基于速度的空间轨迹停留点提取算法

空间轨迹中的停留点提取是将空间轨迹转换到语义轨迹的关键步骤。该文将速度变量引入停留点的提取,提出基于速度的时间聚类算法和速度聚类算法解决现有方法中的"伪停留点"和停留点丢失的问题。基于速度的时间聚类算法首先沿时间轴将轨迹点进行聚类得到候选停留点,然后利用速度阈值过滤候选停留点,得出实际停留点。速度聚类算法首先通过对速度的判断选取候选停留点,然后根据空间距离阈值对候选停留点的空间距离进行过滤,得出实际停留点,解决了停留点判断中的漏判问题。实验表明,基于速度的时间聚类算法对出租车轨迹数据(稳定时间间隔、不存在长时间轨迹点缺失)的空间轨迹停留点识别效果较好,而速度聚类算法更适用于步行轨迹(可能存在长时间轨迹点缺失)的分析。     

基于低通保边滤波和尺度约束大津法的网格空间多尺度聚类方法

现有网格空间多尺度聚类方法未能将尺度因子作为模型参数实现尺度驱动的阈值提取,导致算法调参困难,难以全面挖掘空间数据的分布模式。海量空间点数据蕴含的信息更丰富,层次结构也更复杂,对聚类算法的参数自动化和计算效率提出了更高的要求。针对上述问题,该文从数据尺度和观察尺度提出了一种适用于海量数据的多尺度聚类挖掘方法:分别通过网格多分辨率和低通保边滤波器的尺度拓展机制实现了数据尺度和观察尺度上的尺度变换;将观察尺度层级作为参数引入大津法中,实现了观察尺度的密度阈值自动提取。实验结果表明:相比于传统低通滤波,该滤波方法具有良好的去噪保边效果;多尺度密度阈值提取算法能够有效地捕捉数据集中丰富的多层次信息,且计算复杂度低,可用于快速挖掘各类海量空间点数据中的多层次空间结构。     

面向地学应用的不确定数据聚类算法比较研究

不确定数据聚类分析已成为空间数据挖掘领域的一个研究热点。近年来,在传统划分与基于密度的聚类算法基础上,一系列不确定数据聚类算法相继被提出。虽然这些算法在地学领域的应用已经得到了广泛关注,然而其实际应用的有效性尚缺乏客观的评价。为此,选取当前具有代表性的6种算法进行实验对比分析。首先,设计40组包含预设模式的模拟数据进行测试。进而,采用亚洲气候数据集对6种方法识别气候区的能力进行比较分析,以Kppen-Geiger气候分类结果为基准对各种方法的实际应用效果进行评价。借助准确率和召回率对各种方法的聚类质量定量度量后,发现:1)对于同类型聚类算法,采用相对熵距离的算法聚类质量总体优于采用期望距离和模糊距离函数的算法;2)采用相对熵距离的划分算法聚类质量优于基于密度的算法,其中采用相对熵距离的KMedoids-KL算法的聚类质量最好。     

广州市重要通道高峰期交通模式聚类分析

基于广州市重要通道2016年11-12月的交通指数,通过划分重要通道的拥堵与非拥堵状态,确定拥堵状态通道的中心趋势值,建立交通模式的聚类分析模型,采取变异系数对模型进行评价,得出交通模式聚类优选模型。结果显示：广州市重要通道早高峰呈现向心型交通拥堵模式,处于交通拥堵状态的通道可划分为6种交通模式,共3种几何形态类型：滞后型、对称型和递增型。晚高峰的交通拥堵通道分布广泛,区际主干道和天河商业区内的主干道交通拥堵更加严重;处于交通拥堵状态的通道可将其划分为9种交通模式,共4种几何形态类型：前锋型、滞后型、平缓型和对称型。     

基于车载LiDAR点云的路边地上物多阶段聚类分割算法

针对车载LiDAR点云分割存在人工干预多、分割效果不稳定等问题,该文提出一种基于车载LiDAR点云的路边地上物多阶段聚类分割算法。首先使用三维格网和广度优先搜索算法进行点云粗聚类,然后对相连地物进行欧氏聚类,生成若干边界完整的粗聚类点云,最后使用多段式近邻搜索逐步得到聚类结果,根据聚类主体和结果的体积比值评估聚合速度,以此自适应调整聚类阈值或输出结果,实现对道路场景中各类路边地上物的聚类分割。实验结果表明,该算法对行道树的正确提取率为87.0%,对路灯、指示牌的正确提取率为91.9%,且过分割/欠分割现象较少,相连地物的聚类结果仍保有完整的边缘轮廓,可保证后续点云处理的有效性。     

