不斷普及的位置傳感器、飛速發(fā)展的移動互聯(lián)網以及日益完善的基于4G的通信設施,使得各行各業(yè)正在以越來越快的速度產生移動對象軌跡數(shù)據。大規(guī)模軌跡數(shù)據除了對數(shù)據存儲與管理能力提出了更高的要求,更重要一個挑戰(zhàn)是應用軌跡數(shù)據挖掘分析方法,快速從中提取出有效的信息和規(guī)律。作為移動對象時空軌跡數(shù)據挖掘中最常用的一種無監(jiān)督分類方法,聚類分析可以用來進行軌跡信息的分析與處理。軌跡聚類分析指的是根據軌跡之間定義的某種相似度度量準則計算軌跡之間的相似程度,從而將具有相似的結構的軌跡劃分到同一個簇中。經典軌跡（Classic Trajectory）是從軌跡聚類簇中提取的一條有代表性的軌跡,它描述了一個聚類簇中的軌跡的總體運動模式,某種程度上能夠被認為是軌跡聚類簇的一個模型。經典軌跡生成是指從軌跡聚類簇中選擇一條已有軌跡或者生成一條新的合成軌跡作為代表聚類簇的經典軌跡。從軌跡聚類簇中生成經典軌跡并進行相關分析,能夠提取出軌跡聚類相關的大量有用信息,作為對軌跡進行預測等進一步分析的基礎。綜上,本文希望基于軌跡密度峰值聚類算法,設計一個同時適用于受限空間和非受限空間中的軌跡數(shù)據的經典軌跡生成框架。該框架主要包括以下... 

【文章來源】：武漢大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 經典軌跡生成框架
        1.2.2 軌跡相似度距離
        1.2.3 軌跡聚類方法
        1.2.4 經典軌跡生成
    1.3 論文內容及組織結構
第二章 經典軌跡生成框架及相關理論
    2.1 經典軌跡生成框架
        2.1.1 移動對象軌跡數(shù)據集
        2.1.2 軌跡預處理
        2.1.3 基于密度峰值聚類的經典軌跡生成框架
    2.2 軌跡相似度距離度量
        2.2.1 全點匹配方法
        2.2.2 部分點匹配方法
        2.2.3 單點匹配方法
        2.2.4 軌跡段匹配方法
    2.3 軌跡聚類
        2.3.1 基于劃分的軌跡聚類算法
        2.3.2 基于層次的軌跡聚類算法
        2.3.3 基于密度的軌跡聚類算法
        2.3.4 基于網格的軌跡聚類算法
        2.3.5 基于模型的軌跡聚類算法
    2.4 本章小結
第三章 軌跡相似度計算
    3.1 SSPD軌跡相似度距離
    3.2 SSPD距離的改進
    3.3 實驗
    3.4 本章小結
第四章 移動對象軌跡密度峰值聚類
    4.1 密度峰值聚類算法
    4.2 密度峰值聚類優(yōu)化
    4.3 實驗
    4.4 本章小結
第五章 經典軌跡提取
    5.1 聚類簇經典軌跡生成方法
    5.2 聚類效果評價
    5.3 實驗與測試
        5.3.1 數(shù)據準備與實驗環(huán)境
        5.3.2 實驗評估
    5.4 本章小結
第六章 結論與展望
    6.1 研究總結
    6.2 創(chuàng)新點
    6.3 展望
參考文獻
致謝


【參考文獻】：
期刊論文
[1]時空軌跡相似性度量方法綜述[J]. 周星星,吉根林,張書亮.  地理信息世界. 2018(04)
[2]基于出租車軌跡數(shù)據的城市熱點出行區(qū)域挖掘[J]. 鄭林江,趙欣,蔣朝輝,鄧建國,夏冬,劉衛(wèi)寧.  計算機應用與軟件. 2018(01)
[3]一種基于簇中心點自動選擇策略的密度峰值聚類算法[J]. 馬春來,單洪,馬濤.  計算機科學. 2016(07)
[4]K近鄰優(yōu)化的密度峰值快速搜索聚類算法[J]. 謝娟英,高紅超,謝維信.  中國科學:信息科學. 2016(02)
[5]智慧城市中的大數(shù)據[J]. 李德仁,姚遠,邵振峰.  武漢大學學報(信息科學版). 2014(06)

碩士論文
[1]移動對象軌跡聚類算法研究[D]. 遲相松.南京航空航天大學 2016
[2]移動對象軌道聚類算法的研究[D]. 王明濤.南京航空航天大學 2010



本文編號：3151500