三章 路网约束对象的轨迹聚类方法
• 3.1 轨迹聚类方法中的问题
• 3.2 轨迹模型定义
• 3.2.1 空间语义扩充
• 3.2.2 时间语义扩充
• 3.2.3 属性语义扩充
• 3.3 子轨迹划分方法
• 3.3.1 特征点再选取
• 3.3.2 划分算法描述
• 3.4 轨迹相似性度量
• 3.4.1 空间相似性度量
• 3.4.2 时间相似性度量
• 3.4.3 时空相似性度量
• 3.5 子轨迹聚类算法
• 3.5.1 算法描述
• 3.5.2 算法分析
• 3.6 本章小结
• 第四章 系统设计与实现
• 4.1 应用案例
• 4.2 仿真系统
• 4.3 仿真结果分析
• 4.4 本章小结
• 第五章 结论与展望
• 5.1 结论
• 5.2 展望
• 致谢
• 攻硕期间从事的科研工作及取得的研究成果
• 参考文献