[发明专利]一种基于改进DPC算法的道路网络轨迹聚类分析方法

说明书

本发明公开了一种基于改进DPC算法的道路网络轨迹聚类分析方法，属于聚类分析方法领域，该方法包括：S1、有效的道路移动对象轨迹采集；S2、轨迹数据的表示；S3、采用聚合距离CD计算子轨迹间的距离，该距离融合了垂直距离、平行距离和角度距离，并以CD距离为基础得到轨迹间相似度度量；S4、根据融合CD距离矩阵，利用改进后的DPC算法进行子轨迹聚类；S5、对于获得的聚类结果，提取出聚类结果的经典轨迹，作为整个道路网络的一种新的行为模式。本发明提高了道路轨迹度量的精度，相比于传统的密度聚类算法减少了自定义参数的影响，并提高了和使用者之间的互动性，有助于发现道路网络中有意义的轨迹模式。

技术领域

本发明属于聚类分析领域，涉及一种基于改进DPC算法的道路网络轨迹聚类分析方法。

背景技术

基于密度峰值的聚类算法全称为基于快速搜索和发现密度峰值的聚类算法(英文名：clustering by fast search and find of density peaks，缩写为DPC)。它是2014年在Science上提出的聚类算法，该算法能够自动地发现簇中心，实现任意形状数据的高效聚类。

随着智能终端、移动定位、无线通信等技术的快速发展，在交通、物流等应用领域，大量受路网约束的轨迹数据得以收集。利用轨迹数据分析路径，可以反映移动对象的运动和行为模式。但是现有的道路轨迹聚类不能够很好的描述热点地区的问题，求出的经典轨迹往往不能代表全局。此外，传统的DPC算法受到人为干预的参数设置太多，不是一个封闭的系统和方法。

发明内容

本发明的目的在于：提供了一种基于改进DPC算法的道路网络轨迹聚类分析方法，解决了上述背景技术提到的问题。

本发明采用的技术方案如下：

1.一种基于改进DPC算法的道路网络轨迹聚类分析方法，其特征在于：包括依次进行的下列步骤：

S1：数据采集：利用车载和地基的道路轨迹记录设备采集移动对象的轨迹数据，或者收集不同移动对象的GPS数据，将轨迹数据或者GPS数据作为输入数据；

S2：轨迹移动方式表达：从步骤S1的输入数据中得到特征点连接的子轨迹序列；

S3：用聚合距离CD计算子轨迹间的距离，聚合距离是一类融合了轨迹间垂直距离、平行距离和角度距离的新轨迹度量方法，三类距离的聚合充分考虑了道路网络会出现的不同轨迹情况；

S4：根据步骤S3中得到的聚合距离矩阵，对子轨迹进行聚类，找出具有较高密度和较大距离的一类子轨迹段，作为聚类的输出结果；

S5：将步骤S4中选出的输出结果直接作为经典轨迹，将所有经典轨迹作为整个道路网络的一种新的行为模式；

所述步骤S3中聚合距离CD计算子轨迹间距离具有如下步骤：

S31：对于任意两条轨迹表达后形成的子轨迹段，计算子轨迹段之间的聚合距离CD，假定两条子轨迹分段ST_i＝b_ie_i和ST_j＝b_je_j，使用d_⊥(ST_i，ST_j)表示两条子轨迹的垂直距离，使用d_||(ST_i，ST_j)表示两条子轨迹的平行距离，使用d_θ(ST_i，ST_j)表示两条子轨迹的角度距离；

S32：将子轨迹ST_i和ST_j聚合距离CD(ST_i，ST_j)，即轨迹间相似度，表示为三个距离归一化后的加权平均；