基于 DTW 距离的时序 NDVI 数据植被信息提取--以秦巴山区为例

秦巴山区是我国重要的生态屏障,对该区的植被信息提取开展研究,可为区内生态服务功能及自然资源开发利用提供基础数据。通过加窗处理改进DTW距离相似性算法,结合临近度模糊分类方法对2005—2014年的MODIS NDVI时序数据进行植被信息提取。首先利用S-G滤波对MODIS NDVI时序数据进行重建;再利用2013年的采样数据构建各类植被的标准NDVI时序曲线,逐像元计算与标准NDVI时序曲线的加窗DTW距离,利用临近度模糊分类实现植被信息提取;最后验证提取精度。结果表明,算法具有较高的运行效率,可避免错误匹配,以较高的精度(总体精度83.8%,kappa系数0.77)实现长时间序列的植被信息提取。     

夜间灯光遥感对城市发展类动能与相似性评估

评估城市发展水平与制定城市规划和城市发展政策息息相关。已有研究表明人口、国内生产总值(GDP)等统计数据和夜间灯光遥感数据能够用来衡量城市发展水平,但大多研究只关注城市发展总量,忽视了发展速度对城市发展的影响。因此,本文基于2012年—2019年Suomi NPP-VIIRS (Suomi National Polar-OrbitingPartnership-Visible Infrared Imaging Radiometer Suite)夜间灯光遥感数据,提出了兼顾城市发展水平和增速的夜间灯光类动能指数用于测度城市发展类动能;利用动态时间规整DTW (Dynamic Time Warping)算法构建了城市发展类动能相似性检测分析框架,并基于相似性检测结果对全国328个城市进行了等级划分。相较于2019年第一财经公布的一至五线城市,本文城市等级划分结果表明,在同一等级中的城市发展更为相似和合理,也证明了城市发展类动能更有利于城市发展水平的评估;以长江三角洲城市群为例,进一步验证了城市发展类动能和基于DTW相似性检测方法用于评估城市群发展情况与合理性的潜力。综上所述,基于夜间灯光遥感的城市发展类动能估算与相似性分析方法能够较好地评估城市发展水平,为城市分级与城市群发展评估提供科学依据。     

基于DTW与K-means算法的河北场雨及雨型分区特征研究

深入挖掘气象站点的观测降雨数据,研究区域降雨的雨型规律,对于洪涝灾害预警和减灾措施制订有重要意义。本文基于河北省2005—2017年3189个站点逐小时降雨观测数据,进行“场雨”的划定,进而提取历史上各场雨的累积雨量、时长指标。采用数据挖掘技术中的DTW相似性算法进行场雨雨型的自动归类,将场雨分成Ⅰ—Ⅶ共7种雨型,包括峰值在前、中、后期的3种单峰型降雨,以及3种双峰型降雨和均匀型降雨,结果显示：河北降雨过程以Ⅰ型前期单峰值降雨、Ⅲ型中期单峰值降雨居多,二者占总降雨场次的70%以上,但空间分布上存在差异;通过K-means聚类,将河北地区分成3个雨型区：① 区, Ⅰ型和Ⅲ型降雨为主,分布在燕山丘陵气候区、冀东平原气候区和山前平原气候区。② 区,Ⅲ型、Ⅰ型、Ⅵ型、Ⅶ型降雨并重,在冀北高原气候区,承德市南部等分散分布。③ 区,Ⅲ型降雨为主,主要分布在石家庄市南部、邯郸市、邢台市大部分地区。本文将DTW相似性算法和K-means聚类方法相结合的数据挖掘技术,可以在未来的气象大数据分析中得到更多的应用。     

基于自适应时序剖分与KNN的短时交通流量预测

在智能交通系统中,准确和高效的短时交通流量预测是交通诱导、管理和控制的前提。由于交通流量动态变化中表现出的时变性和非平稳性特征,其预测难度较大,是交通领域中亟待解决的难题。为提高短时交通流量的预测精度,本文设计与实现了基于自适应时序剖分与KNN（A-TS-KNN）的短时交通流量预测算法。① 基于动态时间规整（Dynamic Time Warping,DTW）动态剖分单日时序为不同的交通模式;② 在不同交通模式,采用互信息法求解每个预测时刻时间延迟的最大阈值,构造不同时间延迟的状态向量,生成交通流量历史数据库;③ 采用十次十折交叉验证的方法求解每个时刻不同时间延迟与不同K值的正交误差结果分布,提取误差最小的正交结果,得到自适应时间延迟与K值的参数组合;④ 采用K个最相似的近邻的距离倒数加权值作为预测结果。对比K近邻（K-nearest neighbors, KNN）、支持向量回归（Support vector regression,SVR）、长短期记忆神经网络（Long-short term memory neural network,LSTM）以及门控递归单元神经网络（Gate recurrent unit neural network,GRU）共4种主流预测模型,A-TS-KNN算法预测精度显著提升;将A-TS-KNN算法用于福州市城市路网中其他交叉路口的短时交通流量预测,结果表现出良好的泛化能力。     

