CN115878694B - 轨迹的挖掘方法、装置及电子设备 - Google Patents
轨迹的挖掘方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115878694B CN115878694B CN202310048623.5A CN202310048623A CN115878694B CN 115878694 B CN115878694 B CN 115878694B CN 202310048623 A CN202310048623 A CN 202310048623A CN 115878694 B CN115878694 B CN 115878694B
- Authority
- CN
- China
- Prior art keywords
- track
- cluster
- tracks
- target
- clustering
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开关于一种轨迹的挖掘方法、装置及电子设备，涉及自动驾驶技术领域。该方法具体包括：对M个第一轨迹进行聚类处理，得到N个聚类簇，所述M和N均为大于或者等于1的整数；针对每个聚类簇，沿着所述聚类簇的轨迹趋势方向，从前向后对隶属于所述聚类簇的第二轨迹进行排序；按序对所述聚类簇中的第二轨迹进行扫描，以获取所述聚类簇的目标轨迹点集合；根据所述目标轨迹点集合，生成所述聚类簇的代表性轨迹。由此，本公开通过建立一个对轨迹数据清洗、轨迹数据聚类以及生成代表性轨迹的完整框架，提高了获取轨迹挖掘数据的质量和效率。
Description
技术领域
本公开涉及自动驾驶技术领域，特别是指一种轨迹的挖掘方法、装置及电子设备。
背景技术
带有定位系统的电子设备，例如：带有地图服务的手机、带有导航系统的汽车等，在电子设备的日常使用过程中累积了大量的时空轨迹数据，但是由于传感器精度等问题，导致收集到时空轨迹数据包含了大量的噪声，直接影响着历史轨迹数据挖掘的质量和效率，因此，如何提高轨迹数据挖掘的质量和效率，已成为了亟待解决的问题。
发明内容
本公开提供一种轨迹的挖掘方法、装置及电子设备，本公开通过建立一个对轨迹数据清洗、轨迹数据聚类以及生成代表性轨迹的完整框架，提高了获取轨迹挖掘数据的质量和效率。
本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种轨迹的挖掘方法，所述方法包括：对M个第一轨迹进行聚类处理，得到N个聚类簇，所述M和N均为大于或者等于1的整数；针对每个聚类簇，沿着所述聚类簇的轨迹趋势方向，从前向后对隶属于所述聚类簇的第二轨迹进行排序；按序对所述聚类簇中的第二轨迹进行扫描，以获取所述聚类簇的目标轨迹点集合；根据所述目标轨迹点集合，生成所述聚类簇的代表性轨迹。
根据本公开的一个实施例，所述沿着所述聚类簇的轨迹趋势方向，从前向后对隶属于所述聚类簇的第二轨迹进行排序，包括：以所述轨迹趋势方向为第一坐标轴，获取所述聚类簇中每个第二轨迹在所述第一坐标轴上的第一坐标；根据所述第一坐标从小到大的顺序，对隶属于所述聚类簇的第二轨迹进行排序。
根据本公开的一个实施例，所述沿着所述聚类簇的轨迹趋势方向，从前向后对隶属于所述聚类簇的第二轨迹进行排序，包括：从隶属于所述聚类簇的第二轨迹中，随机选取与所述轨迹趋势方向相近的第二轨迹T j 为目标第二轨迹，其中，所述T j 为所述聚类簇中的第j个第二轨迹，所述j为大于或者等于1的整数；判断所述目标第二轨迹是否为沿着所述轨迹趋势方向的最前方轨迹；若所述目标第二轨迹为所述最前方轨迹，将所述目标第二轨迹加入排序队列中；若所述目标第二轨迹非所述最前方轨迹，选择位于所述第j个第二轨迹前方的第二轨迹T k 作为新的所述目标第二轨迹，其中，所述T k 为所述聚类簇中的第k个第二轨迹，所述k为大于或者等于1的整数；重复执行所述判断所述目标第二轨迹是否为沿着所述轨迹趋势方向的最前方轨迹及其后续步骤，直至隶属于所述聚类簇的第二轨迹中的所有轨迹遍历完成，得到排序结果。
根据本公开的一个实施例，所述沿着所述聚类簇的轨迹趋势方向，从前向后对隶属于所述聚类簇的第二轨迹进行排序之前，还包括：获取隶属于所述聚类簇的第二轨迹的矢量；对隶属于所述聚类簇的第二轨迹的矢量进行相加，得到所述聚类簇的轨迹趋势方向。
根据本公开的一个实施例，所述获取隶属于所述聚类簇的第二轨迹的矢量，包括：获取所述第二轨迹的起点位置和终点位置，并根据所述起点位置和所述终点位置确定所述第二轨迹的矢量。
根据本公开的一个实施例，所述获取隶属于所述聚类簇的第二轨迹的矢量，包括：从所述第二轨迹的首个关键点开始，确定所述第二轨迹上的相邻的关键点P i 和关键点P i+1，其中，所述关键点P i 为所述第二轨迹上的第i个关键点，所述关键点P i+1为所述第二轨迹上的第i+1个关键点所述i为大于或者等于1的整数；获取所述关键点P i 和关键点P i+1之间的矢量i，并将所述矢量i对当前累加出的矢量进行相加，直至所述第二轨迹上的最后一个关键点，得到所述第二轨迹的矢量。
根据本公开的一个实施例，所述对所述M个第一轨迹进行聚类处理，得到N个聚类簇，包括：针对所述M个第一轨迹中每个第一轨迹，去除所述第一轨迹上的非关键点，得到保留关键点的第一轨迹；根据所述第一轨迹的关键点信息，构建所述M个保留关键点的第一轨迹的矩形树Rtree；基于所述Rtree对所述M个保留关键点的第一轨迹进行聚类处理，得到所述N个聚类簇。
根据本公开的一个实施例，所述根据所述第一轨迹的关键点信息，构建所述M个保留关键点的第一轨迹的矩形树Rtree，包括：根据所述第一轨迹的关键点信息，构建具有层级关系的轨迹矩形框；基于所述轨迹矩形框和层级关系，构建所述M个保留关键点的第一轨迹的矩形树Rtree。
根据本公开的一个实施例，所述基于所述Rtree对所述M个保留关键点的第一轨迹进行聚类处理，得到所述N个聚类簇，包括：基于所述Rtree检索每个所述第一轨迹的邻近轨迹，并确定与所述邻近轨迹的第一距离和与非邻近轨迹的第二距离，其中所述第二距离为设定值；根据所述第一距离和所述第二距离，对所述M个保留关键点的第一轨迹进行聚类处理，得到所述N个聚类簇。
