基于时空轨迹的交通数据分析与应用

摘要

随着定位技术精度的提高和各种车载传感器的广泛使用，越来越多的车辆轨迹数据被记录下来。这些海量的轨迹数据中蕴含着大量的有价值信息，因此，如何从这些海量数据中挖掘出符合一定场景的有价值信息是很有必要的。而车辆轨迹数据不同于一般的轨迹数据，它被限定在受约束的路网中，因此，常用的轨迹数据挖掘方法往往难以直接应用在车辆轨迹挖掘中。基于此，本文提出了轨迹时空相似性度量算法GTTSD和基于K-均值优化DBSCAN聚类算法，并设计实现了车辆轨迹数据综合挖掘系统，具体工作如下：
　　(1)轨迹时空距离度量算法GTTSD。该算法在进行轨迹时空相似性度量时，首先通过动态网格划分法将传统基于欧式空间的路径表示转换为空间网格表示，随后根据轨迹序列上的断点进行轨迹分割，最后将分割后的子轨迹进行时空相似度计算。此算法既可以降低轨迹数据的存储开销又避免了相同轨迹数据在欧式空间中因采样时间不一致而造成的轨迹相似性度量出现偏差。通过实验证明了该度量方法相比DTW、LCSS、G_LCSS具有更高的执行效率和更为准确的度量结果。
　　(2)基于K-均值优化的DBSCAN算法。针对传统DBSCAN聚类算法结果受人为设定参数值影响较大的弊端，本文提出了基于K-均值优化的DBSCAN算法。该算法首先通过K-均值聚类算法对数据对象进行快速聚类，并将聚类结果进行统计分析得出DBSCAN算法中初始邻域半径和邻域密度阈值的取值，基于此，对数据对象进行DBSCAN聚类并在聚类过程中动态调整邻域半径的取值。通过实验证明了该算法对轨迹数据具有较好的聚类效果。
　　(3)车辆轨迹数据综合挖掘系统。该系统集轨迹数据提取、轨迹时空距离度量、轨迹聚类、路网热点区域挖掘功能于一体，可根据用户需求不同对轨迹数据进行不同操作，具有较强的实际应用价值。

目录

声明

第一章 绪论

1.1研究背景及意义

1.2国内外研究现状

1.3本文研究内容

1.4论文结构

第二章 时空轨迹数据挖掘概述

2.1时空轨迹数据

2.2轨迹时空距离度量

2.3聚类算法研究

2.4热点区域分布探测

2.5本章小结

第三章 基于网格空间的轨迹时空距离度量算法GTTSD

3.1引言

3.2相关定义

3.3轨迹分割

3.4网格划分

3.5轨迹时空相似性度量

3.6实验设计与分析

3.7本章小结

第四章 基于轨迹聚类的热点区域空间分布模型研究

4.1引言

4.2 DBSCAN算法

4.3基于K-均值的DBSCAN算法参数自适应优化

4.4热点区域探测

4.5实验结果及分析

4.6本章小结

第五章 车辆轨迹数据综合挖掘系统的设计与实现

5.1系统介绍

5.2系统总体设计

5.3功能模块详细设计与实现

5.4系统展示

5.5本章小结

第六章 总结与展望

6.1总结

6.2展望

致谢

参考文献

攻硕期间取得的研究成果