一种室内导航网络众包构建方法

室内导航网络是室内位置服务的基础,传统人工测绘或基于CAD半自动提取等方法时效性较差。室内移动对象众包轨迹数据的出现为室内导航网络构建提供了一种新的解决方案。提出一种室内导航网络众包构建方法。首先提取出用于构建室内导航网络的廊道区域轨迹点;其次通过轨迹点生长融合聚类算法将廊道轨迹点转化为聚类点;最后通过聚类点连接生成室内导航网络。以某商城一楼2 d的移动对象轨迹数据进行了实验。结果表明,本文方法提取的室内导航网络准确度较高,能够为室内空间结构快速变化检测和更新提供支持。     

DBSCAN与Kmeans相结合的手机大数据聚类方法研究

时空大数据是目前研究的热点。如何从海量手机信令数据中获取有价值的信息是研究手机信令数据的难点。本文在基于距离的点聚合方法的基础上,提出了将基于密度聚类算法DBSCAN与基于距离聚类算法kmeans相结合的点聚合算法。采用DBSCAN与kmeans相结合的点聚合算法实现手机信令数据的可视化,不仅能避免手机信令数据在可视化时点数据的堆叠和覆盖问题,而且使得其聚合后获取数据的空间分布结构更准确。     

采用密度聚类算法的兴趣点数据可视化方法

针对目前对兴趣点数据的主要可视化方法均无法从宏观角度清晰地描述其分布规律及特征的问题,提出了基于密度聚类算法DBSCAN的兴趣点可视化方法。采用DBSCAN算法对兴趣点数据进行聚类及可视化,既有效地解决大数据量时兴趣点数据重叠遮盖的问题,又在宏观角度上发现其分布规律且在细节层次上保持数据的位置精确度。在学区房选址的应用中,将常用的兴趣点可视化方法与聚类可视化相结合,可以较为直观地选取合适的学区房。     

出租车载客热点精细提取的改进DBSCAN算法

随着城市化水平的提高和居民公共交通出行的需求增长,要求有更精细化的聚类方法提取出租车载客的热点区域。针对基于密度聚类在出租车数据聚类中存在的问题,设计一种基于路网约束的改进DBSCAN算法。该算法通过将行程距离引入DBSCAN算法中,改进原有DBSCAN算法在出租车数据聚类中存在的精细尺度聚类参数选择和设置困难问题,弥补现有聚类算法在出租车载客热点区域提取方面的不足。利用武汉市出租车GPS轨迹数据进行的实验结果表明,在加入道路约束后,算法在出租车载客热点区域的精确提取方面具有较好的效果。     

一种顾及时间特征的船舶轨迹DBSCAN聚类算法

随着世界海洋经济的快速增长和各国海洋贸易的持续发展,船舶AIS系统被世界各国广泛采用,由此产生海量的船舶轨迹数据。如何对这些多维、动态的数据进行挖掘和利用,成为当前时空数据挖掘领域的研究热点之一。文中在经典DBSCAN空间聚类算法的基础上,对船舶轨迹数据进行清洗、压缩等预处理,并将其划分为特征点相连的子轨迹段,然后引入时间距离度量方法,实现对船舶轨迹的时空聚类。最后基于东海某海域(113°45′37″E~130°23′43″E,17°47′29″N~38°52′59″N)近一个月的船舶轨迹数据进行实验,结果表明相比经典DBSCAN算法,文中算法能够在兼顾时间信息的基础上,对船舶轨迹数据进行有效的时空聚类,为后续研究预测船舶的行为模式奠定基础。     

移动轨迹聚类方法研究综述

轨迹数据是人类移动行为的表征,能够映射出人的出行模式和社会属性等信息。怎样有效挖掘轨迹数据蕴藏的人类活动规律一直是研究的热点。通过轨迹聚类发现行为相似的类簇,从而探究群体的移动模式是轨迹挖掘和深度应用常见的方法之一。本文首先根据轨迹数据的特点,将轨迹数据模型分为轨迹点模型和轨迹段模型,并据此定义相应的相似性度量：空间相似性度量和时空相似性度量;然后,对两类模型的聚类方法进行了综述,并总结不同聚类算法的优缺点,以期为不同应用选取聚类算法提供科学依据;最后对移动轨迹数据聚类方法研究的发展趋势进行了讨论。     

