10.19562/j.chinasae.qcgc.2023.07.006
汽车行驶轨迹数据密度峰值聚类算法研究
随着物联网、V2X和智慧城市等技术的广泛应用,大量的车辆轨迹数据得以记录保留.利用这些轨迹数据可以提取相关信息,例如计算最优路径、检测异常驾驶行为、监测城市交通流量以及预测车辆下一个位置等,轨迹聚类是关键技术之一.密度峰值聚类(density peaks clustering,DPC)作为一种简单有效的基于密度的聚类算法,算法中局部密度的定义未充分考虑数据样本密度分布不均时密度差异的影响,也没有适用于汽车行驶轨迹的相似性度量.此外,算法在遇到相对高维的数据时效果不佳.本文通过引入k近邻思想(k-nearest neighbor,KNN)和主成分分析法(principal component analysis,PCA)并且改进相似性度量,提出了一种适用于汽车行驶轨迹的密度峰值聚类算法.该算法首先使用PCA对高维数据进行预处理;然后采用k近邻思想重新定义局部密度;最后通过重新定义轨迹间的距离函数,摒弃了欧氏距离对分配策略的不良影响.通过对人工合成数据集的实验,证明了算法的可行性;同时算法的有效性也在实际汽车行驶轨迹数据上得到了验证.
密度峰值聚类、汽车行驶轨迹数据、k近邻、主成分分析、相似性度量
45
TP311.13;U495;O213.1
国家自然科学基金52202414
2023-08-16(万方平台首次上网日期,不代表论文的发表时间)
共10页
1153-1162