[发明专利]一种顾及多维语义的移动对象时空轨迹聚类方法

说明书

本发明公开了一种顾及多维语义的移动对象时空轨迹聚类方法，针对时空轨迹隐藏语义信息难以提取和表达的问题，在顾及时空轨迹数据时间、空间和语义特征的基础上，进行时空轨迹特征筛选、建立时空轨迹相似性度量模型，在此基础上实现基于语义的时空轨迹聚类，解决传统聚类方法只针对地理空间特征聚类的问题，将轨迹聚类与实际语义环境相结合，为深入挖掘轨迹数据高层次语义提供理论支撑。

技术领域

本发明属于数据聚类方法技术领域，具体涉及一种顾及多维语义的移动对象时空轨迹聚类方法。

背景技术

随着定位技术、无线通信技术、网络技术的蓬勃发展及相关研究的推进，为获取生产相关的时空数据创造出有利条件，移动对象的时空数据更时遍布于现实自然及城市时空环境，覆盖到各行各业研究和日常生活，如浮动车数据等。时空轨迹数据具有时间、空间和语义特性，其时空特性及隐含语义特性能反映群体行为模式，体现真实世界流动的本质，因此研究者们不满足于单纯可视化或定性化观察轨迹数据，追求进一步探讨从浩瀚的时空数据中提取具备现实意义和应用价值的信息，由此时空数据挖掘成为一个重要研究领域。

时空轨迹数据挖掘工作包括时空轨迹聚类、伴随模式挖掘、时空轨迹分类、时空轨迹预测等，其中，时空轨迹聚类按照一定条件将轨迹划分成多个簇，簇内相似性高，簇间相似性低。时空轨迹聚类分析可用于识别空间稠密或稀疏区域、检测异常。时空轨迹聚类的目的是将行为相似的时空对象聚合，行为相异的时空对象分隔开来，常见的划分依据是时空对象间相似性，基于选取的度量标准和实际任务目的，不同研究对轨迹相似性的考察角度和采取的度量方法或模型各异，得出的结论和聚类效果具有差异，由此可见，轨迹相似性度量结果会直接影响时空轨迹聚类效果。相似性度量要求轨迹表征结构一致，能够在同一量化空间比对，然而时空轨迹数据是偏态分布的高维稀疏数据，数据本质特征潜藏于高维冗余信息中，需要对轨迹进行特征降维筛选。

根据具体的聚类思路，如图1所示，时空轨迹数据聚类方法可分为：基于划分的聚类方法、基于层次的聚类方法、基于密度的聚类方法和基于网格的聚类方法。

目前，聚类方法研究已取得一定成果，现今的时空轨迹聚类相关理论研究仍面临诸多挑战。由于时空轨迹是偏态分布的高维稀疏数据，传统聚类方法注重于时空轨迹地理空间特征，忽略轨迹语义特征，时空层面特征与语义层面特征割裂开来，聚类结果无法反映时空轨迹间语义特性。

发明内容

针对现有技术中的上述不足，本发明提供的顾及多维语义的移动对象时空轨迹聚类方法解决了时空轨迹数据中隐藏的语义信息在聚类过程中难以提取和表达的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种顾及多维语义的移动对象时空轨迹聚类方法，包括以下步骤：

S1、获取移动对象时空轨迹，并构建时空轨迹数据集；

其中，移动对象为浮动车，其对应的时空轨迹数据为GPS轨迹数据；

S2、对移动对象时空轨迹依次进行高维语义特征筛选及降维；

S3、计算降维后的时空轨迹对应的顾及语义特征的时空轨迹相似性度；

S4、基于时空轨迹相似性度，进行基于谱聚类的时空轨迹语义聚类，获得时空轨迹数据集聚类结果，实现移动对象时空轨迹聚类。

进一步地，所述步骤S2中的高维语义特征包括POI特征、速度特征和方向特征；

其中，所述POI特征为空间范围内地理事物空间位置和功能类型的语义表达，从语义层面对移动对象所处空间位置进行描述；

所述速度特征为描述移动对象运动变化的特征，包括速率和方向，其中，速率代表移动对象运动快慢，方向代表移动对象瞬时前进朝向；

所述方向特征为描述移动对象运动趋势的物理量，包括局部轨迹点的趋势以及由连续采样点构成的轨迹曲线整体的移动方向，用于决定时空轨迹外部的曲折和波动程度。