基于ST DBSCAN的航迹聚类实现

针对现有飞行目标的航迹聚类算法的不足,提出的一种可对任意形状的航迹聚类,且不需提前划分聚类目标个数,可解决时空域航迹数据的聚类方法。通过航迹信息中的空间坐标以及时间信息,扫描选取航迹数据中的任意未标记点,进行时间域上的邻近点扫描,再对时间邻域内的点进行空间域扫描,通过时空域内邻近点迹的数量将相同目标的航迹形成簇,并通过数据仿真验证本聚类方法的有效性。

基于ST-DBSCAN聚类算法的矿井冲击地压微震监测数据时空特性分析

矿井冲击地压是地下矿山中的一种常见地质灾害,对矿山的安全生产和员工的人身安全造成威胁。矿井常规的数据分析多采用数理统计方法进行危险预警分析,具有一定的片面性和局限性,对高维的微震监测数据时空特性分析明显不足,数据分析缺乏实时性,预警分析对特定软件的依赖性过大。为了提高冲击地压的预警能力,提出了一种基于ST-DBSCAN时空聚类算法的方法来分析矿井冲击地压微震监测数据的时空特性,相对于传统聚类算法,该方法表现出更高的鲁棒性。通过矿井真实微震数据验证分析,证明了ST-DBSCAN时空聚类算法能够满足冲击地压微震监测数据时、空、强分析要求,可以识别和分类工作面回采过程中的应力增高区,能够为矿井冲击地压的预警和管理提供决策支持。

基于重心点转移的St-DBSCAN改进算法

在目前已提出的聚类算法中,St-DBSCAN算法是一种基于密度且性能优越的时空聚类算法。但是当时空点分布出现密度倾斜时,St-DBSCAN算法会出现聚类时间过长和聚类效果不好的问题。基于此,通过对空间点分布存在的三种数据倾斜,采用数据重心点转移策略,提出了对应的解决方案,以此实现了改进后的St-DBSCAN算法。为了验证改进后算法的性能,以昆明市出租车GPS数据为实验数据,进行了算法性能对比实验。实验结果表明,改进St-DBSCAN算法的时间性能和聚类效果有了一定程度的提升。

基于优化的ST-DBSCAN算法的智能手机及车辆定位模型

为了降低HOV车道检测所需的建设成本和设备维护费用,进一步扩大监管区域,提出以优化ST-DBSCAN算法建立手机及车辆定位分析模型,能在一定程度上有效判断出在HOV车道上运行车辆的实际乘客数,为执行HOV车道中车辆实时监测提供一种新的辅助检测手段。通过采集道路上运行车辆及移动智能手机GPS和基站定位数据,运用优化的ST-DBSCAN聚类算法进行分类建立定位分析模型,计算出各个簇的关键对象度量值,根据HOV车道实际规定车载人数作为其最小支持度,满足最小支持度的数据集就是最后挖掘建立模型的依据。实验结果表明,该模型在HOV车道上的应用能有效辅助检测HOV车道车辆并有较高的检测准确率。

一种面向移动智能手机用户轨迹停留点提取的时空聚类算法研究

对移动智能手机定位获取的用户轨迹进行聚类分析,并基于密度的OPTICS聚类算法,提出针对时空聚类信息提取的ST-OPTICS方法,根据时空对象的时间戳改进聚类的簇排序,对同一运动轨迹下使用不同手机、不同定位方式的时空停留信息进行提取,并对聚类结果进行分析.结果表明:1ST-OPTICS算法能够识别任意形状和大小的聚簇,在参数设定和搜索邻域方面具有显著的优势,能够有效提取GPS定位抖动和漂移产生的小范围轨迹误差,提取的平均正确率在80%以上,比较适用于时空停留点的提取;2全局密度阈值中,低密度的簇易被忽略,通过更改参数设置,能提高局部时空停留点提取的正确率;3同一轨迹下,手机的定位策略不同,其停留点提取的正确率亦存在明显差异.基站定位误差是影响停留点提取精度的主要因素之一;4GPS信号由于受遮蔽物影响,造成定位错误,但对停留点提取误差的影响不大;5ST-OPTICS算法提取的平均正确率比ST-GRID高14%以上.

一种室内导航网络众包构建方法

室内导航网络是室内位置服务的基础,传统人工测绘或基于CAD半自动提取等方法时效性较差。室内移动对象众包轨迹数据的出现为室内导航网络构建提供了一种新的解决方案。提出一种室内导航网络众包构建方法。首先提取出用于构建室内导航网络的廊道区域轨迹点;其次通过轨迹点生长融合聚类算法将廊道轨迹点转化为聚类点;最后通过聚类点连接生成室内导航网络。以某商城一楼2d的移动对象轨迹数据进行了实验。结果表明,本文方法提取的室内导航网络准确度较高,能够为室内空间结构快速变化检测和更新提供支持。

一种多属性的时空数据聚类算法分析研究

时空聚类(spatial-temporal density based spatial clustering of applications with noise,ST-DBSCAN)算法只能处理固定属性的时空数据,且其人为设定阈值的方法具有较大随机性会导致聚类结果不理想。基于ST-DBSCAN算法存在的不足,提出了一种改进的多属性时空聚类算法。改进后的新算法采用绘制时空对象距离频数柱状图来设定自适应阈值,通过引入Gower相似系数、Dice相似系数与欧几里德距离来构建多属性相似度模型,计算多个事务对象之间属性特征的相似度大小,从而将ST-DBSCAN时空聚类算法扩展到更多属性的时空数据聚类分析中。以北京市计算机行业职位招聘信息数据进行实验仿真,实验结果表明,新提出的阈值设定方法可以有效识别部分低密度簇,提高聚类的准确性和有效性;改进后的算法具有较好的普适性与包容性,能对多属性的时空数据进行很好的聚类分析。

地震事件的多重时空聚类算法研究

地震序列是一组在一定的时间和空间范围内连续发生的地震事件,其发震机制具有某种内在联系,包含着地震孕育、发生、发展过程的丰富信息,是研究地震孕育、发震构造、区域应力特征及地震活动趋势的重要依据.实际的地震序列经常在时间和空间上重叠并淹没在海量的背景地震事件中,使得准确高效地识别地震序列仍然存在难度.本文基于ST-DBSCAN和DBSCAN两种聚类算法,采用先松后紧的参数设置策略,通过多次聚类逐渐寻找最佳的地震序列的方法构建了多重时空聚类算法,并同时获得每一个地震序列的展布方向、持续时间、序列类型等地震序列的特征参数.通过对理论合成地震目录和六盘山及其邻区内的实际地震目录的测试表明,该算法不需要预先设置地震序列的个数,可以有效的识别小震群;避免使用时空耦合距离参数,使参数的设置更具有实际意义;采用多次聚类策略,提高了聚类的有效性和准确性;计算效率高节约内存,能够对数量庞大的地震目录进行聚类;能够获得地震序列的相关统计参数,为进一步的定量分析提供依据;能够在含有噪点的数据集中有效识别具有复杂时空分布的地震序列,解决了因发震构造形状复杂所造导致的震群分布复杂无法识别的问题.