CN111897805A - 基于最长公共子轨迹密度聚类的热点路径挖掘方法 - Google Patents

基于最长公共子轨迹密度聚类的热点路径挖掘方法 Download PDF

Info

Publication number
CN111897805A
CN111897805A CN202010588824.0A CN202010588824A CN111897805A CN 111897805 A CN111897805 A CN 111897805A CN 202010588824 A CN202010588824 A CN 202010588824A CN 111897805 A CN111897805 A CN 111897805A
Authority
CN
China
Prior art keywords
track
tracks
similarity
sub
minimum
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010588824.0A
Other languages
English (en)
Other versions
CN111897805B (zh
Inventor
柏春广
魏然
何杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202010588824.0A priority Critical patent/CN111897805B/zh
Publication of CN111897805A publication Critical patent/CN111897805A/zh
Application granted granted Critical
Publication of CN111897805B publication Critical patent/CN111897805B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种基于最长公共子轨迹密度聚类的热点路径挖掘方法，基于最长公共子轨迹的思想对轨迹相似度进行度量，得到轨迹相似度矩阵，再通过给定的空间邻域范围阈值Eps和核心轨迹近邻数量阈值MinPts对轨迹进行聚类，在聚类结果的基础上查询满足核心子轨迹要求的最小特征子轨迹，并使用其集合代表热点路径，采用最小特征子轨迹的核心轨迹数量作为热点路径等级的反应。本发明提出了一种新的轨迹相似性度量方案，改进轨迹聚类以更好的进行热点路径挖掘，具有较好的可靠性和鲁棒性，通过前期数据的预处理提升计算效率，方法可工程化实现。

