基于時(shí)空軌跡的交通數(shù)據(jù)分析與應(yīng)用.pdf

1、隨著定位技術(shù)精度的提高和各種車(chē)載傳感器的廣泛使用，越來(lái)越多的車(chē)輛軌跡數(shù)據(jù)被記錄下來(lái)。這些海量的軌跡數(shù)據(jù)中蘊(yùn)含著大量的有價(jià)值信息，因此，如何從這些海量數(shù)據(jù)中挖掘出符合一定場(chǎng)景的有價(jià)值信息是很有必要的。而車(chē)輛軌跡數(shù)據(jù)不同于一般的軌跡數(shù)據(jù)，它被限定在受約束的路網(wǎng)中，因此，常用的軌跡數(shù)據(jù)挖掘方法往往難以直接應(yīng)用在車(chē)輛軌跡挖掘中。基于此，本文提出了軌跡時(shí)空相似性度量算法GTTSD和基于K-均值優(yōu)化DBSCAN聚類(lèi)算法，并設(shè)計(jì)實(shí)現(xiàn)了車(chē)輛軌跡數(shù)據(jù)綜合

2、挖掘系統(tǒng)，具體工作如下：
　　(1)軌跡時(shí)空距離度量算法GTTSD。該算法在進(jìn)行軌跡時(shí)空相似性度量時(shí)，首先通過(guò)動(dòng)態(tài)網(wǎng)格劃分法將傳統(tǒng)基于歐式空間的路徑表示轉(zhuǎn)換為空間網(wǎng)格表示，隨后根據(jù)軌跡序列上的斷點(diǎn)進(jìn)行軌跡分割，最后將分割后的子軌跡進(jìn)行時(shí)空相似度計(jì)算。此算法既可以降低軌跡數(shù)據(jù)的存儲(chǔ)開(kāi)銷(xiāo)又避免了相同軌跡數(shù)據(jù)在歐式空間中因采樣時(shí)間不一致而造成的軌跡相似性度量出現(xiàn)偏差。通過(guò)實(shí)驗(yàn)證明了該度量方法相比DTW、LCSS、G_LCSS具有更高的執(zhí)

3、行效率和更為準(zhǔn)確的度量結(jié)果。
　　(2)基于K-均值優(yōu)化的DBSCAN算法。針對(duì)傳統(tǒng)DBSCAN聚類(lèi)算法結(jié)果受人為設(shè)定參數(shù)值影響較大的弊端，本文提出了基于K-均值優(yōu)化的DBSCAN算法。該算法首先通過(guò)K-均值聚類(lèi)算法對(duì)數(shù)據(jù)對(duì)象進(jìn)行快速聚類(lèi)，并將聚類(lèi)結(jié)果進(jìn)行統(tǒng)計(jì)分析得出DBSCAN算法中初始鄰域半徑和鄰域密度閾值的取值，基于此，對(duì)數(shù)據(jù)對(duì)象進(jìn)行DBSCAN聚類(lèi)并在聚類(lèi)過(guò)程中動(dòng)態(tài)調(diào)整鄰域半徑的取值。通過(guò)實(shí)驗(yàn)證明了該算法對(duì)軌跡數(shù)據(jù)具有較好