根据本公开的一个实施例，所述根据所述第一距离和所述第二距离，对所述M个保留关键点的轨迹进行聚类处理，得到所述N个聚类簇，包括：根据所述第一距离和所述第二距离，生成稀疏距离矩阵；根据所述稀疏距离矩阵，对所述M个第二轨迹进行层次密度聚类处理，得到所述N个聚类簇。
根据本公开的一个实施例，所述按序对所述聚类簇中的第二轨迹进行扫描，以获取所述聚类簇的目标轨迹点集合，包括：从所述聚类簇中首位第二轨迹开始，移动扫描线对所述聚类簇中的第二轨迹进行扫描；确定当前扫描到的第j位第二轨迹为激活轨迹，并加入激活轨迹集合中，其中所述j为大于或者等于1的整数；基于所述激活轨迹集合内当前所包括的第二轨迹，确定当前的轨迹主方向；基于所述当前的轨迹主方向更新所述扫描线，并移动更新后的扫描线继续向后扫描；以所述当前的轨迹主方向为第二坐标轴建立笛卡尔坐标系，获取所述聚类簇中与更新后的所述扫描线存在交点的第二轨迹；获取所述交点在所述笛卡尔坐标系中的第三坐标轴上的第二坐标，并根据所有交点的所述第二坐标，确定一个候选轨迹点；将所述候选轨迹点转换至原始坐标系中，得到所述候选轨迹点对应的目标轨迹点，直至所述聚类簇中末位第二轨迹扫描结束，得到所述目标轨迹点集合。
根据本公开的一个实施例，所述基于所述激活轨迹集合内当前所包括的第二轨迹，确定当前的轨迹主方向，包括：确定所述激活轨迹集合内当前所包括的第二轨迹的过渡矢量，并基于所述过渡矢量，确定所述当前的轨迹主方向。
根据本公开的一个实施例，所述方法还包括：每当所述聚类簇中出现与所述扫描线存在交点的第二轨迹时，将所述存在交点的第二轨迹加入所述激活轨迹集合中。
根据本公开的一个实施例，所述方法还包括：针对所述聚类簇中的首位第二轨迹，以所述首位第二轨迹的矢量为所述首位第二轨迹扫描时的轨迹主方向；基于所述首位第二轨迹扫描时的轨迹主方向，确定所述首位第二轨迹对应的扫描线。
根据本公开的一个实施例，所述根据所述目标轨迹点集合，生成所述聚类簇的代表性轨迹，包括：确定所述目标轨迹点的坐标信息和扫描时刻，按所述坐标信息和所述扫描时刻进行连线，生成所述代表性轨迹。
根据本公开实施例的第二方面，提供一种轨迹的挖掘装置，所述装置包括：聚类模块，用于对M个第一轨迹进行聚类处理，得到N个聚类簇，所述M和N均为大于或者等于1的整数；排序模块，用于针对每个聚类簇，沿着所述聚类簇的轨迹趋势方向，从前向后对隶属于所述聚类簇的第二轨迹进行排序；获取模块，用于按序对所述聚类簇中的第二轨迹进行扫描，以获取所述聚类簇的目标轨迹点集合；生成模块，用于根据所述目标轨迹点集合，生成所述聚类簇的代表性轨迹。
根据本公开的一个实施例，所述排序模块，还用于：以所述轨迹趋势方向为第一坐标轴，获取所述聚类簇中每个第二轨迹在所述第一坐标轴上的第一坐标；根据所述第一坐标从小到大的顺序，对隶属于所述聚类簇的第二轨迹进行排序。
根据本公开的一个实施例，所述排序模块，还用于：从隶属于所述聚类簇的第二轨迹中，随机选取与所述轨迹趋势方向相近的第二轨迹T j 为目标第二轨迹，其中，所述T j 为所述聚类簇中的第j个第二轨迹，所述j为大于或者等于1的整数；判断所述目标第二轨迹是否为沿着所述轨迹趋势方向的最前方轨迹；若所述目标第二轨迹为所述最前方轨迹，将所述目标第二轨迹加入排序队列中；若所述目标第二轨迹非所述最前方轨迹，选择位于所述第j个第二轨迹前方的第二轨迹T k 作为新的所述目标第二轨迹，其中，所述T k 为所述聚类簇中的第k个第二轨迹，所述k为大于或者等于1的整数；重复执行所述判断所述目标第二轨迹是否为沿着所述轨迹趋势方向的最前方轨迹及其后续步骤，直至隶属于所述聚类簇的第二轨迹中的所有轨迹遍历完成，得到排序结果。
根据本公开的一个实施例，所述沿着所述聚类簇的轨迹趋势方向，从前向后对隶属于所述聚类簇的第二轨迹进行排序之前，所述装置，还用于：获取隶属于所述聚类簇的第二轨迹的矢量；对隶属于所述聚类簇的第二轨迹的矢量进行相加，得到所述聚类簇的轨迹趋势方向。
根据本公开的一个实施例，所述装置，还用于：获取所述第二轨迹的起点位置和终点位置，并根据所述起点位置和所述终点位置确定所述第二轨迹的矢量。
根据本公开的一个实施例，所述装置，还用于：从所述第二轨迹的首个关键点开始，确定所述第二轨迹上的相邻的关键点P i 和关键点P i+1，其中，所述关键点P i 为所述第二轨迹上的第i个关键点，所述关键点P i+1为所述第二轨迹上的第i+1个关键点所述i为大于或者等于1的整数；获取所述关键点P i 和关键点P i+1之间的矢量i，并将所述矢量i对当前累加出的矢量进行相加，直至所述第二轨迹上的最后一个关键点，得到所述第二轨迹的矢量。
根据本公开的一个实施例，所述聚类模块，还用于：针对所述M个第一轨迹中每个第一轨迹，去除所述第一轨迹上的非关键点，得到保留关键点的第一轨迹；根据所述第一轨迹的关键点信息，构建所述M个保留关键点的第一轨迹的矩形树Rtree；基于所述Rtree对所述M个保留关键点的第一轨迹进行聚类处理，得到所述N个聚类簇。
根据本公开的一个实施例，所述聚类模块，还用于：根据所述第一轨迹的关键点信息，构建具有层级关系的轨迹矩形框；基于所述轨迹矩形框和层级关系，构建所述M个保留关键点的第一轨迹的矩形树Rtree。
根据本公开的一个实施例，所述聚类模块，还用于：基于所述Rtree检索每个所述第一轨迹的邻近轨迹，并确定与所述邻近轨迹的第一距离和与非邻近轨迹的第二距离，其中所述第二距离为设定值；根据所述第一距离和所述第二距离，对所述M个保留关键点的第一轨迹进行聚类处理，得到所述N个聚类簇。
根据本公开的一个实施例，所述聚类模块，还用于：据所述第一距离和所述第二距离，生成稀疏距离矩阵；根据所述稀疏距离矩阵，对所述M个第二轨迹进行层次密度聚类处理，得到所述N个聚类簇。
根据本公开的一个实施例，所述获取模块，还用于:从所述聚类簇中首位第二轨迹开始，移动扫描线对所述聚类簇中的第二轨迹进行扫描；确定当前扫描到的第j位第二轨迹为激活轨迹，并加入激活轨迹集合中，其中所述j为大于或者等于1的整数；基于所述激活轨迹集合内当前所包括的第二轨迹，确定当前的轨迹主方向；基于所述当前的轨迹主方向更新所述扫描线，并移动更新后的扫描线继续向后扫描；以所述当前的轨迹主方向为第二坐标轴建立笛卡尔坐标系，获取所述聚类簇中与更新后的所述扫描线存在交点的第二轨迹；获取所述交点在所述笛卡尔坐标系中的第三坐标轴上的第二坐标，并根据所有交点的所述第二坐标，确定一个候选轨迹点；将所述候选轨迹点转换至原始坐标系中，得到所述候选轨迹点对应的目标轨迹点，直至所述聚类簇中末位第二轨迹扫描结束，得到所述目标轨迹点集合。