Description

基于最长公共子轨迹密度聚类的热点路径挖掘方法
技术领域
本发明涉及目标路径分析挖掘领域，尤其涉及一种基于最长公共子轨迹之间相似性度量方案的密度聚类的热点路径分析方法。
背景技术
随着地理信息采集设备快速发展，道路上移动对象的位置信息越来越丰富，数据量也越来越大，轨迹数据直接体现了移动对象的行驶状态和运动规律，热点路径挖掘的应用方向非常广泛，为研究群体运动模式、路线推荐以及交通规划与管理等问题提供重要参考。
传统的目标路径分析预测技术仅基于移动对象的位置信息，没有对轨迹进行科学的类别划分，无法通过聚焦高层次的路径特征高效挖掘热点路径的分布，同时，由于轨迹数据一般内嵌于联系的空间中，各个数据中拥有较强的相关性，如果将传统数据挖掘的算法直接应用于轨迹数据的挖掘中，在数据处理以及性能方面都难以达到要求，对挖掘结果的应用也有很大局限性。本发明针对热点路径挖掘的需求，对传统数据挖掘算法的轨迹相似性度量方式进一步修改与优化，使其能够更好的完成对热点路径挖掘需求的目标。
发明内容
发明目的：针对现有技术问题，本发明提供基于最长公共子轨迹密度聚类的热点路径挖掘方法。
技术方案：本发明的基于最长公共子轨迹密度聚类的热点路径挖掘方法，具体包括以下步骤：
(1)依据移动设备上的位置信息采集设备得到的位置信息，对采样点构成的轨迹数据集进行轨迹清洗、轨迹压缩以及地图匹配等预处理工作，保留轨迹语义信息的前提下减少采样点数量，便于提升轨迹相似度计算的效率；
(2)对轨迹数据集中的每两段轨迹数据，计算它们每个最小轨迹段之间的相似性Seg_Sim；
(3)基于步骤(2)中得到的最小轨迹段之间的相似性，采用动态规划法计算每两条轨迹形成的最长公共子轨迹的长度LCSS_n以及相似度LCSS_Sim；
(4)基于步骤(3)计算得到的最长公共子轨迹长度LCSS_n、相似度LCSS_Sim以及两段轨迹的长度TrI_n，TrJ_n，计算得到两条轨迹之间的相似度Tr(IJ)_Sim，计算所有轨迹之间的相似度，形成轨迹相似度的二维矩阵；
(5)遍历轨迹数据集中所有轨迹，根据预先输入的轨迹的空间邻域范围阈值Eps和核心轨迹近邻数量阈值MinPts查找出所有核心轨迹，添加至核心轨迹序列，再遍历核心轨迹数据集中所有轨迹，记录每个与核心轨迹的相似度小于给定阈值Eps的直接空间可达轨迹的序号；
(6)再次遍历核心轨迹数据集中所有轨迹，依次将不属于任何聚类簇的核心轨迹作为中心轨迹进行聚类簇的生成，将中心轨迹的空间连通轨迹都加入到相应的聚类簇。最终使得每一条核心轨迹都只属于一个聚类簇；
(7)对边缘轨迹进行处理，遍历除核心轨迹之外的其他轨迹，根据轨迹相似度判断将边缘轨迹加入相应的聚类簇中，同时不属于任何聚类簇的轨迹则为离群轨迹；
(8)遍历每个聚类簇中每条轨迹中的最小子轨迹，计算其与聚类簇中其他轨迹的最小子轨迹之间的距离，小于热点子轨迹距离阈值MCS_thre的最小子轨迹加入相应的栈文件中；
(9)遍历所有最小子轨迹的栈文件，对栈中轨迹数量大于热点子轨迹数量阈值MCS_num的轨迹标识为MCS_Before；
(10)遍历MCS_Before集合，得到其对应的栈文件中轨迹起讫点的均值，作为这段MCS_Before所生成的最终的最小热点轨迹段，并将其他参与运算的子轨迹段从原始轨迹数据的聚类簇中删除，避免之后二次计算，同时记录最小热点轨迹段是由多少条路径求出的均值作为当前轨迹段的热点等级。
步骤(2)-1首先计算两段轨迹TrI.k{Pt1,Pt2}、TrJ.l{Pt3,Pt4}的端点之间欧氏距离的均值，具体计算过程参考公式(1)、(2)、(3)；
Figure BDA0002555632430000021
Figure BDA0002555632430000022
Dis(TrI.k，TrJ.l)＝1/2(Dis1+Dis2) (3)
以设置阈值的方式来得到两段最小轨迹段之间的相似度Sim_Seg，具体计算过程参考公式(4)；
Figure BDA0002555632430000031
如果Dis(TrI.k，TrJ.l)>δ则认为两段子轨迹相似度为零，如果Dis(TrI.k,TrJ.l)≤δ则认为两段子轨迹具有相似度，也称这两段子轨迹是可以匹配的；由公式也可知0≤Dis(TrI.k，TrJ.l)≤1，相似度的值越接近1，表明这两段子轨迹相似程度越高，之后对于最长公共子轨迹相似度的计算、轨迹之间相似度的计算都是基于最小轨迹段之间的相似度。
有益效果：