Clustering of temporal event processes

A temporal point process is a sequence of points, each representing the occurrence time of an event. Each temporal point process is related to the behavior of an entity. As a result, clustering of temporal point processes can help differentiate between entities, thereby revealing patterns of behaviors. This study proposes a hierarchical cluster method for clustering temporal point processes based on the discrete Fréchet (DF) distance. The DF cluster method is divided into four steps: (1) constructing a DF similarity matrix between temporal point processes; (2) constructing a complete linkage hierarchical tree based on the DF similarity matrix; (3) clustering the point processes with a threshold determined by locating the local maxima on the curve of the pseudo-F statistic (an index which measures the separability between clusters and the compactness in clusters); and (4) identifying inner patterns for each cluster formed by a series of dense intervals, each of which contains at least one event of all processes of the cluster. The contributions of the article are: (1) the proposed DF cluster method can cluster temporal point processes into different groups and (2) more importantly, it can identify the inner pattern of each cluster. Two synthetic data sets were created to illustrate the DF distance between temporal point process clusters (the first data set) and validate the proposed DF cluster method (the second data set), respectively. An experiment and a comparison with a method based on dynamic time warping show that DF cluster successfully identifies the preconfigured patterns in the second synthetic data set. The cluster method was then applied to a population migration history data set for the Northern Plains of the United States, revealing some interesting population migration patterns.     

基于时间序列相似度的城市功能区识别研究

随着城市化的快速发展,城市空间结构愈发复杂,城市功能区的快速有效识别对资源的有效配置和城市规划具有重要意义。传统的功能区识别缺乏对居民这一城市空间活动主体的动态表征,而长时间序列的出租车数据能动态表征居民出行行为,进而反映城市空间结构。动态时间扭曲(DTW)距离比传统的欧氏距离更能有效挖掘高维数据,泛化后的LB_Keogh距离和LB_Hust距离相继克服了DTW距离时间复杂度高和不对称的缺点。为了探究基于时间相似性度量的聚类算法在识别城市功能区方面的可行性,首先基于OpenStreetMap(OSM)路网数据获取研究单元,再通过滴滴订单数据提取上下车点、构建研究单元内的居民出行时间序列,然后利用PAM算法结合4种相似度度量方法进行聚类,最后结合兴趣点(POI)数据识别城市功能区,并对结果进行精度验证。结果表明,基于LB_Hust距离的PAM算法能有效挖掘高维时间序列数据,应用于城市功能区识别的精度高达86%,为应用时间序列数据进行城市研究提供了一种新的方法。     

基于平均路径长度的语音识别算法的研究与仿真

提出了一种基于平均路径长度的语音识别算法．采用的识别方法属于小词汇量孤立词语音识别,主要包括端点检测、特征提取和模式识别．首先,在对语音信号预处理的基础上,采用梅尔频率倒谱系数(MFCC)为特征参数提取算法,动态时间规整(DTW)作为识别算法;然后,结合基于平均路径长度的模板训练方法,即采用少量样本,通过计算平均路径长度得到参考模板;最后,采用实验室环境下采集的语音信号进行实验．仿真结果表明:改进后的算法与单个样本训练相比,提高了识别率及鲁棒性;同时,相对于矢量量化(VQ)技术,只需较少的训练样本,降低了算法的复杂度．实验得到了较好的识别效果．     

SAR影像时间序列支持下的互花米草盐沼提取——以江苏盐城东部沿海为例

利用江苏盐城东部沿海8幅ERS-2 SAR影像构建像素级时间序列,根据训练样本得出互花米草盐沼的标准时间序列曲线;基于动态时间弯曲DTW距离进行时间序列相似性分析后提取互花米草盐沼,用同年Landsat TM影像、CBERS-02B CCD影像目视解译的真实地面数据进行精度评价。结果表明:1)互花米草盐沼的时间序列曲线呈波动性变化,与研究区其他4类典型地物的时间序列曲线差异较大;2)互花米草盐沼提取结果的精度较高,基于Landsat TM影像的精度评价结果——正确率86.81%,完整率84.63%,基于CBERS-02B CCD影像的精度评价结果——正确率87.84%,完整率83.87%。     

基于语义相似的水文时间序列相似性挖掘——以太湖流域大浦口站水位数据为例

利用数据挖掘技术从长期观测的数据序列中发现蕴藏的规律是当前研究热点之一。相似性挖掘是时间序列挖掘的基础,提出一种基于语义相似的水文时间序列相似性查询方法。首先利用小波变换将时间序列进行平滑处理,在此基础上进行极值点分段并符号化,每个符号代表一种语义模式,从而选取语义相似的子序列作为候选集,再将候选集中子序列通过动态时间弯曲距离进行精确匹配从而得到相似子序列(以太湖流域大浦口站水位数据为例),实验证明,该方法能够在大幅度降低时间复杂度的基础上较准确地查找出相似子序列。     

互联网文本蕴含道路交通信息抽取的模式匹配方法

互联网页面和社交网络文本中蕴含丰富的道路交通信息,是其他交通信息采集平台的有效补充。然而,自然语言文本形式的交通信息多以线性参考或地标方位描述交通事件空间位置,且大量存在事件元素缺失或隐含现象,对交通信息的自动化抽取有着较大影响。考虑到交通信息的自然语言表达方式虽然自由随意,但表达模式相对固定,提出一种从互联网文本中抽取道路交通信息的模式匹配方法。首先,基于道路交通事件描述的语言特征构建模式库;然后,以特征词词性序列的形式表达互联网文本和抽取模式,利用DTW距离度量序列相似度,实现抽取模式匹配;最后,在匹配抽取模式和填补规则指导下获取结构化的道路交通信息。由上海市城市交通相关门户网站和微博客平台的实验过程显示,本文所提出的模式匹配方法,抽取道路交通信息的准确率和召回率分别达到90%和80%以上,表明该方法能有效抽取互联网文本蕴含的道路交通信息,且实现过程相对简单,易于扩展,具有可用性。