一种多时空特征融合下的兴趣点轨迹聚类方法
【技术领域】
[0001] 本发明属于轨迹聚类算法领域，尤其涉及一种多时空特征融合下的兴趣点轨迹聚 类方法。
【背景技术】
[0002] 随着卫星、互联网和跟踪设备的发展，大量移动物体的轨迹数据被捕获，如车辆移 动、动物移动、台风走向、人员移动等。这些大量积累的轨迹数据记录了移动对象的位置和 时间的记录序列，蕴藏了丰富的时空知识，具有巨大的应用价值。通过分析轨迹数据，有助 于对人类行为模式、交通物流、应急疏散管理、动物习性、市场营销、计算几何以及模拟仿真 等各个领域进行研究。通过对各种时空轨迹数据进行聚类分析，可以提取时空轨迹数据中 的相似性与异常特征，并有助于发现其中有意义的时空模式。
[0003] 近年来，基于轨迹的行为分析方法引起了国内外学者的广泛关注。但是这些方法 大多没有结合速度、方向等多种移动特征信息进行聚类。此外，已有方法将轨迹拆分为轨迹 段，对轨迹段进行聚类，聚类结果无法从全局角度反映轨迹的时空特征和运动趋势。
【发明内容】
[0004] 本发明实施例的目的在于提供一种多时空特征融合下的兴趣点轨迹聚类方法，旨 在解决目前轨迹聚类算法没有综合考虑轨迹的全局时空相似性和局部时空相似性，导致城 市活动轨迹聚类难以体现社会活动相似性的问题。
[0005] 本发明是这样实现的，一种多时空特征融合下的兴趣点轨迹聚类方法包括：
[0006] 步骤一、根据轨迹连续坐标点间的时间和空间跨度获取用户停留的兴趣点，通过 兴趣点将轨迹分割为多条轨迹段；
[0007] 步骤二、通过计算轨迹段在空间、时间、速度和方向上的差异来综合判断两条轨迹 间的相似度；
[0008] 步骤三、基于OPTICS方法对轨迹进行密度聚类，并剪裁掉轨迹数量稀疏的聚类 簇。
[0009] 进一步，计算轨迹段时空相似度的具体方法为：
[0010] 步骤一、基于空间四叉树索引，以轨迹S中各轨迹段为查询对象，快速获取轨迹R 中与S各轨迹段空间距离最接近的相应的轨迹段，如果两轨迹段间的空间距离小于阈值， 则它们构成轨迹段对SP ;
[0011] 步骤二、在同一 SP内的轨迹段进行后续相似性计算，轨迹段之间的相似性计算包 括4方面：空间相似性spatialSM、时间相似性tempoSM、方向相似性Orients頂和速度相 似性 velocitySIM。
[0012] 进一步，所述的计算轨迹段时空相似度的中，spatialSIM为两轨迹段U、V始末兴 趣点中心位置的差异值为：
[0013] Adujv= I P u, S-Pv, s I + I Pu, e-pv, e
[0014] 时间相似性tempoSM包括两轨迹段始末坐标点的时间差异及轨迹段间隔时间差 异为：
【主权项】
1. 一种多时空特征融合下的兴趣点轨迹聚类方法，其特征在于，该多时空特征融合下 的兴趣点轨迹聚类方法利用轨迹的运动信息和兴趣点停留信息，更加准确表达具有社会行 为相似性的轨迹集合； 具体包括以下步骤： 步骤一、根据轨迹连续坐标点间的时间和空间跨度获取用户停留的兴趣点，通过兴趣 点将轨迹分割为多条轨迹段； 步骤二、通过计算轨迹段在空间、时间、速度和方向上的差异来综合判断两条轨迹间的 相似度； 步骤三、基于OPTICS方法对轨迹进行密度聚类，并剪裁掉轨迹数量稀疏的聚类簇。
2. 如权利要求1所述的多时空特征融合下的兴趣点轨迹聚类方法，其特征在于，充分 利用轨迹的运动信息和兴趣点停留信息，表达具有社会行为相似性的轨迹集合，计算轨迹 段时空相似度的具体方法为： 步骤一、基于空间四叉树索引，以轨迹S中各轨迹段为查询对象，获取轨迹R中与S各 轨迹段空间距离最接近的相应的轨迹段，两轨迹段间的空间距离小于阈值，则构成轨迹段 对SP ; 步骤二、在同一 SP内的轨迹段进行后续相似性计算，轨迹段之间的相似性计算包括4 方面：空间相以性spatialSM、时间相以性tempoSM、方向相以性OrientSM和速度相似性 VelocitySIM0
3. 如权利要求2所述的多时空特征融合下的兴趣点轨迹聚类方法，其特征在于，充分 利用轨迹的运动信息和兴趣点停留信息，表达具有社会行为相似性的轨迹集合，计算轨迹 段时空相似度的中，spatialSIM为两轨迹段U、V始末兴趣点中心位置的差异值为： Adu,v= I P U, S-Pv, s I + I Pu, e_Pv, e 时间相似性tempoSIM包括两轨迹段始末坐标点的时间差异及轨迹段间隔时间差异 为： Atu,v= |tUjS-tVjS| + |tUje-tVje| + | Atu-Atv ? +1 Δ tpu, s- Δ tpVj s I +1 Δ tpUj e- Δ tpVj e 方向相似性OrientS頂为： Δ eu,v= I Θ u-ev| ； 速度相似性velocitySM为： ^κ,υ = \κ-κ\ ; 采用LCSS的倒数获得轨迹段间各采样点的相似性（Λ Lu, ν); 轨迹U和V间的时空距离公式为：
4. 如权利要求1所述的多时空特征融合下的兴趣点轨迹聚类方法，其特征在于，利用 轨迹U和V间的时空距离公式，基于OPTICS算法对轨迹聚类，让最终轨迹聚类结果能反映 出具有重要全局意义的主干路径分布，具体方法为：聚类簇C中包含的轨迹数目为簇基数 ηΛ，给定阈值τ，定义簇基数nb高于τ聚类簇称为显著簇，其余的聚类结果为非显著簇，最 终被裁剪掉。
【专利摘要】本发明公开了一种多时空特征融合下的兴趣点轨迹聚类方法，首先根据轨迹连续坐标点间的时间和空间跨度获取用户停留的兴趣点，通过兴趣点将轨迹分割为多条轨迹段；然后通过计算轨迹段在空间、时间、速度和方向上的差异来综合判断两条轨迹间的相似度；最后基于OPTICS方法对轨迹进行密度聚类，并剪裁掉轨迹数量稀疏的聚类簇。本发明将轨迹转换为兴趣点序列，综合考虑连续兴趣点间形成的轨迹段的速度、方向和时空特性，进行轨迹聚类，挑选出显著簇以获取能反映全局重要性的轨迹聚类形态。实验结果表明，该方法在聚类中保留了轨迹原有的时空和移动属性特性，能更全面地反映移动对象的运动和行为模式，聚类准确性高。
【IPC分类】G06F17-30
【公开号】CN104657424
【申请号】CN201510028409
【发明人】段炼, 胡宝清, 李峙, 闫妍
【申请人】段炼, 胡宝清
【公开日】2015年5月27日
【申请日】2015年1月21日