本发明提出了一种新的轨迹相似性度量方案，改进轨迹聚类以更好的进行热点路径挖掘，具有较好的可靠性和鲁棒性，通过前期数据的预处理提升计算效率，方法可工程化实现。
附图说明
图1为本发明的流程图。
图2为最小轨迹段相似度计算示意图。
图3为信息熵随Eps影响变化图。
图4为信息熵随MinPts影响变化图。
图5为热点路径挖掘结果展示图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
本发明针对移动对象位置采样点所构成的轨迹数据，依据最长公共子轨迹的方法对轨迹之间的相似性进行度量并利用密度聚类进行轨迹的聚类划分，在此基础上，对每种聚类的簇提取满足核心子轨迹的最小特征子轨迹，其交集作为热点路径挖掘的成果。
如图1，基于最长公共子轨迹密度聚类的热点路径挖掘方法，具体包括以下步骤：
(1)在移动对象上安装地理位置采集设备，并对车辆不同时间段内的行驶轨迹进行编号区分Tr1、Tr2、Tr3、…，记录各编号对应的车辆实时地理位置信息Tr1{Pt1,Pt2,Pt3,…,Pti}、Tr2{Pt1,Pt2,Pt3,…,Ptj}、Tr3{Pt1,Pt2,Pt3,…,Ptk}，为便于之后的数据处理分析，需要先进行数据降噪、冗余数据剔除、噪声数据剔除以及轨迹压缩等数据清洗步骤，然后对所有采样点依据底层路网进行地图匹配的处理，完成数据准备的所有工作；
(2)基于步骤(1)所得已经预处理的数据，对(1)中每两段轨迹数据，计算每个最小轨迹段之间的相似性Seg_Sim，生成轨迹段相似度的二维矩阵；
(3)基于步骤(2)中得到的最小轨迹段之间的相似度，来计算每两条轨迹形成的最长公共子轨迹的长度LCSS_n以及相似度LCSS_Sim，具体计算过程参考公式(1)；
Figure BDA0002555632430000041
(4)基于步骤(3)计算的得到的最长公共子轨迹长度LCSS_n、相似度LCSS_Sim以及两段轨迹分别的长度TrI_n，TrJ_n，计算得到两条轨迹之间的相似度Tr(IJ)_Sim，具体计算过程参考公式(2)；：
Figure BDA0002555632430000042
(5)计算得到所有轨迹两两之间的相似度，生成包含所有轨迹之间相似度的二维矩阵，然后遍历轨迹数据集中所有轨迹，根据预先输入的轨迹的空间邻域范围阈值Eps和核心轨迹近邻数量阈值MinPts，通过比较轨迹之间相似度与Eps的大小以及相似度小于Eps的数量查找出所有核心轨迹，添加至核心轨迹序列；
(6)遍历核心轨迹数据集中所有轨迹，记录每个与核心轨迹的相似度小于给定阈值Eps的轨迹，即直接空间可达轨迹的序号；
(7)再次遍历核心轨迹数据集中所有轨迹，依次将不属于任何聚类簇的核心轨迹作为中心轨迹进行聚类簇的生成，将中心轨迹的空间连通轨迹都加入到相应的聚类簇，最终使得每一条核心轨迹都只属于一个聚类簇；
(8)对边缘轨迹进行处理：遍历除核心轨迹之外的其他轨迹，根据轨迹相似度判断将边缘轨迹加入相应的聚类簇中；
(9)此时不属于任何聚类簇的轨迹则为离群轨迹(噪声轨迹)；
(10)遍历每个聚类簇中每条轨迹中每段的最小子轨迹，计算其与簇中其他轨迹的最小子轨迹之间的距离，小于热点子轨迹距离阈值MCS_thre的最小子轨迹加入相应的栈文件中；
(11)遍历所有最小子轨迹的栈文件，对栈中轨迹数量大于热点子轨迹数量阈值MCS_num的轨迹标识为MCS_Before；
(12)遍历MCS_Before，得到其对应的栈文件中轨迹起终点的均值，作为这段MCS_Before所生成的最终的最小热点轨迹段，并将其他参与运算的子轨迹段从原始轨迹数据的聚类簇中删除，避免之后二次计算，同时记录最小热点轨迹段是由多少条路径求出的均值最为当前轨迹段的热点等级。
步骤(2)-1首先计算两段轨迹TrI.k{Pt1,Pt2}、TrJ.l{Pt3,Pt4}的端点之间欧氏距离的均值，具体计算过程参考公式(3)、(4)、(5)；
Figure BDA0002555632430000051
Figure BDA0002555632430000052
Dis(TrI.k，TrJ.l)＝1/2(Dis1+Dis2) (5)
以设置阈值的方式来得到两段最小轨迹段之间的相似度Sim_Seg，具体计算过程参考公式(6)；
Figure BDA0002555632430000053
如果Dis(TrI.k，TrJ.l)>δ则认为两段子轨迹相似度为零，如果Dis(TrI.k，TrJ.l)≤δ则认为两段子轨迹具有相似度，也称这两段子轨迹是可以匹配的；由公式也可知0≤Dis(TrI.k，TrJ.l)≤1，相似度的值越接近1，表明这两段子轨迹相似程度越高。