曲线化简的弧比弦算法改进及其评价

地图综合是当前国际GIS和制图学领域的一个难题。化简是地图综合的一个基本操作算子,线要素是地图综合操作的主要对象,该文主要研究地图线要素的化简问题。首先,从算法的适用范围、阈值设置等方面分析了现有算法的优点,重点阐述了一种常用的弧比弦算法,并指出了其在化简过程中存在的不足。然后,基于地图曲线的空间认知特征,提出了一种改进弧比弦算法。该算法能够更好地保持曲线的特征点和曲线的几何形态,避免阈值的设置问题。在算法评价上,采用3种定量评价指标,即:偏移平均值、偏移量中值和面积变形值,对改进的弧比弦算法与现有经典算法进行了比较分析。最后,通过算例分析验证了该算法的可行性、有效性和健壮性。     

基于浮动车轨迹数据的路网快速提取

浮动车轨迹数据包含丰富的路网信息,随着浮动车轨迹数据的逐渐公开,从中提取路网信息已成为可能。目前,大多数算法提取路网时,使用统一的阈值忽略了轨迹数据的密度差异,且只考虑了轨迹的形态没有考虑轨迹的方向,严重影响了提取结果的几何精确度和拓扑正确度。为此,该文提出了一种自适应半径质心漂移聚类方法,能根据轨迹密度、道路宽度自动调整聚类参数和利用轨迹方向实现道路拓扑连接。首先,通过自适应半径质心漂移聚类方法计算路网骨架点,采用小波聚类算法获取路网骨架点的方向集;然后,根据聚类半径和方向对骨架点进行递归连接,生成路网数据。利用深圳市福田区一天的浮动车轨迹数据进行了算法实验验证,将实验结果与栅格化方法、约束三角网方法的结果进行了定性定量评价分析。实验结果表明,该文算法提取的路网数据在几何精确度及拓扑正确度上都有明显的提高,且算法适合大数据处理。     

基于粒子群双重空间聚类的城镇地价空间分异规律挖掘

城镇地价的空间分异对其动态监测片区划定具有重要的参考作用,而空间聚类则是对该问题进行分析的一种有效方法.文中在分析空间聚类本质的基础上,设计了一种基于样本数据的粒子群双重空间聚类挖掘模型,并以北海市二手房地价空间分布挖掘为实例进行了应用.结果表明:粒子群双重空间聚类在空间聚类效果上优于传统K-均值聚类法,尤其是对于任意形状聚类簇的挖掘;然而,由于标准粒子群优化算法机理的限制,其聚类效果随聚类中心的增多而呈下降趋势.总体而言,该方法能利用有限的样本挖掘质量较好的城镇地价空间分异区,可为城镇地价动态监管提供相     

基于多源数据的北京市六环路内酒店综合评级和空间布局研究

以酒店为研究对象,构建基于互联网多源数据的酒店评价体系。运用主成分分析法将评价因子归并为酒店区位便利性、酒店满意度、酒店周边商业服务质量三类,对北京市六环路内的3 470家酒店进行打分和评级。并运用空间自相关分析、聚类分析等方法研究高等级酒店的分布特征。结果表明:高等级酒店在CBD、金融街、中关村、望京等地区存在明显的聚类现象,且酒店区位便利性和酒店等级是高值区域聚类,酒店满意度与酒店周围商业服务质量则是低值区域聚类。此外,将新的酒店评价与现有酒店星级评价进行空间分布和集聚情况的对比,揭示存在差异的主要原因在于评价指标体系和等级划分依据,并对现有酒店评级进行了补充。     

人类活动轨迹的分类、模式和应用研究综述

各种传感器的应用与发展,如车载GPS、手机、公交卡、银行卡等,记录了人类的活动轨迹。这些海量的人类活动轨迹数据中蕴含着人类行为的时空分布模式。通过对这些轨迹的研究可以挖掘个体轨迹模式,理解人类动力学特征,进而为对轨迹预测、城市规划、交通监测等提供支持。因此,研究各类传感器记录的人类活动轨迹数据成为当前的研究热点。本文对人类活动轨迹的获取与表达方式进行剖析,并将人类的活动轨迹按照采样方式和驱动因素的不同分为基于时间间隔采样、基于位置采样和基于事件触发采样等3类轨迹数据。由于各类轨迹数据均由起始点、锚点和一般节点等构成,因而将轨迹模式挖掘的研究按照锚点、出行范围、形状模式、OD流模式、时间模式等进行组织,研究成果揭示人类活动轨迹在时间、空间的从聚模式、周期性等特点。在此基础上,将人类活动轨迹在城市研究中的应用,按照用户轨迹预测、城市动态景观、城市交通模拟与监控、城市功能单元识别以及城市中其他方面的研究应用进行系统综述,认为人类活动模式挖掘是城市规划、城市交通、公共安全等方面应用的基础。     

