如今移动物体的轨迹数据在多个领域被广泛的收集，如动物生态学，运动以及航空。移动物体的相似轨迹的聚类是运动分析中的重要技术。可以使用距离函数基于轨迹点或段的属性来评估轨迹之间的相似性。属性可能包括空间位置，时间和其他数据属性。有这样的需求，需要分析轨迹的某些部分，即具有特定属性的点和段。根据分析焦点，需要对轨迹的相关部分进行聚类。在整个分析过程中，焦点可能会改变，轨迹的不同部分可能会变得相关。这篇文章[1]提出一个分析工作流程，其中使用交互式过滤工具将相关标志附加到轨迹点，聚类是使用忽略不相关元素的距离函数完成的，并且汇总了所得到的聚类进一步分析。
该工作有三个主要的工作流程，分别为过滤，聚类和汇总分析。 继续阅读 »
移动物体(Moving objects)例如车辆、船舶、飞机等不是随机地运动，而是有一定的功能性的关系，例如飞机的有相同的目的地。这时我们把这类轨迹的集合成为交通流（Traffic flows）。然而这些轨迹通常数目多而且具有重叠。交通流通常会有一定的行为模式（Patterns），但是这些模式很难挖掘到。因此可视化交通流面临许多挑战： 继续阅读 »
地图是展现空间数据的有效工具之一。人们常常用地区分布图（choropleth maps），在不同的地图单元中使用不同的颜色来表示不同的数据范围。图形推理是一门可以帮助人们发现以及解释地图中的空间模式的技术。Wickham等人的 line-up[2]使用零假设显著性检验的方法，让人们从一些通过零假设生成的“诱饵”的混合集找出由真实数据绘制的地图，来确定所发现的模式的可信性。
近期评论