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。     

中心均匀化密度峰值聚类的激光点云分割

针对常规的密度峰值聚类算法在确定数据聚类中存在聚类中心的重复性、聚类不稳定、不适用于三维点云分割等问题,提出了中心均匀化聚类群融合算法.该算法对局部密度和距离函数进行归一化处理,较好地解决了这两种函数尺度不一的问题;基于局部密度和距离函数乘积的变化率来确定聚类中心,并对重复或距离很近的聚类中心进行了消除,避免了聚类中心非均匀分布对聚类的影响;利用数据点到聚类中心距离逐个确定每个数据的聚类归属,依据邻近聚类数据群之间的距离来判断邻近聚类之间的融合,实现对点云数据的有效分割.基于二维离散数据聚类及不同分辨率点云数据分割的实验结果表明:所提算法不仅适用于二维离散数据的聚类,也适用于三维点云数据的分割,且分割精度和稳定度要优于常规的CFDP、K-means、DBSCAN、DPC聚类算法和深度学习方法.     

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。     

基于手机信令数据居民出行链提取算法

研究居民出行链不仅能够准确预测交通状况而且对城市规划有着重要的意义。经典DBSCAN算法以距离衡量不能完全聚类时空大数据,本文以北京市手机信令数据为基础在经典DBSCAN聚类算法的基础上扩展时间维度提取用户出行链,实验表明该算法能够解决相同地点不同时间停留点判读问题,通过与经典出行链提取算法对比表明该算法具有可行性,并且在职住停留点提取方面比较符合实际情况。     

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。     

面向多维时空位置数据的动态加权聚类模型

针对传统聚类算法在处理时空位置数据挖掘时面临的多维聚类问题,提出了动态加权聚类模型。该模型叠加利用经典k-均值和基于密度的DBSCAN聚类算法,通过计算最大轮廓系数确定合适的簇数目,按照划分初始簇类、识别和剔除噪声点、修正聚类簇中心点位置坐标3个步骤实现对大体量多维时空位置数据的聚类分析,提出了动态权重系数计算公式,优化了基于密度的DBSCAN聚类算法中相似度函数,并在Python3.7环境下以网络签到数据集实例仿真验算了该模型算法。实验结果表明,相较单一的传统聚类算法,该模型能综合利用多维非位置属性对时空位置数据点聚类,更合理界定聚类簇的归属数据点,对提升时空位置数据集聚类簇中数据点的聚类效果明显。     

基于 K-Medoid 聚类算法的 GPS 坐标转换研究

对GPS网约束平差时,GPS控制网的精度与坐标系统转换控制点的位置选择有关。通过实验分析得出,整个网的检核点与相应的转换控制点总距离越远,坐标转换后网的精度越低。在此基础上,提出使用K-Medoid聚类算法,通过计算机程序自动寻找用于计算坐标系统转换参数的最佳控制点,并将文中方法运用于某大桥GPS控制网的控制点选取,通过工程实例验证了基于K-Medoid聚类方法的GPS坐标系统转换的可行性。     

利用CART分类树分类检测交通拥堵点

交通拥堵检测是城市交通管理工作的重点和难点之一,现有的拥堵检测以路段为单位,不利于拥堵时空演变规律信息的提取,且检测内容大多只涉及拥堵程度,缺少对拥堵类型的识别。基于CART（classification and regression tree）分类树算法,提出一种以路段点为检测单元的拥堵点分类检测方法,该方法可根据路段平均行驶速度实时检测拥堵点及其类型。首先,将路段等距离划分后映射为路段点,根据时空维路况异常规则和异常模式,以路段点为单元分析了4种拥堵类型的时空演变模式;其次,在路段路况检测的基础上,提取路段点路况时空序列,根据不同类型的拥堵模式对路况时空序列进行分类标记;然后,选取4种速度指标作为样本属性集合,按照属性集合提取各路段点在各时段的速度,以此作为决策树学习的数据集;最后,基于CART分类树算法,采用交叉验证的方式训练出最优模型,使其达到最佳的泛化能力。与支持向量机（support vector machine, SVM）分类模型进行比较,实验结果表明,该方法在分类检测交通拥堵点时具有较高的正确率和召回率,且分类检测时效性较好。     

基于FAST和BRIEF的密度聚类图像匹配算法改进

FAST(Features From Accelerated Segment Test)特征检测算法是通过邻域像素比较来确定特征点,运算简单,同时采用BRIEF(Binary Robust Independent Elementary Features)算子进行二值化特征描述,可有效降低数据复杂度,提高匹配速度。因此,结合FAST和BRIEF算法,对截取的图像感兴趣区域(ROI)进行特征点提取,在减少数据量的基础上保证了图像特征点的快速获取与匹配;同时,利用机器学习中的密度聚类(DBSCAN),将暴力匹配特征点对的角度和距离作为二维数据样本集进行簇分类,优化改进匹配结果,有效提高匹配精度。通过实验比对改进结果与RANSAC(Random Sample Consensus)错误剔除算法,表明该方法提取速度快、匹配精度高。     

