欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023100313522
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种融合密度值和K-means算法的车辆轨迹聚类方法,其特征在于,包括如下步骤:步骤一、采集车辆移动的轨迹数据进行预处理后,获得轨迹集合TS={T1,T2,…Ti,…Tj,…Tn};

其中,Ti为第i条轨迹,Tj为第j条轨迹,且i=1~n,j=1~n,Ti={i,p1,p2…pt,…pm},Tj=(j,q1,q2…qt,…ql),pt为轨迹Ti在时间戳为t处的轨迹点(x1,y1,t),qt为轨迹Tj在时间戳为t处的轨迹点(x2,y2,t);

步骤二、依次对所述轨迹集合中的轨迹两两之间计算轨迹距离,并将所述轨迹集合中所有轨迹间的轨迹距离保存至轨迹距离矩阵中;

其中,所述轨迹距离满足:

D(Ti,Tj)=D(pt,qt);

式中,D(Ti,Tj)为轨迹Ti和轨迹Tj之间的距离,D(pt,qt)为轨迹点pt和轨迹点qt之间的变换距离,且轨迹点pt和轨迹点qt之间的变换距离满足:式中,d(pt,qt)为轨迹点pt和轨迹点qt之间的实际距离,min{d(pt-1,qt-1),d(pt-1,qt),d(pt,qt-1)}为轨迹Ti和轨迹Tj间的对齐点对的最小距离;

步骤三、确定所述轨迹集合中所有轨迹的密度,并将密度值最大的轨迹作为第一条中心轨迹添加至簇中心轨迹集合TScen={Tc1,Tc2,…,Tcz…,Tck}中;

其中,所述轨迹的密度满足:

式中,ρ(Ti)为轨迹Ti的密度,u(x)为函数取值,Eps为邻域距离,Tcz为第z条中心轨迹,z=1~k;

步骤四、依次计算所述轨迹集合中每条剩余轨迹被选为中心轨迹的权重,将所述轨迹集合中权重值最大的剩余轨迹作为下一条中心轨迹,并将其移入簇中心轨迹集合中,直至簇中心轨迹集合的容量达到K时,中心轨迹挑选完成;

其中,

步骤五、将所述轨迹集合中密度最低值的轨迹移除,再次进行K-means聚类,直至达到迭代次数或者轨迹簇内的元素不再改变,轨迹聚类过程结束。

2.如权利要求1所述的融合密度值和K-means算法的车辆轨迹聚类方法,其特征在于,所述预处理包括:轨迹挑选、轨迹段分割和/或轨迹填充。

3.如权利要求2所述的融合密度值和K-means算法的车辆轨迹聚类方法,其特征在于,所述步骤二还包括:若所述轨迹集合中的轨迹两两之间没有重合时间,则轨迹距离为INF,轨迹自身的距离为INF。

4.如权利要求3所述的融合密度值和K-means算法的车辆轨迹聚类方法,其特征在于,轨迹两两之间的重合时间的确定具体包括:若则两条轨迹之间没有重合时间,当两条轨迹之间有重合时间时,则[a,b]为两条轨迹之间的重合时间;

其中,starti为轨迹Ti的起始时间,endi为轨迹Ti的终止时间,startj为轨迹Tj的起始时间,endj为轨迹Tj的终止时间,a=max(starti,startj),b=min(endi,endj)。

5.如权利要求4所述的融合密度值和K-means算法的车辆轨迹聚类方法,其特征在于,所述邻域距离满足:式中,为距离数组的平均值。

6.如权利要求5所述的融合密度值和K-means算法的车辆轨迹聚类方法,其特征在于,所述距离数组满足:Dη={d(xiη)};

式中,Dη为距离数组,d(xiη)为距离参数,且所述距离参数为轨迹距离矩阵中的每一行的第η小值,i为轨迹编号,η为Eps邻域参数。

7.如权利要求6所述的融合密度值和K-means算法的车辆轨迹聚类方法,其特征在于,所述Eps邻域参数满足:式中,n为轨迹集合中的轨迹条数。

8.如权利要求7所述的融合密度值和K-means算法的车辆轨迹聚类方法,其特征在于,所述轨迹被选为中心轨迹的权重满足:ω(Ti)=dmin(Ti,TScen)*ρ(Ti);

式中,ω(Ti)为轨迹Ti被选为中心轨迹的权重,dmin(Ti,TScen)为轨迹Ti到簇中心轨迹集合TScen的最小中心轨迹距离。

9.如权利要求8所述的融合密度值和K-means算法的车辆轨迹聚类方法,其特征在于,所述轨迹Ti到簇中心轨迹集合TScen的最小中心轨迹距离满足:dmin(Ti,TScen)=min(D(Ti,Tcz))(Tcz∈TScen,z∈[1,k]);

式中,D(Ti,Tcz)为轨迹Ti到簇中心轨迹集合TScen中的中心轨迹Tcz的轨迹距离。