[发明专利]一种基于并行ST-AGNES算法的车辆轨迹聚类方法

说明书

本发明公开了一种基于并行ST‑AGNES算法的车辆轨迹聚类方法，本发明并行计算的特点是利用多处理单元一起工作，同时执行某一任务以达到更高性能。并行计算是提高计算机系统计算速度和处理能力的一种有效手段。因此，本发明从一个全新的视角出发，提出一种基于并行ST‑AGNES算法的车辆轨迹聚类方法，其中一种基于动态时间规整的车辆轨迹时间和空间相似性度量方法，较好地解决了车辆轨迹采样率不同和时间尺度不一致的问题，构建了车辆轨迹的时间和空间相似性矩阵；研究了不规则轨迹数据的拆分方案和并行计算的通讯机制，其中一种面向对象的轨迹数据拆分方案；基于最小距离进行聚簇连接，设计了面向车辆轨迹数据的并行ST‑AGNES算法。

技术领域

本发明涉及车辆轨迹算法领域，尤其涉及一种基于并行ST-AGNES算法的车辆轨迹聚类方法。

背景技术

轨迹数据是在时空环境下，通过对一个或多个移动对象运动过程的采样所获得的数据信息。现实世界中存在着大量轨迹数据，例如动物迁徙轨迹、车辆轨迹、飓风轨迹等。随着通信技术和定位技术的快速发展，实时有效地对移动对象进行监测，获取海量的轨迹数据成为可能。大规模轨迹数据在给人们的生活带来便利的同时，也对轨迹数据的管理和应用提出了很多新的挑战，其中主要有两个方面：数据规模和数据挖掘。轨迹数据的快速增加，并没有带来知识的同步快速增长。如何从轨迹数据中挖掘出时空变化规律，从而为管理者和行人提供决策支持，成为当前数据挖掘研究的热点之一。

作为空间数据挖掘的重要手段之一，空间聚类分析能够从大量空间数据中发现隐藏的、未知的知识。空间聚类是一种无监督的学习方法，不需要任何先验知识，从而将空间数据集中的对象分成由相似对象组成的类，同类中的对象间具有较高的相似度，而不同类中的对象间差异较大。层次聚类方法对给定的数据集进行层次的分解，直到某种条件满足为止，能够适用于任意形状和任意属性的数据集，能够灵活控制不同层次的聚类粒度，具有较强聚类能力。AGNES算法是一种凝聚性的层次聚类算法，采取自底向上的策略，首先将每个对象作为一个簇，然后合并这些原子簇为越来越大的簇，直到某个终结条件被满足。AGNES算法能够较好地满足线状的车辆轨迹聚类的要求。

车辆轨迹记录了车辆的时间、空间和属性特征，属于典型的时空数据，其描述的时间周期一般较长，覆盖范围通常较大，并且包含多方面的属性特征，由此造成轨迹数据量一般比较大。由于车辆轨迹数据规模较大，即使非常优化的算法，受制于普通计算机的存储和计算能力，在面向海量车辆轨迹的时空聚类中，也往往需要很长的计算时间。提高单台计算机的性能，虽然能够加快计算速度，但是高性能计算机普遍价格昂贵，不利于大规模的推广应用。面向大规模的车辆轨迹数据，基于串行的轨迹时空聚类算法显然不能满足大规模轨迹数据分析的需要。

发明内容

本发明的目的是要提供一种基于并行ST-AGNES算法的车辆轨迹聚类方法。

为达到上述目的，本发明是按照以下技术方案实施的：

本发明包括车辆轨迹时空相似性计算方法、面向对象的轨迹数据拆分方法和面向车辆轨迹的并行ST-AGNES算法；

所述车辆轨迹时空相似性计算方法包括以下步骤：

步骤一：从轨迹数据库中依次读取车辆轨迹数据；

步骤二：将连续的车辆轨迹数据离散成一个按照时间排序的点序列，从连续轨迹中选取特征点；

步骤三：采用坐标点和道路结点编号相结合的方式表达车辆轨迹的特征点；

步骤四：使用两条轨迹DTW距离的平均值表示两条轨迹的时间和空间距离；

步骤五：基于平均DTW距离计算方法，计算任意两条轨迹之间的平均DTW距离；

步骤六：基于计算得到的任意两条轨迹之间的平均DTW距离，获取车辆轨迹数据的时间距离矩阵和空间距离矩阵；

所述面向对象的轨迹数据拆分方法包括以下步骤：