近年来,随着无线定位技术的飞速发展以及机动车量的不断增多,移动对象轨迹的获取变得越来越便捷且呈爆炸式增长,这些数据蕴含着对象的时空动态性及其行为特征,因此,如何有效处理这些海量轨迹数据并从中获取知识日益成为当前研究热点。尤其在交通领域中,大规模的车辆轨迹数据不仅展现了对象随时间变化的移动信息,更重要的是可通过其聚集的路段或区域挖掘交通热点区域,发现城市交通出行规律,从而更好地为交通管理者提供辅助决策信息。然而轨迹的时空序列特性使得交通热点区域也随时间动态变化,传统聚类方法仅局限于轨迹的空间属性,并不能探测热点区域随时间的变化分布情况,导致无法更准确地挖掘移动对象的出行规律。因此,针对以上问题,本文提出一种移动环境下基于时空轨迹的路网热点区域挖掘系统,主要研究内容如下:(1)创建完整的轨迹数据预处理模型。主要包括噪声过滤、停留点检测以及轨迹压缩与分段。首先基于密度聚类算法快速过滤噪声点;然后针对轨迹时空特性,改进传统DBSCAN聚类算法提取停留点,消减无用数据;最后利用检测曲线凹凸分界点的方法提取轨迹特征点,作为轨迹压缩与分段标准,减小数据存储压力并提升数据分析能力,为后续轨迹聚类模型提供有效数据输入;(2)提出基于密度峰值的移动对象时空轨迹聚类算法ST-CFSFDP。针对车辆轨迹间距离计算的复杂性和不确定性,本文重新定义了融合时空属性的轨迹相似性度量方法,并借鉴了CFSFDP(clustering by Fast Search and Find of Density Peaks)聚类算法的新思路,提出了一种结合时空相似性度量的时空轨迹聚类算法ST-CFSFDP,该算法通过优化领域搜索半径改进了聚类中心选取策略,保证聚类准确性的情况下减少了人工参与导致的不确定性,最后实验表明,ST-CFSFDP相比传统空间聚类算法具有更合理的聚类效果;(3)设计并实现基于车辆时空轨迹的路网热点区域挖掘系统。该系统以提出的算法模型为核心,针对北京出租车GPS轨迹数据,以数据预处理、轨迹聚类及热点区域提取为功能模块,挖掘热点区域时空分布情况,从而反映城市交通出行规律,将对相关城市规划及交通管理措施的制定提供重要参考信息。
暂无评论