根据本公开的一个实施例，所述获取模块，还用于:确定所述激活轨迹集合内当前所包括的第二轨迹的过渡矢量，并基于所述过渡矢量，确定所述当前的轨迹主方向。
根据本公开的一个实施例，所述装置还用于：每当所述聚类簇中出现与所述扫描线存在交点的第二轨迹时，将所述存在交点的第二轨迹加入所述激活轨迹集合中。
根据本公开的一个实施例，所述装置还用于：针对所述聚类簇中的首位第二轨迹，以所述首位第二轨迹的矢量为所述首位第二轨迹扫描时的轨迹主方向；基于所述首位第二轨迹扫描时的轨迹主方向，确定所述首位第二轨迹对应的扫描线。
根据本公开的一个实施例，所述生成模块，还用于：确定所述目标轨迹点的坐标信息和扫描时刻，按所述坐标信息和所述扫描时刻进行连线，生成所述代表性轨迹。
根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如本公开第一方面实施例提供的轨迹的挖掘方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如本公开第一方面实施例提供的轨迹的挖掘方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如本公开第一方面提供的轨迹的挖掘方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开实施例的一种轨迹的挖掘方法，通过对M个第一轨迹进行聚类处理，得到N个聚类簇，M和N均为大于或者等于1的整数，针对每个聚类簇，沿着聚类簇的轨迹趋势方向，从前向后对隶属于聚类簇的第二轨迹进行排序，按序对聚类簇中的第二轨迹进行扫描，以获取聚类簇的目标轨迹点集合，根据目标轨迹点集合，生成聚类簇的代表性轨迹。由此，本公开通过建立一个对轨迹数据清洗、轨迹数据聚类以及生成代表性轨迹的完整框架，提高了获取轨迹挖掘数据的质量和效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种轨迹的挖掘方法的流程示意图。
图2是根据一示例性实施例示出的另一种轨迹的挖掘方法的流程示意图。
图3是根据一示例性实施例示出的另一种轨迹的挖掘方法的流程示意图。
图4是根据一示例性实施例示出的另一种轨迹的挖掘方法的流程示意图。
图5是根据一示例性实施例示出的另一种轨迹的挖掘方法的流程示意图。
图6是根据一示例性实施例示出的另一种轨迹的挖掘方法的流程示意图。
图7是根据一示例性实施例示出的一种轨迹的挖掘装置的框图。
图8是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1为本公开实施例提供的一种轨迹的挖掘方法的流程示意图。
如图1所示，该轨迹的挖掘方法，包括以下步骤：
S101，对M个第一轨迹进行聚类处理，得到N个聚类簇，M和N均为大于或者等于1的整数。
可选地，第一轨迹可以为原始的轨迹，即未经过处理的轨迹。
可选地，第一轨迹可以为经过预处理的轨迹，例如：可以对第一轨迹进行简化，去除非关键轨迹点等预处理方式。
需要说明的是，本公开对M个第一轨迹进行聚类处理的具体方式不作限定，可以根据实际情况进行选取。
可选地，可以对M个第一轨迹进行层次密度聚类（HierarchicalDensity-BasedSpatial Clustering of Applications with Noise，简称HDBSCAN）处理，以得到N个聚类簇。
S102，针对每个聚类簇，沿着聚类簇的轨迹趋势方向，从前向后对隶属于聚类簇的第二轨迹进行排序。
其中，第二轨迹指的是经过聚类处理，即聚类簇中的轨迹。
举例而言，可以针对每一个聚类簇，累加所有第二轨迹矢量，得到第二轨迹的轨迹趋势方向，随机选择一个与趋势方向一致（夹角小于90度）的目标第二轨迹，以目标第二轨迹为x轴正方向旋转坐标轴，如果目标第二轨迹左侧没有其他轨迹，则该目标第二轨迹为最前方轨迹，将目标第二轨迹加入排序列表中，如果目标第二轨迹左侧有隶属于该聚类簇的其他轨迹，则选择左侧轨迹段为目标第二轨迹，重复判断上述步骤，直至对隶属于聚类簇的第二轨迹都进行排序。
S103，按序对聚类簇中的第二轨迹进行扫描，以获取聚类簇的目标轨迹点集合。
可选地，可以获取聚类簇中第二轨迹的矢量为第二轨迹扫描时的轨迹主方向，基于第二轨迹扫描时的轨迹主方向，确定第二轨迹对应的扫描线，并移动扫描线对聚类簇中的第二轨迹进行扫描，以获取聚类簇的目标轨迹点集合。
S104，根据目标轨迹点集合，生成聚类簇的代表性轨迹。
需要说明的是，本公开对于根据目标轨迹点集合，生成聚类簇的代表性轨迹的具体方式不作限定，可以根据实际情况进行选取。
可选地，可以确定目标轨迹点集合中目标轨迹点的坐标信息和扫描时刻，按坐标信息和扫描时刻进行连线，生成代表性轨迹。
需要说明的是，可以通过服务器实现本公开实施例提供的轨迹的挖掘方法。
可选地，电子设备可以为服务器，其中，电子设备可以为各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机；电子设备还可以为各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。
根据本公开实施例的一种轨迹的挖掘方法，通过对M个第一轨迹进行聚类处理，得到N个聚类簇，M和N均为大于或者等于1的整数，针对每个聚类簇，沿着聚类簇的轨迹趋势方向，从前向后对隶属于聚类簇的第二轨迹进行排序，按序对聚类簇中的第二轨迹进行扫描，以获取聚类簇的目标轨迹点集合，根据目标轨迹点集合，生成聚类簇的代表性轨迹。由此，本公开通过建立一个对轨迹数据清洗、轨迹数据聚类以及生成代表性轨迹的完整框架，提高了获取轨迹挖掘数据的质量和效率。
图2是根据本公开一个实施例的轨迹的挖掘方法的流程示意图，在上述实施例的基础上，进一步结合图2，对M个第一轨迹进行聚类处理，得到N个聚类簇的具体过程进行解释说明，包括以下步骤：