轨迹大数据云存储与热力图生成方法

针对目前轨迹大数据基于WebGIS的热力图展示中的成图耗时较长、用户移动缩放交互差等问题,本文建立了基于HBase的轨迹数据与地图数据存储模型,为轨迹大数据在电子地图上进行热力图展示提供了存储方法,同时提出一种基于聚类处理的轨迹数据热力图可视化方法,针对不同缩放级别能够有效地减少数据绘制计算量与数据传输量,较大地提升了热力图渲染与展示的效率。试验证明,该方案能够实现轨迹数据、电子地图数据的存储,提高热力图可视化绘制效率,能够为轨迹数据挖掘与分析提供技术支撑。     

基于改进DBSCAN方法的移动对象轨迹停留分析

停留是指对象静止或长时间在较小范围内徘徊的状态。从移动对象轨迹中识别出主要的停留时段及停留区域,可以进一步分析对象的行为及区域的特征。DBSCAN是一种基于密度的空间聚类方法,当二维空间中点密度超过一定阈值时,就认为这些点是一个集聚。本文对DBSCAN方法进行改进,不仅考虑轨迹点之间的空间关系,而且考虑轨迹点之间的时间关系,因此,能有效识别移动对象的停留。最后,利用Starkey项目提供的动物移动轨迹数据进行了停留分析。     

基于轨迹数据的武汉大学学生行为规律分析

以武汉大学学生为研究对象,采用DBSCAN聚类算法,对采集到的大量轨迹数据和具体的校园地理背景信息,进行轨迹停留点特征的精确提取。通过大量数据分析,实现武汉大学学生个体与群体行为特征提取。从群体水平来看,武大学生用于学习的时间占比重最大,用于运动、逛街、休闲的时间主要集中在下午或者晚上的空闲时段。同时,该方法对于研究大学生等特定群体的行为特征也具有普适性。     

基于共享单车时空大数据的细粒度聚类

针对传统上单独采用K-means或DBSCAN等方法对共享单车位置数据聚类时造成的聚类结果与真实的聚类结构不符的问题,本文提出了一种基于共享单车时空大数据的细粒度聚类方法(FGCM)。该方法通过DBSCAN进行初始聚类,并在此基础上采用GMM-EM算法进行细部聚类,以提取细粒度层级的热点区域。试验表明,该方法可根据密度阈值排除噪声和离群值,无需指定细部聚类簇数,簇的形状和大小比较灵活。在对共享单车大数据位置特征进行聚类时,与传统的单独采用K-means或DBSCAN的方法相比,FGCM具备更高的精细程度,能够充分展现共享单车的实际聚集特征,可用于规划共享单车电子围栏等设施,在不降低通勤效率的基础上规范共享单车的停放问题。     

室内用户语义位置模式挖掘研究——以商场为例

结合室内轨迹数据的特点,研究了室内移动对象语义轨迹序列处理方法,以及利用LDA主题模型与用户历史轨迹进行室内商场用户分类的方法。提出了通过关联规则分析挖掘用户语义位置模式的方法,并以北京某大型商场的实际用户轨迹数据为例,对所提出的方法进行了实验验证。     

机器人室内运动轨迹修正控制算法

移动机器人在室内的应用提升了人们的工作效率和生活品质,但针对移动机器人室内运动轨迹漂移误差,产业界一直没有较好的解决办法。为了在室内环境下实现机器人运动轨迹的高精度控制,本文结合基于LiDAR搭建的SLAM （simultaneous localization and mapping）功能模块,提出了一种机器人室内测图运动轨迹PID反馈修正控制方法,利用机器人的运动姿态、位置及设计轨迹的偏差设计了闭环模式的轨迹修正控制算法,显著提高了机器人室内作业的轨迹精度。针对机器人室内运动的几种典型轨迹,通过大量的机器人室内测图运动轨迹测试,进一步优化算法中的机器人运动控制参数,有效地减小了移动机器人室内运动轨迹的偏移。相对于依靠里程计定位的机器人室内运动控制系统,修正算法充分利用了激光雷达的定位定姿信息,满足了室内测图需求,得到了具备高可靠性和高稳定性的机器人室内精确运动控制方案。     

DBSCAN空间聚类算法及其在城市规划中的应用

空间聚类是空间数据挖掘和知识发现的主要方法之一。DBSCAN算法可以从带有“噪声”的空间数据库中发现任意形状的聚类,是一种较好的聚类算法。本文介绍了DBSCAN算法的基本概念和原理,并应用GIS二次开发组件MapObjects予以了实现。然后,本文将该算法应用于城市规划中,对某城市中小学和商业网点等公共设施的分布进行了聚类分析,并根据聚类结果对城市规划设计规范中的某些条款进行了讨论。     