KDSG-DBSCAN:一种基于K-D Tree和Spark GraphX的高性能DBSCAN算法

DBSCAN是一种基于密度的聚类算法,其能从包含噪声点的数据集中发现任意形状的聚类并且无需预先设定聚类个数,因此得到了广泛应用。但随着数据规模的增大,迭代式的点间距离计算导致经典单机串行DBSCAN算法的性能显著下降,使之无法满足实际应用的效率需求。为此,该文提出一种性能改进的分布式并行聚类算法——KDSG-DBSCAN。该算法利用K-D Tree邻域查询减少点间距离计算次数,利用图连通算法优化局部类簇合并过程,并基于Apache Spark MapReduce平台实现了计算过程的并行化。通过4组对比实验,分析了KDSGDBSCAN、经典DBSCAN与未使用图连通的KDS-DBSCAN算法的执行效率、KDSG-DBSCAN各子阶段执行时间占比、不同数据规模下KDSG-DBSCAN的扩展性以及不同计算节点数量和CPU核数下KDSG-DBSCAN的扩展性。结果表明,KDSG-DBSCAN算法具有良好的可扩展性和加速比。     

时间异质性视角下对中国城市形态多中心性演化的探究

针对现有文献对于城市内部多中心空间结构演化过程中的时间异质性探讨不足的问题,本研究基于1 km格网人口数据,采用相对最小阈值法测度2005—2015年全国地级市城市内部形态多中心性,使用系统聚类算法对其时序演化模式进行归纳,并通过混合效应模型将时间异质性纳入到城市多中心性演化相关因素的探索中。研究发现：① 中国城市多中心结构在2010年前后基本形成;② 共识别了五种多中心的演化模式;③ 多中心性与区位特征、人口特征、经济水平、基础设施和城市规模显著相关;④ 中国城市多中心性演化在时间序列上呈现出差异性,符合扩散-聚合的规律,与经典城市结构理论相契合。研究发现及使用的相应方法有助于推进对于城市多中心性发展规律的进一步理解。     

泛型聚类排序3DR树批量构建算法

提出一种新的泛型3DR树批量构建算法,其核心思想是通过三维空间聚类和空间排序操作,使得在空间位置上邻近的空间对象在R树中处于尽量邻近的叶节点上,从而减少这些空间对象之间的交叠范围.对于给定的三维空间对象集合,首先依照其中心点进行距离相关性聚类,分为K类;对每类空间对象集进行3个分量方向上的扫描排序,再对每类的中心位置进行扫描排序;最后采用倒序批量构树方法构建R树.该算法比已有的R树构建算法有更高的时间和空间效率.     

基于子空间聚类算法的时空轨迹聚类

已有的时空轨迹聚类方法一般以整条轨迹作为聚类单元,聚类效果较低且不能识别轨迹局部特征;另一种轨迹聚类方法是以划分后轨迹段为聚类单元,算法效率较低且不能很好地支持多属性聚类。该文提出基于子空间聚类算法的时空轨迹聚类。首先引入数据归约的思想,将轨迹进行离散化处理,再运用CLIQUE算法对离散化后的轨迹段进行聚类。实验结果表明,此轨迹聚类方法具有较高的伸缩性,能有效地处理多维轨迹数据并识别轨迹的局部聚类特征,能揭示时空轨迹在不同子空间的运动规律。     

基于车载LiDAR点云联合特征的道路边界提取研究

针对基于车载LiDAR点云数据的道路边界提取存在的问题,该文提出一种基于联合特征且能适应多种道路环境的道路边界提取方法。首先依据移动测量系统的航迹,按照设定宽度对道路数据进行分段,排除道路外侧无用数据;再对每段数据采用布料模拟滤波(CSF)算法分离地面点和非地面点,通过强度中值滤波去除地面点的椒盐噪声;然后计算点云局部邻域高差梯度和回波强度梯度构成的联合特征,依据设置阈值提取道路边界;最后通过欧氏距离聚类剔除部分非道路边缘点,细化道路边界,合并各段道路边界点云,得到完整的道路边界。选用代表性的城区道路、高速公路、乡村道路3种实验环境,验证了算法的鲁棒性。该研究对于扩展车载LiDAR在道路场景中的应用具有重要价值。     