实施例：下面以四川省成都市出租车轨迹数据为例，说明本发明基于最长公共子轨迹密度聚类的热点路径挖掘方法。
本实施例中采用的轨迹数据采样点包括车辆编号、订单编号、经度，纬度和时间戳共五个属性其中为保护驾驶员和订单信息的隐私性，已做Hash编码散列处理，其数据描述如表1所示，
表1轨迹数据集描述
Figure BDA0002555632430000054
Figure BDA0002555632430000061
步骤1，对原始数据进行预处理，完成冗余数据和异常数据剔除，轨迹压缩和地图匹配等工作；
步骤2，计算轨迹之间相似度，首先计算最短轨迹段之间的相似度，其计算思想如图2所示，根据两条轨迹段的四个端点之间的距离来定义他们之间的相似度，其中轨迹TrI长度为n，轨迹TrJ长度为m，首先计算TrI.k{Pt1,Pt2}构成的轨迹段TrI.k和TrJ.l{Pt3,Pt4}构成的轨迹段TrJ.l之间的相似度，具体计算过程参考公式(1)、(2)、(3)、(4)，
Figure BDA0002555632430000062
Figure BDA0002555632430000063
Dis(TrI.k，TrJ.l)＝1/2(Dis1+Dis2) (3)
Figure BDA0002555632430000064
步骤3，基于最小子轨迹段之间的相似度来计算最长公共子轨迹的相似度LCSS_Sim(TrI,TrJ)，具体计算过程参考公式(5)，
Figure BDA0002555632430000065
步骤4，基于最长公共子轨迹的相似度LCSS_Sim(TrI,TrJ)，其构成点数量LCSS_n以及两段轨迹的长度TrI_n，TrJ_m，来计算轨迹之间的相似度Tr(IJ)_Sim，具体计算过程参考公式(6)，
Figure BDA0002555632430000066
生成一个包含所有轨迹之间相似度的长宽相同的二维矩阵，本实例生成轨迹相似度矩阵为长宽均为1040的矩阵，其形式如表2所示，
表2轨迹相似度表
轨迹编号 Tr1 Tr2 … TrN
Tr1 - - - -
Tr2 - - - -
… - - - -
TrN - - - -
步骤5，依据轨迹相似性矩阵，遍历核心轨迹数据集中所有轨迹，记录每个与核心轨迹的相似度小于给定阈值Eps的轨迹，即直接空间可达轨迹的序号；
步骤6，再次遍历核心轨迹数据集中所有轨迹，依次将不属于任何聚类簇的核心轨迹作为中心轨迹进行聚类簇的生成，将中心轨迹的空间连通轨迹都加入到相应的聚类簇，最终使得每一条核心轨迹都只属于一个聚类簇；
步骤7，对边缘轨迹进行处理：遍历除核心轨迹之外的其他轨迹，根据轨迹相似度判断将边缘轨迹加入相应的聚类簇中，此时不属于任何聚类簇的轨迹则为离群轨迹(噪声轨迹)；
步骤8，通过基于启发式参数Q_measure来判断当前Eps和MinPts对聚类结果所造成的影响，Q_measure使用平方误差(Sum of Squared Error(SSE))和噪声惩罚(NoisePenalty(NP))来度量轨迹聚类效果，具体计算过程参考公式(7)，
Figure BDA0002555632430000071
采用控制变量方式判断Eps和MinPts两个参数对轨迹聚类结果的影响，分别可以得到图3信息熵随Eps影响变化图和图4信息熵随MinPts影像变化图，综合两个图像可以得到，最适于成都市出租车轨迹数据聚类的Eps和MinPts值分别为：0.77和19；
步骤9，遍历每个聚类簇中每条轨迹中每段的最小子轨迹，计算其与聚类簇中其他轨迹的最小子轨迹之间的距离，小于热点子轨迹距离阈值MCS_thre的最小子轨迹加入相应的栈文件中；
步骤10，遍历包含所有最小子轨迹的栈文件，对栈中轨迹数量大于热点子轨迹数量阈值MCS_num的轨迹标识为MCS_Before；
步骤11，遍历MCS_Before，得到其对应的栈文件中轨迹起终点的均值，作为这段MCS_Before所生成的最终的最小热点轨迹段，并将其他参与运算的子轨迹段从原始轨迹数据的聚类簇中删除，避免之后二次计算，同时记录最小热点轨迹段是由多少条路径求出的均值最为当前轨迹段的热点等级。最后得到的热点路径挖掘成果可视化展示如图5所示。
上述实施例只为说明本发明的技术构思及特点，目的在于熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应该涵盖在本发明的保护范围之内。

