导读:本文包含了轨迹聚类论文开题报告文献综述及选题提纲参考文献，主要关键词:复杂轨迹,相似性,拓扑结构,聚类
轨迹聚类论文文献综述
孙勇,王会蒙,靳奉祥,杜云艳,季民[1]（2019）在《一种基于空间-拓扑结构相似性的复杂轨迹聚类算法》一文中研究指出复杂的面状空间实体如海洋涡旋、环流和降雨过程在运动过程中会产生更复杂的轨迹,即具有分支结构的复杂轨迹。为了挖掘这类复杂轨迹的运动模式特征,本文从复杂轨迹的拓扑结构和空间特征出发,创新性地提出复杂轨迹的空间-拓扑结构相似性度量算法(Spatial-Topological Similarity Measurement, STSM),该算法是基于图同构算法VF2改进的。首先STSM算法将复杂轨迹用带有节点和边的图结构表达,并将空间信息融入图结构的节点属性中,通过匹配复杂轨迹之间所有最大公共子结构,找到匹配结构中节点之间一一对应的关系,利用加权的欧式距离计算复杂轨迹匹配结构中点对之间的空间距离。然后,基于STSM相似性算法进行层次聚类分析,旨在发现复杂轨迹之间相似的拓扑结构在空间上的聚集模式。最后,利用1993-2016年长时间序列的中国南海冷涡复杂轨迹验证方法的有效性,并对比分析复杂轨迹拓扑结构相似性算法CSM。结果表明:单纯用拓扑结构相似性算法CSM进行聚类分析,不能充分挖掘空间的聚集模式,因为不同空间位置也存在拓扑结构相似的轨迹。而本文提出的STSM算法将南海冷涡复杂轨迹分为5类,第一类分布在南海北部、第二类分布在南海中部、其他叁类交错在南海南部。这种聚集模式在一定程度上反映了冷涡的生成和演化过程在南海北部、中部、南部的差异性,同时也表明了冷涡移动在南海南部存在更为复杂的异质性。因此,本文提出的方法可以有效地从复杂轨迹数据中发现其演化过程的潜在聚集模式,为认识这类复杂动态现象的时空演化特征提供了一种新的方法。(本文来源于《地球信息科学学报》期刊2019年11期）
江玉玲,熊振南,唐基宏[2]（2019）在《基于轨迹段DBSCAN的船舶轨迹聚类算法》一文中研究指出船舶自动识别系统(Automatic Identification System, AIS)数据中蕴藏着大量的海上交通特征,为挖掘AIS数据中有关船舶运动规律有效的、潜在的信息,提出一种改进型轨迹段DBSCAN(Density-Based Spatitcal Clustering of Applications with Noise)的聚类算法。船位转向角和航速变化量作为信息度量对船舶轨迹进行分段,采用离散Frechet距离作为轨迹相似度度量,利用类似DBSCAN算法对轨迹段进行聚类,得出船舶运动典型轨迹。以天津港为例,采用改进的轨迹段DBSCAN算法对船舶轨迹进行聚类,能从一定程度上提高聚类的效果和准确率,为进一步研究船舶异常行为打下基础。(本文来源于《中国航海》期刊2019年03期）
李旭东,成烽[3]（2019）在《一种基于密度峰值聚类的经典轨迹计算方法》一文中研究指出轨迹数据是一类重要的时空大数据,蕴含丰富的语义信息与行为模式。经典轨迹是群体轨迹移动时呈现出的相同或相似路径,在刻画海量轨迹时空特征、分析群体行为模式和预测移动对象路径等方面具有重要意义。本文提出了一种基于密度峰值聚类算法的经典轨迹计算框架,首先在相似性度量方面,采用并改进了顾及轨迹几何与方向的SSPD方法,然后在轨迹数据聚类方面,引入了密度峰值聚类方法,并使用其K近邻版本,以消除参数选择的不利影响,最后考虑到峰值点表征了具有最大局部密度的轨迹,直接将聚类中心作为经典轨迹输出。基于船舶轨迹的实验表明,本文方法可以有效从大规模轨迹中分析出经典轨迹,且同TRACLUS算法相比,输出的经典轨迹更为真实自然。(本文来源于《中国电子科学研究院学报》期刊2019年09期）
