摘要: 随着移动通信设备的普及和无线网络覆盖范围的不断扩大，人们每天产生的轨迹数据量越来越多，轨迹数据指的是一系列包含记录时间、位置、速度等信息的轨迹点的集合，是对移动对象移动过程进行采样获得的信息记录，这些轨迹点按时间顺序构成了一条条轨... 展开 随着移动通信设备的普及和无线网络覆盖范围的不断扩大，人们每天产生的轨迹数据量越来越多，轨迹数据指的是一系列包含记录时间、位置、速度等信息的轨迹点的集合，是对移动对象移动过程进行采样获得的信息记录，这些轨迹点按时间顺序构成了一条条轨迹数据。数据采集与存储技术的不断发展进步，获取轨迹数据的方式和途径也越来越多，这些技术为后续开展轨迹数据挖掘提供了保障。探索海量数据背后可利用的信息并发现隐藏的行为规律是近几年来的研究重点，聚类算法作为一种数据挖掘便捷可靠的方法，成为轨迹挖掘和用户分析强有力的工具。 为了更好地对移动对象进行划分，本文首先结合时间、空间、语义信息等方面特征，建立移动对象间的相似性度量模型，有效地反映移动对象的兴趣爱好、日常行为模式。然后针对密度峰值聚类算法(DensityPeakClustering,DPC)自身存在的局限性，提出基于共享近邻贡献度的密度峰值聚类算法(DensityPeakClusteringBasedonSharedNearestNeighborContribution,SNNC-DPC),结合信息熵理论，最小化局部密度熵实现截断距离的自适应选择;在局部密度计算上，利用共享近邻贡献度重新计算局部密度，更加全面地反映数据分布的特性;采用非线性变换方法选取决策值，解决聚类中心选取困难且方法单一的问题。通过对比实验说明了SNNC-DPC算法的可行性。 为了进一步提高聚类质量，针对DPC算法在划分数据点时采用单步分配方法的不足，提出了基于分配策略优化的密度峰值聚类算法(DensityPeakClusteringBasedonAllocationStrategyOptimization,ASO-DPC),引入邻域从属点、非邻域从属点和密度近邻集合的概念，运用优化后的策略对非聚类中心点进行二步分配，减少了数据点分配的错误，提升了聚类性能。 最后，本文将两种基于密度峰值的改进算法相结合，并应用于真实的校园轨迹数据集，不但能将移动对象划分成不同的类簇，而且能检测出轨迹数据的异常值。实验结果表明，本文提出的改进聚类算法具有较大的优势，在有效划分不同类簇的同时，可以准确地对移动对象的行为进行评估，通过数字化、信息化的方式为科学管理，安全预防等方面提供相关决策依据。 收起