S201，针对M个第一轨迹中每个第一轨迹，去除第一轨迹上的非关键点，得到保留关键点的第一轨迹。
其中，关键点指的是描述第一轨迹趋势的关键轨迹点。
需要说明的是，相关技术中，对轨迹进行分段归组的聚类方法往往容易导致轨迹过于碎片化，例如：轨迹的转弯处，由于曲率较大，为了保持轨迹趋势得到的轨迹段距离普遍较短，短的轨迹段相比于长短的轨迹段有更低的距离，容易扰乱聚类的结果，本公开采用直线圆弧分割算法（Ramer-Douglas-Peucker，简称RDP）算法，可以将第一轨迹中每个第一轨迹进行简化，去除第一轨迹上的非关键点，只保留能描述第一轨迹的关键节点，即可得到保留关键点的第一轨迹。
S202，根据第一轨迹的关键点信息，构建M个保留关键点的第一轨迹的矩形树Rtree。
需要说明的是，矩形树（Rectangletree，简称Rtree）采用最小边边界矩形（MinimalBoundingRectangle）的方法，从矩形树Rtree的叶子节点开始用矩形将空间框起来，节点越往上，框住的空间就越大。
可选地，可以利用RTree数据结构，存储第一轨迹的关键点信息，并构建M个保留关键点的第一轨迹的矩形树Rtree。
可选地，可以根据第一轨迹的关键点信息，构建具有层级关系的轨迹矩形框，基于轨迹矩形框和层级关系，构建M个保留关键点的第一轨迹的矩形树Rtree。
举例而言，可以根据第一轨迹的的关键点坐标信息，构建M个能够框住第一轨迹的矩形框，当多个矩形框存在重叠时，可以用更大的矩形将重叠的矩形框，以此类推，即可构建M个保留关键点的第一轨迹的矩形树Rtree。
S203，基于Rtree对M个保留关键点的第一轨迹进行聚类处理，得到N个聚类簇。
作为一种可能实现的方式，在上述实施例的基础上，进一步结合图3，对基于Rtree对M个保留关键点的第一轨迹进行聚类处理，得到N个聚类簇的具体过程进行解释说明，包括以下步骤：
S301，基于Rtree检索每个第一轨迹的邻近轨迹，并确定与邻近轨迹的第一距离和与非邻近轨迹的第二距离，其中第二距离为设定值。
可选地，可以利用第一轨迹的矩形树RTree检索每个第一轨迹的邻近轨迹，并计算与邻近轨迹的第一距离和与非邻近轨迹的第二距离。
需要说明的是，本公开对于第二距离的设置不作限定。
可选地，可以设置非邻近轨迹的第二距离为正无穷。
S302，根据第一距离和第二距离，对M个保留关键点的第一轨迹进行聚类处理，得到N个聚类簇。
可选地，根据第一距离和第二距离，生成稀疏距离矩阵，根据稀疏距离矩阵，对M个第二轨迹进行层次密度聚类（HierarchicalDensity-Based Spatial Clustering ofApplications with Noise，简称HDBSCAN）处理，得到N个聚类簇。
需要说明的是，相关技术中，对于轨迹进行聚类处理往往采用密度聚类（Density-BasedSpatial Clustering of Applications with Noise，简称DBSCAN），由于聚类的时空跨度更大，不同区段的轨迹密度差异较大，密度聚类中的距离半径阈值难以确定，无法适应不同的密度，然而，采用层次密度聚类HDBSCAN对第二轨迹进行聚类处理时，只需要设置最小类簇的轨迹数目和最大类簇的轨迹数目，可以使超参数有更强的适应性。
根据本公开实施例的一种轨迹的挖掘方法，针对M个第一轨迹中每个第一轨迹，去除第一轨迹上的非关键点，得到保留关键点的第一轨迹，根据第一轨迹的关键点信息，构建M个保留关键点的第一轨迹的矩形树Rtree，基于Rtree对M个保留关键点的第一轨迹进行聚类处理，得到N个聚类簇，本公开通过层次密度聚类进行聚类处理，只需设置最小类簇的轨迹数目和最大类簇的轨迹数目，可以使超参数有更强的适应性，提高了对轨迹数据挖掘的效率。
图4是根据本公开一个实施例的轨迹的挖掘方法的流程示意图，在上述实施例的基础上，进一步结合图4，对沿着聚类簇的轨迹趋势方向，从前向后对隶属于聚类簇的第二轨迹进行排序之前的具体过程进行解释说明，包括以下步骤：
S401，获取隶属于聚类簇的第二轨迹的矢量。
可选地，可以获取第二轨迹的起点位置和终点位置，并根据起点位置和终点位置确定第二轨迹的矢量。
作为一种可能实现的方式，可以从第二轨迹的首个关键点开始，确定第二轨迹上的相邻的关键点P i 和关键点P i+1，其中，关键点P i 为第二轨迹上的第i个关键点，关键点P i+1为第二轨迹上的第i+1个关键点i为大于或者等于1的整数，获取关键点P i 和关键点P i+1之间的矢量i，并将矢量i对当前累加出的矢量进行相加，直至第二轨迹上的最后一个关键点，得到第二轨迹的矢量。
S402，对隶属于聚类簇的第二轨迹的矢量进行相加，得到聚类簇的轨迹趋势方向。
在本公开实施例中，在获取到第二轨迹的矢量后，可以对隶属于聚类簇的第二轨迹的矢量进行相加，得到聚类簇的轨迹趋势方向。
进一步地，在获取到聚类簇的轨迹趋势方向后，可以沿着聚类簇的轨迹趋势方向，从前向后对隶属于聚类簇的第二轨迹进行排序。
作为一种可能实现的方式，在上述实施例的基础上，进一步结合图5，对沿着聚类簇的轨迹趋势方向，从前向后对隶属于聚类簇的第二轨迹进行排序的具体过程进行解释说明，包括以下步骤：
S501，以轨迹趋势方向为第一坐标轴，获取聚类簇中每个第二轨迹在第一坐标轴上的第一坐标。
可选地，可以随机选择一个与轨迹趋势方向一致（夹角小于90度）的第二轨迹，并以该轨迹趋势方向为x轴正方向旋转坐标轴（第一坐标轴）。
S502，根据第一坐标从小到大的顺序，对隶属于聚类簇的第二轨迹进行排序。
在本公开实施例中，可以从隶属于聚类簇的第二轨迹中，随机选取与轨迹趋势方向相近的第二轨迹T j 为目标第二轨迹，其中，T j 为聚类簇中的第j个第二轨迹，j为大于或者等于1的整数，判断目标第二轨迹是否为沿着轨迹趋势方向的最前方轨迹，若目标第二轨迹为最前方轨迹，将目标第二轨迹加入排序队列中，若目标第二轨迹非最前方轨迹，选择位于第j个第二轨迹前方的第二轨迹T k 作为新的目标第二轨迹，其中，T k 为聚类簇中的第k个第二轨迹，k为大于或者等于1的整数，重复执行判断目标第二轨迹是否为沿着轨迹趋势方向的最前方轨迹及其后续步骤，直至隶属于聚类簇的第二轨迹中的所有轨迹遍历完成，得到排序结果。
举例而言，可以随机选择一个与轨迹趋势方向一致（夹角小于90度）的目标第二轨迹，以选择的目标第二轨迹为x轴正方向旋转坐标轴，如果目标第二轨迹段的左侧没有其他轨迹，则将目标第二轨迹段为该聚类簇中排序最前方的轨迹，将其加入排序队列中，如果目标第二轨迹段的左侧有隶属于该聚类簇的其他轨迹，则选择左侧的轨迹（第二目标轨迹）重复判断目标第二轨迹是否为沿着轨迹趋势方向的最前方轨迹及其后续步骤，直至隶属于聚类簇的第二轨迹中的所有轨迹遍历完成，得到排序结果。
根据本公开实施例的一种轨迹的挖掘方法，以轨迹趋势方向为第一坐标轴，获取聚类簇中每个第二轨迹在第一坐标轴上的第一坐标，根据第一坐标从小到大的顺序，对隶属于聚类簇的第二轨迹进行排序。由此，为后续提高对轨迹数据挖掘的效率和质量奠定了基础。
图6是根据本公开一个实施例的轨迹的挖掘方法的流程示意图，在上述实施例的基础上，进一步结合图6，对按序对聚类簇中的第二轨迹进行扫描，以获取聚类簇的目标轨迹点集合的具体过程进行解释说明，包括以下步骤：
S601，从聚类簇中首位第二轨迹开始，移动扫描线对聚类簇中的第二轨迹进行扫描。
需要说明的是，针对聚类簇中的首位第二轨迹，以首位第二轨迹的矢量为首位第二轨迹扫描时的轨迹主方向，基于首位第二轨迹扫描时的轨迹主方向，确定首位第二轨迹对应的扫描线。
进一步地，可以移动首位第二轨迹对应的扫描线，对聚类簇中首位的第二轨迹进行扫描。
S602，确定当前扫描到的第j位第二轨迹为激活轨迹，并加入激活轨迹集合中，其中j为大于或者等于1的整数。
其中，激活轨迹指的是聚类簇中出现与扫描线存在交点的第二轨迹。
需要说明的是，每当聚类簇中出现与扫描线存在交点的第二轨迹时，即激活轨迹，可以将激活轨迹加入激活轨迹集合中。
S603，基于激活轨迹集合内当前所包括的第二轨迹，确定当前的轨迹主方向。
可选地，可以确定激活轨迹集合内当前所包括的第二轨迹的过渡矢量，并基于过渡矢量，确定当前的轨迹主方向。
举例而言，可以累加激活轨迹集合内所有第二轨迹的过渡矢量，以得到更新后的当前的轨迹主方向。
S604，基于当前的轨迹主方向更新扫描线，并移动更新后的扫描线继续向后扫描。
在本公开实施例中，在获取到更新后的当前的轨迹主方向后，可以根据更新后的当前的轨迹主方向，对扫描线进行更新，并移动更新后的扫描线继续向后扫描。
S605，以当前的轨迹主方向为第二坐标轴建立笛卡尔坐标系，获取聚类簇中与更新后的扫描线存在交点的第二轨迹。
其中，笛卡尔坐标系指的是直角坐标系和斜角坐标系的统称。
举例而言，可以当前的轨迹主方向为x’轴,建立笛卡尔坐标系，并获取聚类簇中与更新后的扫描线存在交点的第二轨迹。
S606，获取交点在笛卡尔坐标系中的第三坐标轴上的第二坐标，并根据所有交点的第二坐标，确定一个候选轨迹点。
举例而言，在笛卡尔坐标系下，可以获取第三坐标轴（y轴）与所有激活轨迹的交点的第二坐标（y坐标），可以将第二坐标平均化进行平均化处理，得到一个候选轨迹点。
S607，将候选轨迹点转换至原始坐标系中，得到候选轨迹点对应的目标轨迹点，直至聚类簇中末位第二轨迹扫描结束，得到目标轨迹点集合。
可选地，在将候选轨迹点旋转回标准的坐标系之后，可以得到候选轨迹点对应的目标轨迹点，并加入聚类簇的目标轨迹点集合中。
根据本公开实施例的一种轨迹的挖掘方法，从聚类簇中首位第二轨迹开始，移动扫描线对所述聚类簇中的第二轨迹进行扫描，确定当前扫描到的第j位第二轨迹为激活轨迹，并加入激活轨迹集合中，其中j为大于或者等于1的整数，基于激活轨迹集合内当前所包括的第二轨迹，确定当前的轨迹主方向，基于当前的轨迹主方向更新所述扫描线，并移动更新后的扫描线继续向后扫描，以当前的轨迹主方向为第二坐标轴建立笛卡尔坐标系，获取聚类簇中与更新后的扫描线存在交点的第二轨迹；获取交点在笛卡尔坐标系中的第三坐标轴上的第二坐标，并根据所有交点的所述第二坐标，确定一个候选轨迹点，将候选轨迹点转换至原始坐标系中，得到候选轨迹点对应的目标轨迹点，直至聚类簇中末位第二轨迹扫描结束，得到目标轨迹点集合。由此，本申请可以更为准确地获取目标轨迹点集合，为后续提高对轨迹数据挖掘的效率和质量奠定了基础。
图7是根据一示例性实施例示出的一种轨迹的挖掘装置的框图。
如图7所示，轨迹的挖掘装置1000，包括：聚类模块110、排序模块120、获取模块130和生成模块140。
聚类模块110，用于对M个第一轨迹进行聚类处理，得到N个聚类簇，所述M和N均为大于或者等于1的整数；
排序模块120，用于针对每个聚类簇，沿着所述聚类簇的轨迹趋势方向，从前向后对隶属于所述聚类簇的第二轨迹进行排序；
获取模块130，用于按序对所述聚类簇中的第二轨迹进行扫描，以获取所述聚类簇的目标轨迹点集合；
生成模块140，用于根据所述目标轨迹点集合，生成所述聚类簇的代表性轨迹。
进一步的，排序模块120，还用于：以所述轨迹趋势方向为第一坐标轴，获取所述聚类簇中每个第二轨迹在所述第一坐标轴上的第一坐标；根据所述第一坐标从小到大的顺序，对隶属于所述聚类簇的第二轨迹进行排序。
进一步的，排序模块120，还用于：从隶属于所述聚类簇的第二轨迹中，随机选取与所述轨迹趋势方向相近的第二轨迹T j 为目标第二轨迹，其中，所述T j 为所述聚类簇中的第j个第二轨迹，所述j为大于或者等于1的整数；判断所述目标第二轨迹是否为沿着所述轨迹趋势方向的最前方轨迹；若所述目标第二轨迹为所述最前方轨迹，将所述目标第二轨迹加入排序队列中；若所述目标第二轨迹非所述最前方轨迹，选择位于所述第j个第二轨迹前方的第二轨迹T k 作为新的所述目标第二轨迹，其中，所述T k 为所述聚类簇中的第k个第二轨迹，所述k为大于或者等于1的整数；重复执行所述判断所述目标第二轨迹是否为沿着所述轨迹趋势方向的最前方轨迹及其后续步骤，直至隶属于所述聚类簇的第二轨迹中的所有轨迹遍历完成，得到排序结果。
进一步的，所述沿着所述聚类簇的轨迹趋势方向，从前向后对隶属于所述聚类簇的第二轨迹进行排序之前，装置1000，还用于：获取隶属于所述聚类簇的第二轨迹的矢量；对隶属于所述聚类簇的第二轨迹的矢量进行相加，得到所述聚类簇的轨迹趋势方向。
进一步的，装置1000，还用于：获取所述第二轨迹的起点位置和终点位置，并根据所述起点位置和所述终点位置确定所述第二轨迹的矢量。
进一步的，装置1000，还用于：从所述第二轨迹的首个关键点开始，确定所述第二轨迹上的相邻的关键点P i 和关键点P i+1，其中，所述关键点P i 为所述第二轨迹上的第i个关键点，所述关键点P i+1为所述第二轨迹上的第i+1个关键点所述i为大于或者等于1的整数；获取所述关键点P i 和关键点P i+1之间的矢量i，并将所述矢量i对当前累加出的矢量进行相加，直至所述第二轨迹上的最后一个关键点，得到所述第二轨迹的矢量。
进一步的，聚类模块110，还用于：针对所述M个第一轨迹中每个第一轨迹，去除所述第一轨迹上的非关键点，得到保留关键点的第一轨迹；根据所述第一轨迹的关键点信息，构建所述M个保留关键点的第一轨迹的矩形树Rtree；基于所述Rtree对所述M个保留关键点的第一轨迹进行聚类处理，得到所述N个聚类簇。
进一步的，聚类模块110，还用于：根据所述第一轨迹的关键点信息，构建具有层级关系的轨迹矩形框；基于所述轨迹矩形框和层级关系，构建所述M个保留关键点的第一轨迹的矩形树Rtree。
进一步的，聚类模块110，还用于：基于所述Rtree检索每个所述第一轨迹的邻近轨迹，并确定与所述邻近轨迹的第一距离和与非邻近轨迹的第二距离，其中所述第二距离为设定值；根据所述第一距离和所述第二距离，对所述M个保留关键点的第一轨迹进行聚类处理，得到所述N个聚类簇。
进一步的，聚类模块110，还用于：据所述第一距离和所述第二距离，生成稀疏距离矩阵；根据所述稀疏距离矩阵，对所述M个第二轨迹进行层次密度聚类处理，得到所述N个聚类簇。
进一步的，获取模块130，还用于:从所述聚类簇中首位第二轨迹开始，移动扫描线对所述聚类簇中的第二轨迹进行扫描；确定当前扫描到的第j位第二轨迹为激活轨迹，并加入激活轨迹集合中，其中所述j为大于或者等于1的整数；基于所述激活轨迹集合内当前所包括的第二轨迹，确定当前的轨迹主方向；基于所述当前的轨迹主方向更新所述扫描线，并移动更新后的扫描线继续向后扫描；以所述当前的轨迹主方向为第二坐标轴建立笛卡尔坐标系，获取所述聚类簇中与更新后的所述扫描线存在交点的第二轨迹；获取所述交点在所述笛卡尔坐标系中的第三坐标轴上的第二坐标，并根据所有交点的所述第二坐标，确定一个候选轨迹点；将所述候选轨迹点转换至原始坐标系中，得到所述候选轨迹点对应的目标轨迹点，直至所述聚类簇中末位第二轨迹扫描结束，得到所述目标轨迹点集合。
进一步的，获取模块130，还用于:确定所述激活轨迹集合内当前所包括的第二轨迹的过渡矢量，并基于所述过渡矢量，确定所述当前的轨迹主方向。
进一步的，装置1000，还用于：每当所述聚类簇中出现与所述扫描线存在交点的第二轨迹时，将所述存在交点的第二轨迹加入所述激活轨迹集合中。
进一步的，装置1000，还用于：针对所述聚类簇中的首位第二轨迹，以所述首位第二轨迹的矢量为所述首位第二轨迹扫描时的轨迹主方向；基于所述首位第二轨迹扫描时的轨迹主方向，确定所述首位第二轨迹对应的扫描线。
进一步的，生成模块140，还用于：确定所述目标轨迹点的坐标信息和扫描时刻，按所述坐标信息和所述扫描时刻进行连线，生成所述代表性轨迹。
根据本公开实施例的一种轨迹的挖掘装置，通过对M个第一轨迹进行聚类处理，得到N个聚类簇，M和N均为大于或者等于1的整数，针对每个聚类簇，沿着聚类簇的轨迹趋势方向，从前向后对隶属于聚类簇的第二轨迹进行排序，按序对聚类簇中的第二轨迹进行扫描，以获取聚类簇的目标轨迹点集合，根据目标轨迹点集合，生成聚类簇的代表性轨迹。由此，本公开通过建立一个对轨迹数据清洗、轨迹数据聚类以及生成代表性轨迹的完整框架，提高了获取轨迹挖掘数据的质量和效率。
为了实现上述实施例，本公开还提供了一种电子设备，如图8所示，所述电子设备2000包括：处理器210；用于存储所述处理器210可执行指令的一个或多个存储器220；其中，所述处理器210被配置为执行上述实施例所述的轨迹的挖掘方法；处理器210和存储器220通过通信总线连接，其中，电子设备可以为服务器，电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。
为了实现上述实施例，本公开还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器220，上述指令可由装置1000的处理器210执行以完成上述方法。可选地，计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
为了实现上述实施例，本公开还提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述实施例所述的轨迹的挖掘方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (17)
1.一种轨迹的挖掘方法，其特征在于，包括：
对M个第一轨迹进行聚类处理，得到N个聚类簇，所述M和N均为大于或者等于1的整数；
针对每个聚类簇，沿着所述聚类簇的轨迹趋势方向，从前向后对隶属于所述聚类簇的第二轨迹进行排序；
按序对所述聚类簇中的第二轨迹进行扫描，以获取所述聚类簇的目标轨迹点集合；
根据所述目标轨迹点集合，生成所述聚类簇的代表性轨迹；
所述按序对所述聚类簇中的第二轨迹进行扫描，以获取所述聚类簇的目标轨迹点集合，包括：
从所述聚类簇中首位第二轨迹开始，移动扫描线对所述聚类簇中的第二轨迹进行扫描；
确定当前扫描到的第j位第二轨迹为激活轨迹，并加入激活轨迹集合中，其中所述j为大于或者等于1的整数；
基于所述激活轨迹集合内当前所包括的第二轨迹，确定当前的轨迹主方向；
基于所述当前的轨迹主方向更新所述扫描线，并移动更新后的扫描线继续向后扫描；
以所述当前的轨迹主方向为第二坐标轴建立笛卡尔坐标系，获取所述聚类簇中与更新后的所述扫描线存在交点的第二轨迹；
获取所述交点在所述笛卡尔坐标系中的第三坐标轴上的第二坐标，并根据所有交点的所述第二坐标，确定一个候选轨迹点；
将所述候选轨迹点转换至原始坐标系中，得到所述候选轨迹点对应的目标轨迹点，直至所述聚类簇中末位第二轨迹扫描结束，得到所述目标轨迹点集合。
2.根据权利要求1所述的方法，其特征在于，所述沿着所述聚类簇的轨迹趋势方向，从前向后对隶属于所述聚类簇的第二轨迹进行排序，包括：
以所述轨迹趋势方向为第一坐标轴，获取所述聚类簇中每个第二轨迹在所述第一坐标轴上的第一坐标；
根据所述第一坐标从小到大的顺序，对隶属于所述聚类簇的第二轨迹进行排序。
3.根据权利要求1所述的方法，其特征在于，所述沿着所述聚类簇的轨迹趋势方向，从前向后对隶属于所述聚类簇的第二轨迹进行排序，包括：
从隶属于所述聚类簇的第二轨迹中，随机选取与所述轨迹趋势方向相近的第二轨迹Tl为目标第二轨迹，其中，所述Tl为所述聚类簇中的第l个第二轨迹，所述l为大于或者等于1的整数；
判断所述目标第二轨迹是否为沿着所述轨迹趋势方向的最前方轨迹；
若所述目标第二轨迹为所述最前方轨迹，将所述目标第二轨迹加入排序队列中；
若所述目标第二轨迹非所述最前方轨迹，选择位于所述第l个第二轨迹前方的第二轨迹Tk作为新的所述目标第二轨迹，其中，所述Tk为所述聚类簇中的第k个第二轨迹，所述k为大于或者等于1的整数；
重复执行所述判断所述目标第二轨迹是否为沿着所述轨迹趋势方向的最前方轨迹及其后续步骤，直至隶属于所述聚类簇的第二轨迹中的所有轨迹遍历完成，得到排序结果。
4.根据权利要求1所述的方法，其特征在于，所述沿着所述聚类簇的轨迹趋势方向，从前向后对隶属于所述聚类簇的第二轨迹进行排序之前，还包括：
获取隶属于所述聚类簇的第二轨迹的矢量；
对隶属于所述聚类簇的第二轨迹的矢量进行相加，得到所述聚类簇的轨迹趋势方向。
5.根据权利要求4所述的方法，其特征在于，所述获取隶属于所述聚类簇的第二轨迹的矢量，包括：
获取所述第二轨迹的起点位置和终点位置，并根据所述起点位置和所述终点位置确定所述第二轨迹的矢量。
6.根据权利要求5所述的方法，其特征在于，所述获取隶属于所述聚类簇的第二轨迹的矢量，包括：
从所述第二轨迹的首个关键点开始，确定所述第二轨迹上的相邻的关键点Pi和关键点Pi+1，其中，所述关键点Pi为所述第二轨迹上的第i个关键点，所述关键点Pi+1为所述第二轨迹上的第i+1个关键点，所述i为大于或者等于1的整数；
获取所述关键点Pi和关键点Pi+1之间的矢量i，并将所述矢量i对当前累加出的矢量进行相加，直至所述第二轨迹上的最后一个关键点，得到所述第二轨迹的矢量。
7.根据权利要求1所述的方法，其特征在于，所述对所述M个第一轨迹进行聚类处理，得到N个聚类簇，包括：
针对所述M个第一轨迹中每个第一轨迹，去除所述第一轨迹上的非关键点，得到保留关键点的第一轨迹；
根据所述第一轨迹的关键点信息，构建所述M个保留关键点的第一轨迹的矩形树Rtree；
基于所述Rtree对所述M个保留关键点的第一轨迹进行聚类处理，得到所述N个聚类簇。
8.根据权利要求7所述的方法，其特征在于，所述根据所述第一轨迹的关键点信息，构建所述M个保留关键点的第一轨迹的矩形树Rtree，包括：
根据所述第一轨迹的关键点信息，构建具有层级关系的轨迹矩形框；
基于所述轨迹矩形框和层级关系，构建所述M个保留关键点的第一轨迹的矩形树Rtree。
9.根据权利要求7所述的方法，其特征在于，所述基于所述Rtree对所述M个保留关键点的第一轨迹进行聚类处理，得到所述N个聚类簇，包括：
基于所述Rtree检索每个所述第一轨迹的邻近轨迹，并确定与所述邻近轨迹的第一距离和与非邻近轨迹的第二距离，其中所述第二距离为设定值；
根据所述第一距离和所述第二距离，对所述M个保留关键点的第一轨迹进行聚类处理，得到所述N个聚类簇。
10.根据权利要求9所述的方法，其特征在于，所述根据所述第一距离和所述第二距离，对所述M个保留关键点的轨迹进行聚类处理，得到所述N个聚类簇，包括：
根据所述第一距离和所述第二距离，生成稀疏距离矩阵；
根据所述稀疏距离矩阵，对所述M个第一轨迹进行层次密度聚类处理，得到所述N个聚类簇。
11.根据权利要求1-10中任一项所述的方法，其特征在于，所述基于所述激活轨迹集合内当前所包括的第二轨迹，确定当前的轨迹主方向，包括：
确定所述激活轨迹集合内当前所包括的第二轨迹的过渡矢量，并基于所述过渡矢量，确定所述当前的轨迹主方向。
12.根据权利要求1-10中任一项所述的方法，其特征在于，所述方法还包括：
每当所述聚类簇中出现与所述扫描线存在交点的第二轨迹时，将所述存在交点的第二轨迹加入所述激活轨迹集合中。
13.根据权利要求1-10中任一项所述的方法，其特征在于，所述方法还包括：
针对所述聚类簇中的首位第二轨迹，以所述首位第二轨迹的矢量为所述首位第二轨迹扫描时的轨迹主方向；
基于所述首位第二轨迹扫描时的轨迹主方向，确定所述首位第二轨迹对应的扫描线。
14.根据权利要求1-10中任一项所述的方法，其特征在于，所述根据所述目标轨迹点集合，生成所述聚类簇的代表性轨迹，包括：
确定所述目标轨迹点的坐标信息和扫描时刻，按所述坐标信息和所述扫描时刻进行连线，生成所述代表性轨迹。
15.一种轨迹的挖掘装置，其特征在于，包括：
聚类模块，用于对M个第一轨迹进行聚类处理，得到N个聚类簇，所述M和N均为大于或者等于1的整数；
排序模块，用于针对每个聚类簇，沿着所述聚类簇的轨迹趋势方向，从前向后对隶属于所述聚类簇的第二轨迹进行排序；
获取模块，用于按序对所述聚类簇中的第二轨迹进行扫描，以获取所述聚类簇的目标轨迹点集合；
生成模块，用于根据所述目标轨迹点集合，生成所述聚类簇的代表性轨迹；
所述获取模块，还用于:从所述聚类簇中首位第二轨迹开始，移动扫描线对所述聚类簇中的第二轨迹进行扫描；确定当前扫描到的第j位第二轨迹为激活轨迹，并加入激活轨迹集合中，其中所述j为大于或者等于1的整数；基于所述激活轨迹集合内当前所包括的第二轨迹，确定当前的轨迹主方向；基于所述当前的轨迹主方向更新所述扫描线，并移动更新后的扫描线继续向后扫描；以所述当前的轨迹主方向为第二坐标轴建立笛卡尔坐标系，获取所述聚类簇中与更新后的所述扫描线存在交点的第二轨迹；获取所述交点在所述笛卡尔坐标系中的第三坐标轴上的第二坐标，并根据所有交点的所述第二坐标，确定一个候选轨迹点；将所述候选轨迹点转换至原始坐标系中，得到所述候选轨迹点对应的目标轨迹点，直至所述聚类簇中末位第二轨迹扫描结束，得到所述目标轨迹点集合。
16.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-14中任一项所述的轨迹的挖掘方法。