孙石磊,王超,赵元棣[4]（2019）在《基于轮廓系数的参数无关空中交通轨迹聚类方法》一文中研究指出为消除专家经验的主观性、避免依赖轨迹特征并且减轻实验调参的负担,提出一种基于轮廓系数的参数无关聚类分析(PICBASIC)算法。首先,比较了现有基于欧氏距离的航迹配对方法,并且建立基于动态时间弯曲(DWT)距离和高斯核函数的轨迹相似度计算模型;其次,利用谱聚类对空中交通轨迹进行聚类划分;最后,提出一种基于轮廓系数的最佳簇数寻优方法,并且其具有对聚类结果量化评价功能。利用真实进场轨迹进行实验验证,PICBASIC判断将28L跑道的365条轨迹聚为5个簇,28R跑道的530条轨迹聚为6个簇时聚类质量最佳,平均轮廓系数分别为0.809 9和0.805 6。相同实验数据条件下,PICBASIC与MeanShift聚类的平均轮廓系数差异率分别为-1.23%和0.19%。实验结果表明:PICBASIC包容轨迹的速度和长度差异,全程无需人工指导或实验调参,而且能够筛除异常轨迹对聚类质量的不利影响。(本文来源于《计算机应用》期刊2019年11期）
温广瑞,陈征,张志芬[5]（2019）在《基于模糊C均值聚类和转子轴心轨迹特征的转子状态诊断》一文中研究指出针对现有轴心轨迹特征用于转子故障程度判别识别精度低、效果差的问题,提出一种基于轴心轨迹象限信息熵的轴心轨迹特征提取新方法。该方法将轴心轨迹按象限划分为四个区域,分别计算四个区域的信息熵作为故障特征,然后使用模糊聚类进行故障模式识别和故障程度判别。通过分析网格划分程度对于聚类效果的影响,确定了象限信息熵获取过程中关键参数的确定方法,进而通过聚类中心初始化,改善了模糊C均值算法聚类效果不稳定的问题。通过在实验台进行不同故障不同程度的故障模拟实验,将提出的新指标与现有轴心轨迹特征进行对比,结果表明该方法在识别效果和数据可视化方面表现卓着,为后期进行实时状态监测和故障精密诊断提供了新的思路。(本文来源于《振动与冲击》期刊2019年15期）
杨震,王红军[6]（2019）在《基于轨迹划分与密度聚类的移动用户重要地点识别方法》一文中研究指出移动用户轨迹数据作为新兴的空间轨迹数据,可用于分析个体或群体的行为特征、兴趣爱好,在智慧城市、交通规划和反恐维稳等领域应用广泛。为了从庞大的数据集中识别出移动用户的重要地点,提出了一种基于转角偏移度与距离偏移量的轨迹划分算法。该算法首先通过轨迹划分提取出用户的重要地点候选集,然后采用一种改进的密度聚类算法进一步对用户的候选重要地点实现聚类,从而识别出用户的最终重要地点。在Geolife轨迹数据集与Foursquare用户签到数据集上的实验表明,采用轨迹划分与密度聚类相结合的重要地点识别方法具有比现有的重要地点识别方法更高的准确率,证明了所提方法的可行性与优越性。(本文来源于《计算机科学》期刊2019年08期）
冯心欣,柳泽烽,谢志鹏,郑海峰[7]（2019）在《考虑道路形状约束的车辆轨迹聚类方法》一文中研究指出随着车联网技术的不断发展,产生了海量车辆轨迹数据。这些车辆轨迹数据可以通过聚类分析方法挖掘出车辆行驶的潜在规律,从而实现指导车辆出行的目的。提出一种基于密度的车辆轨迹聚类方法,对基于道路形状关键点位置选取的车辆轨迹信息进行重构,并考虑车辆在路网中移动的空间约束,分析聚类结果得到城市道路的交通状况,以此指导车辆出行以避免或减轻车辆拥堵。基于福州市真实的车辆数据对提出的车辆轨迹聚类算法进行验证,并对最后的聚类结果进行了详细的分析。实验结果表明,针对车辆轨迹聚类并结合道路网络的方法能够更加真实反映车辆的行为特征。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2019年04期）
梁景宇,赵渺希,沈娉[8]（2019）在《基于GPS轨迹的都市外围乡村徒步旅游社区聚类》一文中研究指出徒步旅游社区是都市外围郊野地区徒步旅游活动服务和管理的单元,合理划分徒步旅游社区对于引导当地形成旅游主题和供给公共设施,以及优化旅游要素的配置和提高设施使用效率具有重要意义。文章以广州北部郊区增城和从化的旅游生态型城镇为例,基于互联网共享的徒步旅游GPS轨迹数据对研究范围内的空间单元进行聚类分析,划分出不同类型的徒步旅游社区。不同社区在景观风貌和游客活动方面呈现出明显的差异化特征。通过聚类的方法划分差异显着的徒步旅游社区,对凝练社区徒步活动主题、有针对性地优化配置服务设施、实施人流预警分流、改善徒步旅游社区间连通性等旅游规划和管理方面具有一定价值。(本文来源于《旅游学刊》期刊2019年08期）