一种利用低频轨迹数据提取道路交叉口的方法

为实现从低频轨迹数据中提取城市道路交叉口,本文设计了一种基于数据预处理与聚类算法的道路交叉口精准识别方法。首先结合轨迹数据的特征,采用启发式滤波算法对原始数据进行清洗,剔除冗余点与异常点;然后依据车辆的运行规律,提出了一种分步式道路交叉口的提取算法,由此计算出疑似道路交叉口的特征点;最后利用层次密度聚类算法(HDBSCAN)对筛选过后的轨迹点进行聚类并提取质心,得到道路的交叉口,最终以成都市某日的出租车行驶轨迹为数据源,进行试验分析。结果表明,使用该算法提取交叉口,精确率达95.33%、召回率达82.11%、F值达88.46%,能有效且准确识别城市道路交叉口信息,在城市管理与交通规划中具有一定的应用价值。     

基于卡尔曼滤波和改进DBSCAN聚类组合的GPS定位算法

实时获取智能移动终端的地理位置信息是增强现实（AR）实景智能导航系统实现的关键,为了提高智能终端GPS定位的精度,提出了一种基于卡尔曼滤波与改进的具有噪声的基于密度的聚类方法（DBSCAN）结合的GPS组合定位优化方法. 通过对GPS系统采集到的位置坐标数据进行卡尔曼滤波,去除较大的数据波动,控制定位误差范围,采用DBSCAN聚类算法进行分类去噪和二次聚类,对类中数据求得算术均值和类间数据总数进行加权求重心,确定位置坐标. 实验结果表明,提出的算法能有效提高GPS单点定位精度,减少定位误差,同时很好地满足了AR实景智能导航系统实时性和鲁棒性的要求.      

DBSCAN聚类和改进的双边滤波算法在点云去噪中的应用

采用基于密度的DBSCAN聚类算法对点云数据进行去噪处理，然后通过改进的双边滤波方法进行光顺处理实现点云平滑效果，最终的结果不仅有效去除了噪声点，还保留了点云模型的特征。以沈阳民国时期代表性的建筑——沈阳金融博物馆为试验模型进行试验，结果表明：通过DBSCAN聚类算法处理后得到的点云数据，再经改进的双边滤波处理所得到的数据远远比原点云数据直接运用改进的双边滤波处理得到的数据精度高，点云去噪效果更好。     

车辆GPS轨迹兴趣区域提取算法研究

车辆行驶轨迹是驾驶员主观意愿和路网客观约束综合作用的结果,从海量轨迹中挖掘兴趣区域可为车辆提供更深层次、更有效的位置服务。文中深入分析车辆GPS轨迹特征,在基于时间的聚类算法中引入路网约束,实现车辆GPS轨迹的兴趣点提取和噪点剔除,基于DBSCAN算法生成兴趣区域,采用Google Geocoding反向地理编码发掘并合并语义重复区域,在语义层次上实现兴趣区域提取。实验表明,该算法可在语义层次有效提取兴趣区域。     

ST-CFSFDP:快速搜索密度峰值的时空聚类算法

时空聚类算法是地理时空大数据挖掘的基础研究命题。针对传统CFSFDP聚类算法无法应用于时空数据挖掘的问题,本文提出一种时空约束的ST-CFSFDP(spatial-temporal clustering by fast search and find of density peaks)算法。在CFSFDP算法基础上加入时间约束,修改了样本属性值的计算策略,不仅解决了原算法单簇集多密度峰值问题,且可以区分并识别相同位置不同时间的簇集。本文利用模拟时空数据与真实的室内定位轨迹数据进行对比试验。结果表明,该算法在时间阈值90 s、距离阈值5 m的识别正确率高达82.4%,较经典ST-DBCSAN、ST-OPTICS及ST-AGNES聚类算法准确率分别提高了5.2%、4.2%和7.6%。     

滚圆法用于空间点聚类的研究

空间点聚类依据空间点实体属性对其进行分类划分,挖掘对研究应用有价值的信息。目前,空间点聚类大多数方法能够发现多边形簇,但不能发现线状簇。针对空间点聚类现有方法在发现线状簇方面的不足,借鉴滚球法的思想,提出滚圆法用于空间点聚类的研究算法（spatial point clustering using the rolling circle,SPCURC）。针对研究区域的点实体,该算法用给定半径的圆从初始点开始按照原则进行滚动,直至满足条件为止;连接滚圆接触的点,从而形成多边形簇或者线状簇。通过模拟算例和实际算例验证了该算法的可行性。