Claims (2)

1.基于最长公共子轨迹密度聚类的热点路径挖掘方法，其特征在于，包括以下步骤：
(1)依据移动设备上的位置信息采集设备得到的位置信息，对采样点构成的轨迹数据集进行轨迹清洗、轨迹压缩以及地图匹配预处理工作，保留轨迹语义信息的前提下减少采样点数量，提升轨迹相似度计算的效率；
(2)对轨迹数据集中的每两段轨迹数据，计算它们每个最小轨迹段之间的相似性Seg_Sim；
(3)基于步骤(2)中得到的最小轨迹段之间的相似性，采用动态规划法计算每两条轨迹形成的最长公共子轨迹的长度LCSS_n以及相似度LCSS_Sim；
(4)基于步骤(3)计算得到的最长公共子轨迹长度LCSS_n、相似度LCSS_Sim以及两段轨迹的长度TrI_n，TrJ_n，计算得到两条轨迹之间的相似度Tr(IJ)_Sim，计算所有轨迹之间的相似度，形成轨迹相似度的二维矩阵；
(5)遍历轨迹数据集中所有轨迹，根据预先输入的轨迹的空间邻域范围阈值Eps和核心轨迹近邻数量阈值MinPts查找出所有核心轨迹，添加至核心轨迹序列，再遍历核心轨迹数据集中所有轨迹，记录每个与核心轨迹的相似度小于给定阈值Eps的直接空间可达轨迹的序号；
(6)再次遍历核心轨迹数据集中所有轨迹，依次将不属于任何聚类簇的核心轨迹作为中心轨迹进行聚类簇的生成，将中心轨迹的空间连通轨迹都加入到相应的聚类簇，最终使得每一条核心轨迹都只属于一个聚类簇；
(7)对边缘轨迹进行处理，遍历除核心轨迹之外的其他轨迹，根据轨迹相似度判断将边缘轨迹加入相应的聚类簇中，同时不属于任何聚类簇的轨迹则为离群轨迹；
(8)遍历每个聚类簇中每条轨迹中的最小子轨迹，计算其与聚类簇中其他轨迹的最小子轨迹之间的距离，小于热点子轨迹距离阈值MCS_thre的最小子轨迹加入相应的栈文件中；
(9)遍历所有最小子轨迹的栈文件，对栈中轨迹数量大于热点子轨迹数量阈值MCS_num的轨迹标识为MCS_Before；
(10)遍历MCS_Before集合，得到其对应的栈文件中轨迹起讫点的均值，作为这段MCS_Before所生成的最终的最小热点轨迹段，并将其他参与运算的子轨迹段从原始轨迹数据的聚类簇中删除，避免之后二次计算，同时记录最小热点轨迹段是由多少条路径求出的均值作为当前轨迹段的热点等级。
2.根据权利要求1所述的基于最长公共子轨迹密度聚类的热点路径挖掘方法，其特征在于，所述步骤(2)中最小轨迹段之间的相似度Seg_Sim的计算方法如下：首先计算两段轨迹Tr1.i{Pt1,Pt2}、Tr2.j{Pt3,Pt4}的端点之间欧氏距离的均值，具体计算过程参考公式(1)、(2)、(3)；
Figure FDA0002555632420000021
Figure FDA0002555632420000022
Dis(TrI.k，TrJ.l)＝1/2(Dis1+Dis2) (3)
以设置阈值的方式来得到两段最小轨迹段之间的相似度Sim_Seg，具体计算过程参考公式(4)；
Figure FDA0002555632420000023
如果Dis(TrI.k，TrJ.l)>δ则认为两段子轨迹相似度为零，如果Dis(TrI.k,TrJ.l)≤δ则认为两段子轨迹具有相似度，也称这两段子轨迹是可以匹配的；由公式也可知0≤Dis(TrI.k，TrJ.l)≤1，相似度的值越接近1，表明这两段子轨迹相似程度越高，之后对于最长公共子轨迹相似度的计算、轨迹之间相似度的计算都是基于最小轨迹段之间的相似度。
CN202010588824.0A 2020-06-24 2020-06-24 基于最长公共子轨迹密度聚类的热点路径挖掘方法 Active CN111897805B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010588824.0A CN111897805B (zh) 2020-06-24 2020-06-24 基于最长公共子轨迹密度聚类的热点路径挖掘方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010588824.0A CN111897805B (zh) 2020-06-24 2020-06-24 基于最长公共子轨迹密度聚类的热点路径挖掘方法

