标签存档: 轨迹

针对航空交通分析的轨迹相关部分聚类方法(Clustering Trajectories by Relevant Parts for Air Traffic Analysis)

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 »

向量场k-Means:通过多向量场拟合对轨迹数据聚类(Vector Field k-Means: Clustering Trajectories by Fitting Multiple Vector Fields)

hurricane_cluster

运动是这个世界的本质,而运动轨迹则是描述运动的重要方式之一。轨迹数据被人们研究了数百年,研究的对象从战争中的行军路线,船舶航行路线,到鸟类迁徙路线,以及如今GPS技术普及之后的出租车、自行车行驶路线等等。面对轨迹数据,一种常见的做法是对轨迹数据进行聚类,将相似的轨迹数据聚到一起,便于研究者发现内在的模式。来自纽约大学与AT&T实验室的学者Nivan Ferreira等人在今年的EuroVis上提出了一种新颖的基于向量场拟合的向量场k-Means算法。

继续阅读 »