路强,杨贵冰,檀俊滔,余烨,Xiaohui,Yuan[9]（2019）在《道路交通趋势可视化中的多代表性轨迹聚类方法》一文中研究指出车辆轨迹数据中蕴含城市交通和移动对象行为的宏观信息,从中可以挖掘出有价值的城市交通趋势和车辆行为模式等信息,分析轨迹数据对于指导智能交通管理有重大意义.针对车辆轨迹数据的无序性和现行方法缺少对于轨迹整体趋势有较为精确地描述的问题,提出一种基于密度的轨迹聚类方法.首先按照角度阈值与长度限制划分轨迹,然后通过新的对称距离函数衡量轨迹段之间的相似度,最后对于聚类结果生成相应的多代表性轨迹.对3个轨迹数据集的实验结果表明,该方法生成的多代表性轨迹能较好地描述聚类整体趋势,为交通运输管理系统提供参考.(本文来源于《计算机辅助设计与图形学学报》期刊2019年07期）
陶硕,刘盈[10]（2019）在《基于热点度轨迹显影机制的网络社区聚类算法》一文中研究指出为解决网络社区聚类算法在实际应用中存在热点捕捉困难和社区聚类生存时间较低的问题,提出了一种基于热点度轨迹显影机制的网络社区聚类算法。首先,考虑网络社区聚类存在的多径一体特性,采用抽样方式与角度估计方法来实现热点信号的精确捕捉,以提高聚类效率;随后,对热点信号矢量空间进行按列重排,并综合考虑传输矩阵具有的按列正交及全秩特性,构建热点度轨迹显影方法,以提高聚类中热点显影速度和增加聚类生存时间。仿真实验表明:与聚类流动性映射算法(Clustering Liquidity Mapping Algorithms,CLM算法)、超欧里几何热度聚类算法(Hyper-Eulerian Geometric Thermal Clustering Algorithms,H-EGTC算法)相比,所提算法具有更低的聚合时间和搜寻失误率,以及更高的热点显示时间。(本文来源于《井冈山大学学报(自然科学版)》期刊2019年04期）
轨迹聚类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
船舶自动识别系统(Automatic Identification System, AIS)数据中蕴藏着大量的海上交通特征,为挖掘AIS数据中有关船舶运动规律有效的、潜在的信息,提出一种改进型轨迹段DBSCAN(Density-Based Spatitcal Clustering of Applications with Noise)的聚类算法。船位转向角和航速变化量作为信息度量对船舶轨迹进行分段,采用离散Frechet距离作为轨迹相似度度量,利用类似DBSCAN算法对轨迹段进行聚类,得出船舶运动典型轨迹。以天津港为例,采用改进的轨迹段DBSCAN算法对船舶轨迹进行聚类,能从一定程度上提高聚类的效果和准确率,为进一步研究船舶异常行为打下基础。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
轨迹聚类论文参考文献
[1].孙勇,王会蒙,靳奉祥,杜云艳,季民.一种基于空间-拓扑结构相似性的复杂轨迹聚类算法[J].地球信息科学学报.2019
[2].江玉玲,熊振南,唐基宏.基于轨迹段DBSCAN的船舶轨迹聚类算法[J].中国航海.2019
[3].李旭东,成烽.一种基于密度峰值聚类的经典轨迹计算方法[J].中国电子科学研究院学报.2019
[4].孙石磊,王超,赵元棣.基于轮廓系数的参数无关空中交通轨迹聚类方法[J].计算机应用.2019
[5].温广瑞,陈征,张志芬.基于模糊C均值聚类和转子轴心轨迹特征的转子状态诊断[J].振动与冲击.2019
[6].杨震,王红军.基于轨迹划分与密度聚类的移动用户重要地点识别方法[J].计算机科学.2019
[7].冯心欣,柳泽烽,谢志鹏,郑海峰.考虑道路形状约束的车辆轨迹聚类方法[J].重庆邮电大学学报(自然科学版).2019
[8].梁景宇,赵渺希,沈娉.基于GPS轨迹的都市外围乡村徒步旅游社区聚类[J].旅游学刊.2019
[9].路强,杨贵冰,檀俊滔,余烨,Xiaohui,Yuan.道路交通趋势可视化中的多代表性轨迹聚类方法[J].计算机辅助设计与图形学学报.2019
[10].陶硕,刘盈.基于热点度轨迹显影机制的网络社区聚类算法[J].井冈山大学学报(自然科学版).2019