Publications (2)

Publication Number Publication Date
CN111897805A true CN111897805A (zh) 2020-11-06
CN111897805B CN111897805B (zh) 2022-11-11

Family

ID=73207874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010588824.0A Active CN111897805B (zh) 2020-06-24 2020-06-24 基于最长公共子轨迹密度聚类的热点路径挖掘方法

Country Status (1)

Country Link
CN (1) CN111897805B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593430A (zh) * 2013-11-11 2014-02-19 胡宝清 一种基于移动对象时空信息轨迹分段聚类的方法
CN107301254A (zh) * 2017-08-24 2017-10-27 电子科技大学 一种路网热点区域挖掘方法
CN110309383A (zh) * 2019-06-17 2019-10-08 武汉科技大学 基于改进的dbscan算法的船舶轨迹聚类分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593430A (zh) * 2013-11-11 2014-02-19 胡宝清 一种基于移动对象时空信息轨迹分段聚类的方法
CN107301254A (zh) * 2017-08-24 2017-10-27 电子科技大学 一种路网热点区域挖掘方法
CN110309383A (zh) * 2019-06-17 2019-10-08 武汉科技大学 基于改进的dbscan算法的船舶轨迹聚类分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨树亮等: "一种出租车载客轨迹空间聚类方法", 《计算机工程与应用》 *
裴剑等: "一种基于LCSS的相似车辆轨迹查找方法", 《小型微型计算机系统》 *

Also Published As

Publication number Publication date
CN111897805B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN109241069B (zh) 一种基于轨迹自适应聚类的路网快速更新的方法及系统
CN111343585B (zh) 一种基于隐马尔可夫模型的移动用户轨迹地图匹配方法
CN106528589B (zh) 数据管理方法及装置
CN110609881A (zh) 车辆轨迹偏离检测方法、系统和存储介质
CN108091134B (zh) 一种基于手机信令位置轨迹数据的通用数据集生成方法
US11788850B2 (en) Route deviation quantification and vehicular route learning based thereon
Chen et al. Compression of GPS trajectories
Tiwari et al. Route prediction using trip observations and map matching
CN112579921B (zh) 基于倒排序索引及前缀树的轨迹索引和查询方法及系统
Yuan et al. Toward space-time buffering for spatiotemporal proximity analysis of movement data
CN108022006B (zh) 一种数据驱动的可达性概率和区域生成方法
CN114530038B (zh) 一种基于时空数据聚类的出行兴趣区域提取方法及系统
Liu et al. A novel compression approach for truck GPS trajectory data
Qian et al. Detecting taxi trajectory anomaly based on spatio-temporal relations
CN111897805B (zh) 基于最长公共子轨迹密度聚类的热点路径挖掘方法
CN113932821A (zh) 基于连续窗口平均方向特征的轨迹地图匹配方法
CN113611115A (zh) 一种基于路网敏感特征的车辆轨迹聚类方法
Vander Laan et al. Scalable framework for enhancing raw GPS trajectory data: application to trip analytics for transportation planning
Zhong et al. A trajectory data compression algorithm based on spatio-temporal characteristics
de Sousa et al. A map matching based framework to reconstruct vehicular trajectories from gps datasets
CN116361327A (zh) 一种基于二级时空索引的轨迹伴随关系挖掘方法和系统
Shen et al. Retrieving similar trajectories from cellular data at city scale
CN114664104B (zh) 一种路网匹配方法和装置
Dutta et al. CLUSTMOSA: Clustering for GPS trajectory data based on multi-objective simulated annealing to develop mobility application
CN112866934B (zh) 地铁用户识别方法与系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant