基于轨迹间时空关联性的数据聚类算法

针对现有轨迹聚类算法中对轨迹之间的时空关联性考虑不足以及全局唯一距离阈值带来的算法的时空复杂度高以及聚类精度低的问题,提出了一种基于轨迹间时空关联性的数据聚类算法(The Data Clustering Algorithm Based on Spatio-temporal Correlation between Tra...     

基于时空相似系数的环形交叉口车辆轨迹聚类

为了分析交叉口车辆运行轨迹的规律性, 提高环形交叉口交织段的通行能力, 提出基于时空相似系数的环形交叉口车辆轨迹聚类方法。 针对规定区域车辆轨迹, 分析车辆轨迹时空信息并计算得到时空相似系数, 同时采用谱聚类进行聚类, 将交叉口区域内一段时间内的轨迹聚类情况进行可视化展示。 经过实例验证, 所提出的方法能够有效地约简数据, 并可提取出轨迹信息中的潜在规律, 为进一步的决策工作提供一定的参考价值。     

基于递归聚类索引树的剪枝相似检索算法

文章提出了一种新的适用于高维特征矢量相似检索动态聚类索引树结构。针对由于类区域相互重叠而导致相似检索费用增加的问题 ,提出了基于该索引树的“剪枝”相似检索算法 ,应用该算法进行相似检索 ,其检索效益比耗尽搜索法和基于 SS树的相似检索法都要高。     

基于出租车轨迹的并行城市热点区域发现

提出一种基于MapReduce的从出租车轨迹中提取交通热点区域的分布式并行算法,首先对原始轨迹数据进行停靠点的提取来消除噪声并剔除行驶中间点,然后通过对按时间段分块的停靠点并行运行基于密度的带有噪声的空间聚类(DBSCAN),实现对分块的数据聚类来发现不同时间段的热点区域.经过在实际数据集上的试验表明:与传统方法相比,该方法在准确性和大数据量下的整体效率具有优势.     

基于用户移动行为相似性聚类的Markov位置预测

由于采集点丢失或出现新用户等原因,GPS轨迹数据往往具有稀疏性,使得基于单个用户数据的位置预测准确率较低.针对这种情况,提出了基于移动行为相似性和用户聚类的Markov位置预测方法.首先,基于Voronoi图和原始GPS轨迹进行区域划分,位置预测基于区域轨迹进行;其次,提出了同时考虑用户转移特性和用户区域特性的移动行为相似性计算方法;再次,根据移动行为相似性对用户进行聚类,并在聚类的用户组上采用一阶Markov模型进行位置预测,提高了位置预测的准确性.真实GPS轨迹数据上的实验表明了所提出方法的有效性.     

基于有趣地点压缩的时空轨迹聚类

研究移动物体时空轨迹局部关键地点时空相似的聚类问题.根据移动物体的运动状态提取轨迹中的有趣地点,利用最小包围盒技术对这些有趣地点进行描述,得到基于有趣地点压缩的轨迹表示形式;然后给出一个时空属性相结合的相似性度量公式,对压缩表示的轨迹进行相似性度量;基于这个相似性度量公式对轨迹进行聚类,聚类方法采用层次聚类法.实验结果表明,本文提出的方法能有效地对移动物体时空轨迹进行聚类,由于采用了增量式的轨迹压缩方法,不仅提高了聚类的速度,而且还实现了增量式的轨迹聚类.     

一种P2P网络的信息优化检索算法的仿真分析

为了解决P2P网络系统信息检索效率低、不能有效解决跨文本搜索,提出节点兴趣域聚类和信息量声誉激励的P2P网络检索机制。在该机制中,首先对网络系统中节点持有的数据信息量进行基于相似度和兴趣度阈值的兴趣域聚类;然后依据节点数据信息的声誉激励策略对兴趣相邻节点进行兴趣树构造,同时对用户输入的搜索关键字进行语义分析和个性化的辅助语义选择。将与查询信息向量最接近的节点持有信息量返回给用户,并对该数据信息量进行声誉激励评价和更新。实验仿真证明,该算法基于兴趣树的动态构造,能够避免结构化P2P网络系统对中心节点的过度依赖;同时检索的向量是基于用户个性化辅助语义生成的,能够有效地提高查询率和查准率。     

基于C-均值聚类的二层次人像聚类算法

提出一种基于C-均值聚类的二层次人像聚类算法,解决了传统硬聚类中由于每个数据只能属于某一类而使得处于类边界的数据在检索时结果准确度不高, 以及对高维大数据量数据分类时存在的模糊聚类时间和空间复杂性过大等问题. 该算法为大规模人像数据库检索提供了一种可行的分类方法, 使得分类后的人像数据在有效提高检索速度的同时保证了检索的准确度.     

基于混合聚类算法的动态R-树

针对动态R-树是通过动态插入算法建立起来的, 其节点分裂算法的性能直接影响到R-树的性能和查询效率的问题, 为了使动态R-树适应多维复杂空间数据的要求, 提出一种用于实现R-树节点分裂的混合聚类算法（HCR）, 它建立在普通聚类算法的基础上, 并进行了一系列扩充. 针对空间对象的均匀分布与不均匀分布, HCR算法在实现R-树节点分裂时分别采用不同的聚类准则以提高其聚类效果和查询效率. 此外, 还将HCR算法与其他算法进行对比实验, 结果表明该算法具有较高的查询效率.     

一种双时态时空模型和索引机制

建立了一种支持三维空间和双时态的时空模型，给出了模型的形式化定义，讨论了时空数据类型，并在此模型上提出了一个基于R树的统一时空索引（UST-TREE）机制，定义了节点结构，并分析、描述此索引的结构及原理，所提出的索引机制可大大提高数据的检索效率，减少了冗余信息。     

基于最小覆盖圆时空聚类算法的出行轨迹停驻点识别

本文面向出行GPS轨迹中停驻点的识别问题,提出一种基于最小覆盖圆的时空聚类方法。使用停驻范围阈值对轨迹点进行聚类,使用停驻时间阈值对聚类类簇进行初步过滤,使用类簇近邻距离与类簇近邻时间两个阈值对预过滤类簇进行合并,继而使用停驻时间阈值进行最终过滤得到停驻时段与停驻点。该算法改进了已有时空聚类算法中初始类簇的确定方法,提高了计算效率。由于现有的查全率与查准率无法准确衡量停驻点识别结果的精度,基于停驻时段精确度对查全率与查准率计算计算方法进行修改。使用包含9 923个轨迹点的轨迹进行算法有效性检验,轨迹中包含的三个停驻时段均得到有效识别,查准率与查全率均为0.82,实验结果表明,该算法在轨迹重合度高以及轨迹漂移等情形下具有较高的准确性。     

海量冗余数据干扰下数据库中数据优化检索方法

针对传统方法对数据库中的数据进行检索的过程中,在海量冗余数据干扰时存在无法区分检索数据类别,降低数据检索的效率和精度的问题,提出一种基于特征模糊接近的海量冗余数据干扰下数据库中数据优化检索方法.利用数据模糊集间的接近度表述海量冗余数据干扰下数据库中数据的一致度,结合数据融合技术,对类间数据实现分类处理.利用模糊集算法准确查询分类数据,对分类数据实现二次聚类计算,细分其类边缘,通过加载辨别函数实现数据定位,完成数据检索.实验结果表明:该方法进行数据检索时具有较高的检索效率和精度,且抗干扰能力较强.     

基于轨迹聚类的路网构造

随着定位设备的普及以及大规模移动轨迹数据的快速涌现,使得基于移动轨迹的数据挖掘和知识发现研究变得越来越热,其中一个有价值的研究方向是从GPS轨迹中抽取路网结构.然而如何有效地从轨迹数据中探测交叉口并进而构造路网却是一个难以解决的问题,针对此问题提出了一个基于轨迹点聚类的交叉口探测算法,以及在此基础上的路网快速构造方法.实验结果表明,算法能够有效地确定交叉口的位置及数量,且利用探测到的交叉口能够实现路网结构的快速构造.     

城市企事业人群出行链提取及出行特征分析

居民出行特征分析是研究交通需求和探寻交通拥堵症结的基础手段.为研究居民出行特征,基于企事业单位人群出行特征调研数据,改进经典DBSCAN聚类算法,识别出居民出行停留点,进而结合关联规则提取出居民出行轨迹数据;根据出行轨迹数据的时空特征,分别从时空角度和功能区划分角度,挖掘出企事业人群出行时空分布规律,以及不同功能区企事...     

基于最小生成树的多层次k-Means聚类算法及其在数据挖掘中的应用

针对传统聚类算法存在挖掘效率慢、 准确率低等问题, 提出一种基于最小生成树的多层次k-means聚类算法, 并应用于数据挖掘中. 先分析聚类样本的数据类型, 根据分析结果设计聚类准则函数; 再通过最小生成树对样本数据进行划分, 并选取初始聚类中心, 将样本的数据空间划分为矩形单元, 在矩形单元中对样本对象数据进行计算、 降序和选取, 得到有效的初始聚类中心, 减少数据挖掘时间. 实验结果表明, 与传统算法相比, 该算法可快速、 准确地挖掘数据, 且挖掘效率提升约50%.     

终端区飞行轨迹聚类分析及异常轨迹识别

为有效掌握空中交通流的分布规律,提高飞行轨迹聚类效率与质量,提出了一种精确度高、运算快、自主识别异常轨迹的飞行轨迹聚类方法.首先,改进均匀参数化法降低了飞行轨迹数据规模.其次,提出一种基于核主成分分析(kernel prin-cipal component analysis,KPCA)和飞行轨迹降维方法,突出不同类点之...     

基于Spark的三支聚类集成方法

针对大规模不确定性数据聚类,提出一种新的基于Spark的三支聚类集成方法.该方法包括3个步骤:首先,将现有的聚类算法进行基于Spark的分布式处理;然后,以第1个聚类成员的聚类结果作为参照划分,对剩余聚类成员中的类簇做标签对齐;最后,利用投票法以及三支决策规则对标签对齐后的聚类成员进行集成,得到最终的三支聚类结果.实验结果显示,本方法能够有效处理大规模不确定性数据,相比传统基于Spark的聚类算法效率更高.     

能量有效的传感器网络不规则区域时空查询处理算法

为了减少不规则区域时空查询处理的能量消耗和提高查询结果准确性,该文提出了一种基于树的不规则区域时空数据收集查询算法,该算法将查询区域内的节点组织成一颗树,树中的节点依次将其感知数据发送至其父节点直至汇聚到树的根节点.针对不规则区域时空聚集查询,提出了一种基于路线的算法,该算法沿一条路线收集查询区域内节点的感知数据并对其进行聚集以生成最终的查询结果.这两种算法均通过将复杂的不规则查询区域划分为简单的凸多边形,降低了判断节点是否在查询区域内的计算复杂度,且保证仅查询区域内的节点发送感知数据,减少了能量消耗.仿真实验结果表明,该文提出的算法优于现有的针对规则区域的时空查询处理算法.     

一种基于轨迹数据密度分区的分布式并行聚类方法

全球定位技术与基于位置服务的发展促进了轨迹大数据的发展.轨迹聚类作为最重要的轨迹分析任务之一,得到了广泛的研究.目前,大多数聚类方法是在单处理机模式下运行,对于大规模的轨迹数据其处理时间较长,难以满足时效性强的轨迹分析任务,为此提出一种基于轨迹数据密度分区的分布式并行聚类方法.首先将整个轨迹数据集抽象在一个矩形区域内,通过该矩形最长维度的变换将数据合理地划分为若干任务量相当的分区,构建可供分布式并行聚类的局部数据集,然后各工作服务器对局部分区分别执行DBSCAN聚类算法,管理服务器对局部聚类结果进行合并与整合.实验结果验证了本方法的有效性,在一定程度上提高了聚类分析的运算效率.     

基于排序树索引的轨迹压缩方法

原始采集的GPS轨迹数据通常非常庞大,导致对其的传输、存储和处理变得越来越困难,需要对原始GPS轨迹数据进行压缩.现有的基于方向的轨迹压缩方法存在可容忍误差难以确定、计算代价大、压缩效果较差等问题.针对这些问题,提出了基于排序树索引的轨迹压缩方法,借助于排序树索引,在轨迹压缩的过程中进行有效的剪枝,提高了轨迹压缩的效率.同时,对压缩轨迹中轨迹点的去留起决定作用的指标——线段误差进行了重新定义,提高了轨迹压缩的效果.大量真实数据集上的实验验证了所提的轨迹压缩方法的有效性和高效性.