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。     

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。     

利用浮动车数据提取停车场位置

针对当前停车场信息采集手段周期长、成本高的问题,提出了利用浮动车数据自动提取停车场位置的方法。通过分析在停车场内采集的浮动车数据具有的典型特点后,使用DBSCAN算法检测出位于停车场内的点簇进而提取停车场的位置;同时针对DBSCAN算法具有高时间复杂度的缺点,结合定位点簇的空间尺寸限制条件构建了特定的空间索引,提高了聚类算法的效率。试验结果验证了该方法的有效性。     

大范围LiDAR点云可视化分析

通过一系列LiDAR点云可视化分析,实现以并行方式从离散LiDAR点云检测并提取水面区域,并运用了细粒度数据的交互式可视化、全局聚类算法和统计分析.首先栅格化点云,然后基于密度聚类算法(DBSCAN)获取水面特征聚类,基于聚类的要素,创建了用于进一步定量评估的矢量面,最终基于R免费软件的聚类分析和并行处理实现统计分析和可视化.     

出租车轨迹数据的南京人群出行模式挖掘

针对现有出租车轨迹数据挖掘中时间序列邻近度量方法存在的问题,提出一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,进而研究城市人群出行行为的时空差异。以南京市为例,结合电子地图对出行模式的空间分布特征进行分析,证明了本文所提出的方法的有效性。实验结果表明:在空间分布上,工作日出租车出行模式按照平均出行频次由高到低排序,从城市中心向四周扩散,呈中心环状分布,出行模式区域界限较为明显,同类出行模式分布区域对应相似的功能。提出了一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,有效地分析城市人群出行行为的时空差异。     

参数优化DBSCAN算法的城管案件聚类分析

针对DBSCAN算法参数对聚类结果具有较大的不确定性问题,该文提出了基于空间分析的参数优化思想:首先,基于Ripley’s K函数分析,实现自适应确定数据聚类范围EPS值;基于K-D树分析,实现自适应确定在Eps阈值内的点数量MinPts值;然后,基于以上参数的自适应确定思想,利用R语言编写了DBSCAN算法,进一步实现了数据的精确聚类。基于典型城市管理案件的实验结果表明:该方法充分考虑了空间数据统计特性,具有较好的适用性,聚类簇特征明显,聚类质量较高。     

利用层次聚类对移动曲面拟合滤波算法快速分类的研究

经典移动曲面滤波算法由于算法简练,适用范围广泛且滤波效果较好,适用于多种地形。但是传统移动曲面滤波方法存在较多缺陷,如计算阈值参数难以确定、各个格网间阈值参数缺少相关性、分类主要依据高差阈值及水平距离相关性较小等缺点。文中提出层次聚类算法,将三维地形转换为二维平面,利用相邻点水平距离和高差构建数据集,进行聚类判断点云的属性,采用ISPRS提供的15组样本,定性和定量分析本算法的滤波精度。为验证本聚类算法的优越性和科学性,同时与改进型移动曲面和PTD滤波算法进行精度对比,充分说明本算法相较于其他算法的优越性和高效性。     

一种GPS/GLONASS/INS数据融合算法

针对卫星导航系统和惯性导航系统(INS)的不同特性,提出了一种GPS/GLONASS/INS数据融合算法。采用差分自适应检测算法、改进码平均相位算法以及位置联合解算方法实现了GPS/GLONASS数据融合,借助于改进的粒子滤波器、INS误差模型建立系统状态方程和观测方程,完成GPS/GLONASS系统速度值和INS系统速度值数据融合,提高组合导航系统精度和可靠性。使用真实数据对数据融合算法性能进行仿真分析,结果表明所设计算法是有效的,能够处理非线性非高斯条件下的滤波估计,提高滤波精度和系统可靠性。     

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。     

一种基于局部分布的空间聚类算法

设计了一种度量邻近域内空间实体局部分布的新指标——中值角度,在此基础上,提出了一种基于空间实体局部分布的空间聚类算法。该方法递归搜索空间实体集中所有局部分布度量值相近且非离群的点,并将其聚为一类。通过模拟数据和实际数据进行实验发现,所提出的算法比DBSCAN算法的聚类结果更合理,具有很好的抗噪性,能发现任意形状的聚类。