46、基于分割和基于组过滤的细节保留轨迹总结

基于分割和基于组过滤的细节保留轨迹总结

随着全球定位系统（GPS）等位置采集设备的广泛部署，产生了大量的轨迹数据。这些数据蕴含着丰富的信息，在城市计算和智能交通系统等众多实际应用中具有重要价值。为了挖掘这些数据背后的知识和共同趋势，聚类是一种常用的技术。然而，由于轨迹数据具有复杂的特性，传统的聚类算法在处理轨迹数据时存在一定的局限性。

传统方法的局限性

• 经典聚类算法 ：如k - means、DBSCAN和OPTICS等，主要侧重于处理点数据。由于轨迹通常具有不同数量的采样点，很难建立轨迹的特征向量和轨迹间的距离度量。
• 整体轨迹聚类 ：一些方法将轨迹作为一个整体进行聚类，但可能会错过子部分中嵌入的共同趋势。
• 现有分组总结方法 ：虽然有一些基于分组的轨迹总结方法，但它们存在重采样误差大、无法有效保留原始轨迹细节等问题。

新方法的提出

为了解决上述问题，提出了一种基于轨迹分割的新颖轨迹总结方法。该方法通过迭代执行五个阶段，能够在不牺牲细节的情况下生成多粒度的轨迹总结。

异常检测

• 定义轨迹和搜索窗口 ：
  • 第k次迭代输出中的第j条轨迹定义为 (T_{k,j} = [p_{k,j}^1, p_{k,j}^2, …, p_{k,j}^n])，其中 (p_{k,j}^i = (x_{k,j}^i, y_{k,j}^i)) 是第i个采样点的坐标。