[發(fā)明專利]一種基于密度峰值的自適應(yīng)時(shí)空軌跡聚類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011001436.4
• 申請(qǐng)日: 2020-09-22
• 公開(kāi)（公告）號(hào): CN112070179A
• 公開(kāi)（公告）日: 2020-12-11
• 發(fā)明（設(shè)計(jì)）人: 陳犖;陳南宇;熊偉;鐘志農(nóng);吳燁;楊岸然;賈慶仁;歐陽(yáng)雪;曹競(jìng)之
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍國(guó)防科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 北京市京大律師事務(wù)所 11321
• 代理人: 方曉明

1.一種基于密度峰值的自適應(yīng)時(shí)空軌跡聚類方法，其特征在于，包括以下步驟：

S1：輸入軌跡數(shù)據(jù)T、參數(shù)K和q；

S2：由基于時(shí)間約束的Hausdorff距離度量算法計(jì)算軌跡間相似度，生成相似度矩陣M；

S3：由相似度矩陣M計(jì)算局部密度p_i，并且計(jì)算δ_i；

S4：計(jì)算γ_i，生成決策圖，并獲取決策臨界點(diǎn)θ_c，選取聚類中心p_c；

S5：由相似度矩陣M獲取各軌跡到聚類中心的距離，并將其歸入距離最小的簇類中；

S6：由等間隔合并法生成代表軌跡Tr，并輸出各簇類與代表軌跡Tr。

2.根據(jù)權(quán)利要求1所述的一種基于密度峰值的自適應(yīng)時(shí)空軌跡聚類方法，其特征在于，所述步驟S2中基于時(shí)間約束的Hausdorff距離度量算法偽代碼如下：

定義：

len():獲得軌跡點(diǎn)集合中點(diǎn)的個(gè)數(shù)

輸入：軌跡數(shù)據(jù)Tr_A、Tr_B,同步參數(shù)百分比q

輸出：Hausdorff距離H(Tr_A,Tr_B)

計(jì)算k：k1＝q·(len(Tr_A)),k2＝q·(len(Tr_B))

fora_i in Tr_A：

在Tr_B中找到在時(shí)間維度上離t_ai最近的點(diǎn)bl

生成同步子軌跡段NTr_B＝{b_l-k2,...,b_l,...,b_l+k2}

將di_min推入集合d_min

按公式

獲得h(Tr_A,Tr_B)，

for b_i in Tr_B：

在Tr_A中找到在時(shí)間維度上離t_bi最近的點(diǎn)a_l

獲得同步子軌跡段NTr_A＝{a_l-k1，…，a_l，…，a_l+k1}

將di_min推入集合dmin

按公式

獲得h(Tr_B，Tr_A)

按公式H(A，B)＝max{h(A,B),h(B,A)}

獲得H(Tr_A,Tr_B)

return H(Tr_A,Tr_B)。

3.根據(jù)權(quán)利要求1所述的一種基于密度峰值的自適應(yīng)時(shí)空軌跡聚類方法，其特征在于，所述步驟S3中計(jì)算p_i的公式為：

其中，K為輸入?yún)?shù)，{j₁，j₂…j_k}表示離數(shù)據(jù)i最近的K個(gè)點(diǎn)，d_ij為兩點(diǎn)之間的距離；

向上距離δ_i是通過(guò)計(jì)算數(shù)據(jù)i與比它更高密度數(shù)據(jù)之間的距離的最小值來(lái)定義的：

對(duì)于數(shù)據(jù)集中局部密度最高的點(diǎn)，則采用以下公式：