基于停留区域的轨迹相似性度量及轨迹聚类的研究.pdfVIP

摘要

智能设备的普及，为大量收集移动对象轨迹数据提供了便利，且随着定位技

术的发展，采集的轨迹数据质量也大大提高。轨迹数据中蕴含着丰富的信息，移

动对象的停留地点更是能侧面反映移动对象的行为特征。因此，本文基于停留区

域去考虑轨迹间的相似度并进行轨迹聚类。

首先，在提取移动对象停留区域方面，参考现有算法设计了一种速度筛选加

基于时间长度与距离聚类的停留区域提取方法，在实验数据上得到了较好的结

果，算法提取停留区域的精确率和召回率均达到了百分之百。本文提取停留区域

算法与ST-DBSCAN算法做对比，ST-DBSCAN算法无法识别有信号遮挡以及有

信号消失的室内和地下场所，本文算法对于这些情况下的停留行为均能正常识

别与提取。

其次，结合豪斯多夫距离的思想，设计了一种基于停留区域的轨迹间距离度

量方法，该方法基于停留区域去度量轨迹间的距离。对于提取停留区域后的A、

B两条轨迹，分别计算轨迹A到轨迹B的平均到达距离以及轨迹B到轨迹A的

平均到达距离，再将两个距离值求平均得到轨迹A与轨迹B之间的距离。轨迹

A到轨迹B的平均到达距离由A中元素到B的距离求和取平均得到，A中某个

元素到B的距离根据最近匹配原则计算，即此元素到B中所有元素的最小距离

为此元素到B的距离。轨迹B到轨迹A的平均到达距离同理。

最后，在轨迹聚类方面，基于停留区域进行了考虑轨迹局部相似性的聚类以

及考虑轨迹整体相似性的聚类。在考虑轨迹局部相似性的聚类分析中，得到了被

访问次数较多的热门区域，且能够知晓特定区域的访问对象以及相应对象的访

问次数，根据这些聚类结果可以为用户制定一些个性化的推荐等。在考虑轨迹整

体相似性聚类的实验分析中，分别使用本文距离、基于原数据的豪斯多夫距离、

基于停留区域的豪斯多夫距离这三种距离计算方式，利用三种不同类型的聚类

算法（DBSCAN聚类算法、AP聚类算法、K-Medoids聚类算法）进行聚类分析。

实验的结果表明，使用本文距离的三种聚类算法在实验数据集上均表现较好，且

在DBSCAN算法与AP算法上的调整兰德系数值达到了1，得到了与人工设定

聚类簇一致的结果。在K-Medoids算法上使用本文距离与使用基于停留区域的

豪斯多夫距离有相同的表现，且二者聚类结果的调整兰德系数值均大于使用基

于原数据的豪斯多夫距离。使用基于停留区域的豪斯多夫距离与基于原数据的

豪斯多夫距离进行AP聚类时得到了一样的结果，但是基于停留区域的豪斯多夫

距离在DBSCAN算法和K-Medoids算法上的表现比基于原数据的豪斯多夫距离

有所提升。说明基于停留区域定义轨迹间的相似度是一个值得探讨的方向，也为

轨迹聚类提供了新思路。

关键词移动对象轨迹；停留区域；相似性度量方法；轨迹聚类

Researchonthemeasurementoftrack

similarityandtrackclusteringbasedondwell

area

ZhangJiekang

AppliedStatistics

DirectedbyWuXia

Abstract

Theproliferationofintelligentdeviceshasfacilitatedtheextensivecollectionof

mobileobjecttrajectorydata,andwiththeadvancementsinpositioningtechnology,

thequalityofcollectedtrajectorydatahassignificantlyimproved.Trajectorydata

containawealthofinformation,andthedwellpointsofmovingobjectscanreflecttheir

behav