17.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-14中任一项所述的轨迹的挖掘方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310048623.5A CN115878694B (zh) | 2023-01-31 | 2023-01-31 | 轨迹的挖掘方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310048623.5A CN115878694B (zh) | 2023-01-31 | 2023-01-31 | 轨迹的挖掘方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115878694A CN115878694A (zh) | 2023-03-31 |
| CN115878694B true CN115878694B (zh) | 2023-05-23 |
Family
ID=85758604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310048623.5A Active CN115878694B (zh) | 2023-01-31 | 2023-01-31 | 轨迹的挖掘方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115878694B (zh) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11455893B2 (en) * | 2020-03-12 | 2022-09-27 | The Boeing Company | Trajectory classification and response |
| CN112633389B (zh) * | 2020-12-28 | 2024-01-23 | 西北工业大学 | 一种基于mdl和速度方向的飓风运动轨迹趋势计算方法 |
| CN112906812A (zh) * | 2021-03-09 | 2021-06-04 | 西安电子科技大学 | 基于带离群点去除的车辆轨迹聚类方法 |
| CN113298195A (zh) * | 2021-07-27 | 2021-08-24 | 中国电子科技集团公司第十五研究所 | 海上目标经典轨迹的生成方法、装置及存储介质 |
-
2023
- 2023-01-31 CN CN202310048623.5A patent/CN115878694B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115878694A (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0785522B1 (en) | Method and system for detecting a pattern in an image | |
| CN112987064B (zh) | 建筑物定位方法、装置、设备、存储介质和终端设备 | |
| CN110969517B (zh) | 一种招投标生命周期关联方法、系统、存储介质及计算机设备 | |
| US9910878B2 (en) | Methods for processing within-distance queries | |
| CN107832440A (zh) | 一种数据挖掘方法、装置、服务器及计算机可读存储介质 | |
| JP2019197438A (ja) | グラフ更新装置、グラフ更新方法、及びプログラム | |
| CN114937306A (zh) | 一种基于人脸聚类的目标追踪方法及系统 | |
| CN113935140B (zh) | 风电场集电线路的路径规划方法、装置、电子设备及存储介质 | |
| CN115878694B (zh) | 轨迹的挖掘方法、装置及电子设备 | |
| CN111274455A (zh) | 图数据处理方法、装置、电子设备及计算机可读介质 | |
| CN116779046B (zh) | 基于静电匹配的分子反应路径构建方法及装置 | |
| CN113821630B (zh) | 一种数据聚类的方法和装置 | |
| CN106202456B (zh) | 发送图片的方法及装置 | |
| CN116563471A (zh) | 一种煤矿井下三维空间重建方法和装置 | |
| Zhang et al. | Toward Meta-shape based Multi-view 3D Point Cloud Registration: An Evaluation | |
| KR20240029850A (ko) | 3차원 공간 정보 생성 방법 및 장치 | |
| CN116527481A (zh) | 基于统计的网络告警关联规则挖掘及故障定位方法、系统 | |
| CN104778259A (zh) | 一种高效的数据分析处理方法 | |
| CN114186008A (zh) | 一种无人作业的料堆挖掘方法、装置、设备及存储介质 | |
| Hu et al. | An asymptotically optimal set approach for simulation optimization | |
| CN113468446A (zh) | 一种支持识别第三方二维码数据的方法、系统及设备 | |
| CN116304253B (zh) | 数据存储方法、数据检索方法和识别相似视频的方法 | |
| CN115376051B (zh) | 关键帧的管理方法及管理装置、slam方法、电子设备 | |
| CN114115825B (zh) | 一种兼容软件的前后端数据校验方法 | |
| CN112784518B (zh) | 输电线路设计专业内协同方法、装置、设备及存储介质 |
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 |