不斷普及的位置傳感器、飛速發(fā)展的移動(dòng)互聯(lián)網(wǎng)以及日益完善的基于4G的通信設(shè)施,使得各行各業(yè)正在以越來(lái)越快的速度產(chǎn)生移動(dòng)對(duì)象軌跡數(shù)據(jù)。大規(guī)模軌跡數(shù)據(jù)除了對(duì)數(shù)據(jù)存儲(chǔ)與管理能力提出了更高的要求,更重要一個(gè)挑戰(zhàn)是應(yīng)用軌跡數(shù)據(jù)挖掘分析方法,快速?gòu)闹刑崛〕鲇行У男畔⒑鸵?guī)律。作為移動(dòng)對(duì)象時(shí)空軌跡數(shù)據(jù)挖掘中最常用的一種無(wú)監(jiān)督分類方法,聚類分析可以用來(lái)進(jìn)行軌跡信息的分析與處理。軌跡聚類分析指的是根據(jù)軌跡之間定義的某種相似度度量準(zhǔn)則計(jì)算軌跡之間的相似程度,從而將具有相似的結(jié)構(gòu)的軌跡劃分到同一個(gè)簇中。經(jīng)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(gè)聚類簇中的軌跡的總體運(yùn)動(dòng)模式,某種程度上能夠被認(rèn)為是軌跡聚類簇的一個(gè)模型。經(jīng)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(jīng)典軌跡。從軌跡聚類簇中生成經(jīng)典軌跡并進(jìn)行相關(guān)分析,能夠提取出軌跡聚類相關(guān)的大量有用信息,作為對(duì)軌跡進(jìn)行預(yù)測(cè)等進(jìn)一步分析的基礎(chǔ)。綜上,本文希望基于軌跡密度峰值聚類算法,設(shè)計(jì)一個(gè)同時(shí)適用于受限空間和非受限空間中的軌跡數(shù)據(jù)的經(jīng)典軌跡生成框架。該框架主要包括以下... 

【文章來(lái)源】：武漢大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)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(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 經(jīng)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(jīng)典軌跡生成
    1.3 論文內(nèi)容及組織結(jié)構(gòu)
第二章 經(jīng)典軌跡生成框架及相關(guān)理論
    2.1 經(jīng)典軌跡生成框架
        2.1.1 移動(dòng)對(duì)象軌跡數(shù)據(jù)集
        2.1.2 軌跡預(yù)處理
        2.1.3 基于密度峰值聚類的經(jīng)典軌跡生成框架
    2.2 軌跡相似度距離度量
        2.2.1 全點(diǎn)匹配方法
        2.2.2 部分點(diǎn)匹配方法
        2.2.3 單點(diǎn)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(wǎng)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(jié)
第三章 軌跡相似度計(jì)算
    3.1 SSPD軌跡相似度距離
    3.2 SSPD距離的改進(jìn)
    3.3 實(shí)驗(yàn)
    3.4 本章小結(jié)
第四章 移動(dòng)對(duì)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(shí)驗(yàn)
    4.4 本章小結(jié)
第五章 經(jīng)典軌跡提取
    5.1 聚類簇經(jīng)典軌跡生成方法
    5.2 聚類效果評(píng)價(jià)
    5.3 實(shí)驗(yàn)與測(cè)試
        5.3.1 數(shù)據(jù)準(zhǔn)備與實(shí)驗(yàn)環(huán)境
        5.3.2 實(shí)驗(yàn)評(píng)估
    5.4 本章小結(jié)
第六章 結(jié)論與展望
    6.1 研究總結(jié)
    6.2 創(chuàng)新點(diǎn)
    6.3 展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]時(shí)空軌跡相似性度量方法綜述[J]. 周星星,吉根林,張書(shū)亮.  地理信息世界. 2018(04)
[2]基于出租車軌跡數(shù)據(jù)的城市熱點(diǎn)出行區(qū)域挖掘[J]. 鄭林江,趙欣,蔣朝輝,鄧建國(guó),夏冬,劉衛(wèi)寧.  計(jì)算機(jī)應(yīng)用與軟件. 2018(01)
[3]一種基于簇中心點(diǎn)自動(dòng)選擇策略的密度峰值聚類算法[J]. 馬春來(lái),單洪,馬濤.  計(jì)算機(jī)科學(xué). 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(guó)科學(xué):信息科學(xué). 2016(02)
[5]智慧城市中的大數(shù)據(jù)[J]. 李德仁,姚遠(yuǎn),邵振峰.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2014(06)

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



本文編號(hào)：3151500