移动对象高密度子轨迹聚类算法

摘要 针对传统DBSCAN算法可以发现任意形状的聚类簇，但很难选择出合适参数的问题，将快速搜索高密度点的方法应用到轨迹聚类.融合流失量概念，采用Hausdorff距离替代传统的欧式距离，并用轨迹子段代替轨迹中的点，提出一种快速搜索的移动对象高密度子轨迹聚类算法（HFDST）.HFDST算法通过两个参数theRho和theDelta确定聚类中心，利用递归函数NearestNeighbor确定其它未被分类的轨迹子段，从而解决了DBSCAN算法因两个参数和MinLns选取过大或过小而影响聚类结果的问题.在真实移动对象轨迹数据上的大量对比实验结果表明，HFDST算法能够在轨迹子段集中发掘出更多隐藏信息，具有更好的聚类效果和更高的时间效率，并且对参数有很好的鲁棒性