基于TDD的科考船航迹分段方法研究

"雪龙"号极地科考船是推动我国极地科学考察事业发展的重要工具,"雪龙"号在数十次的极地科考过程中累积了大量的航迹数据,其中蕴含的巨大价值亟须挖掘。针对科考船的航迹分段是将科考船移动轨迹分为停留与行驶两部分,合理的分段方法可以分离出信息更丰富的航迹段,有利于航迹知识提取。然而,由于原始航迹信息密度分布不均等原因,现有的航迹分段方法往往会造成分段过多等问题,结果并不理想。本文针对该问题,提出了一种针对科考航迹整体的时域差分(Time Domain Difference, TDD)分段方法。本方法基于时间域对航速进行差分处理,有效降低了因为航速波动频繁对分段结果的影响。同时,考虑到该方法的差分步长在航迹处理过程中的不明确性,本文将差分后航迹的路程损失和航速波动幅值进行归一化处理,提出了航迹差分时间步长的动态确定方法,并以速率阈值对航迹进行分段。最后本文以第29次南极科考航迹数据为例,将本方法与经典的具有噪声的基于密度的聚类方法 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)进行了比较,实验结果表明本文提出的方法可有效降低航迹分段时分段过多的问题,在分段准确性和时间效率等方面结果更优。     

一种基于密度峰值的半监督聚类算法

由于基于密度峰值的聚类算法对簇的形状不敏感,其聚类结果表现出良好的抗噪性。然而,当密度定义中变量难以反映簇的结构时,该算法性能下降明显,其主要原因在于聚类的非监督性。为此,该文在此算法的基础上提出了一种基于密度峰值的半监督聚类算法。该算法通过增加must-link和cannot-link约束作为先验知识,并在must-link约束集中叠加数据点的密度,以此产生新的聚类中心从而实现对数据点的吸引;对于cannot-link约束集中的数据点,通过将其n级最近邻居分离的方式找到其所属聚类中心,实现簇的归属。实验表明,基于密度峰值的半监督聚类算法利用先验知识来约束和引导聚类结果,在一定程度上改善了聚类的效果,并可应用于任意形状数据集的聚类问题中。     

基于特征的时间序列聚类方法研究进展

时间序列聚类可以根据相似性将对象集分为不同的组, 从而反映出同组对象的相似性特征和不同组对象之间的差异特征。当序列维度较高时, 传统的时间序列聚类方法容易受噪声影响, 难以定义合适的相似性度量, 聚类结果往往意义不明确。当数据有缺失或不等长时, 聚类方法也难以实施。基于上述问题, 一些学者提出了基于特征的时间序列聚类方法, 不仅可以解决上述问题, 还可以发现序列本质特征的相似性。本文根据时间序列的不同特征, 综述了基于特征的时间序列聚类方法的研究进展, 并进行了分析和评述;最后对未来研究进行了展望。     

一种前沿推进的自适应三角网生成算法

现有前沿推进算法在利用前沿推进法对二维平面区域进行自适应三角网剖分时,由于前沿边形态包含复杂的几何特征,导致网格单元质量不高、算法速度慢、鲁棒性低。该文提出一种兼顾三角单元质量及鲁棒性的三角网生成算法。首先,将前沿边内向推进过程中的所有形态归纳为4种类型;然后利用候选网格点试探算法构建最优三角单元,并通过相邻前沿线段内夹角搜索阈值分级让步的方式维护算法鲁棒性。实验表明:该算法能够快速识别并处理复杂的前沿边形态特征,生成单元疏密过渡均匀且质量较高的自适应三角网。     

广东省“人口—经济—土地—社会—生态”城市化协调度时空变化及其聚类模式

多维城市化协调度评价是衡量区域城市化质量的重要方面,探究城市化时空聚类模式则是分析区域城市化特征的有效方法。针对目前城市化协调度评价缺乏多维度时空综合分析的现状,本文以广东省为例,提出一种基于时空权重矩阵的复杂时空系统协调度评价模型,运用此模型分析2006-2014年城市化协调度的时空变化特征,并借助时空扫描方法分析其聚类模式。研究结论为：①近10年来城市化水平呈现3种时序特征,人口城市化水平表现出随时间均衡发展的“集中”特征,而经济与土地表现出低频次的“集中与分散”交替,社会、生态及综合水平表现出高频次的“集中与分散”交替;稳定型城市主要位于珠三角核心区。②各维度及综合系统协调度时空聚类区既有空间分异性又有重叠性,人口协调度时空聚类于粤西地区,经济与土地维度协调度时空聚类高度重合于珠三角与粤北地区,社会与生态维度协调度时空聚类交叉于珠三角与粤东地区,而综合系统协调度居中。此外,时空聚类区的人口、经济与社会维度的协调度稳定性要优于土地与生态维度。本文结论有助于揭示区域城市化的时空特征。