基于移动时空轨迹的路网热点区域挖掘系统设计与实现

发布时间：2025-04-27 03:01

　　近年来,随着无线定位技术的飞速发展以及机动车量的不断增多,移动对象轨迹的获取变得越来越便捷且呈爆炸式增长,这些数据蕴含着对象的时空动态性及其行为特征,因此,如何有效处理这些海量轨迹数据并从中获取知识日益成为当前研究热点。尤其在交通领域中,大规模的车辆轨迹数据不仅展现了对象随时间变化的移动信息,更重要的是可通过其聚集的路段或区域挖掘交通热点区域,发现城市交通出行规律,从而更好地为交通管理者提供辅助决策信息。然而轨迹的时空序列特性使得交通热点区域也随时间动态变化,传统聚类方法仅局限于轨迹的空间属性,并不能探测热点区域随时间的变化分布情况,导致无法更准确地挖掘移动对象的出行规律。因此,针对以上问题,本文提出一种移动环境下基于时空轨迹的路网热点区域挖掘系统,主要研究内容如下:(1)创建完整的轨迹数据预处理模型。主要包括噪声过滤、停留点检测以及轨迹压缩与分段。首先基于密度聚类算法快速过滤噪声点;然后针对轨迹时空特性,改进传统DBSCAN聚类算法提取停留点,消减无用数据;最后利用检测曲线凹凸分界点的方法提取轨迹特征点,作为轨迹压缩与分段标准,减小数据存储压力并提升数据分析能力,为后续轨迹聚类模型提供...

【文章页数】：93 页

【学位级别】：硕士

【部分图文】：

图1-1时空轨迹示意图

图1-1时空轨迹示意图为解决现阶段轨迹聚类与交通热点区域发现存在的以上问的时空语义信息提出了ST-CFSFDP轨迹聚类算法，并在后数据预处理开始着手，根据车辆轨迹的出行特性，对其进行测及轨迹压缩分段操作，同时利用检测曲线凹凸分界点提取提出一种新的子轨迹划分方法，对轨迹进行....

图1-2本文研究内容结构图

7图1-2本文研究内容结构图空轨迹挖掘核心算法研究。本章首先介绍了轨迹聚类的基础上，对子轨迹进行近似转换形成一些列的转换据单元，提出了一种基于转换节点的时空轨迹相似性有聚类算法的不足进行分析，借鉴算法CFSFDP提供出了一种结合时空相似性度量的轨迹聚类算法ST-CF算法....

图2-1轨迹中的噪声点

分三方面介绍轨迹数据预处理。清洗清洗主要包括噪音点的过滤和冗余点的剔除。其中，设备异常导致的错误采样，导致采样的原始数据发生严由于移动对象较长时间段始终驻留在某个位置而产生行轨迹数据挖掘分析时，数据中的停留区域常常可表示圈、火车站以及一些旅游景点等等。因此，轨迹数据点过滤、停留点....

图2-2停留点

第二章相关原理与技术，若速度超过给定阔值，则被归为疑似异常点；然后，再根据点的数量应当远远小于正常点”，最终锁定是否异常点，并通式的方法在轨迹初始点位置错误以及低采样率的情况下可取得停留点检测数据中的轨迹点常常蕴含不同的价值信息，例如购物、观光某的轨迹数据反映了人们一段时间的行....

本文编号：4041777