控制与决策

作者：赵嘉,段发样,潘正祥,王奔,张翼英,于华东,吴润秀

单位：江西水利电力大学 信息工程学院，南昌 330099;江西省水利大数据智能处理与预警技术工程研究中心，南昌 330099,,江西水利电力大学 信息工程学院，南昌 330099;江西省水利大数据智能处理与预警技术工程研究中心，南昌 330099,,南京信息工程大学 人工智能学院，南京 210044,,南瑞集团有限公司，南京 211000,,天津科技大学 人工智能学院，天津 300457,,北京智芯微电子科技有限公司，北京 102200,,江西水利电力大学 信息工程学院，南昌 330099;江西省水利大数据智能处理与预警技术工程研究中心，南昌 330099,

关键词：TRACLUS算法;轨迹聚类;密度峰值聚类算法;时空加权;最小描述长度;代表性轨迹

基金：国家自然科学基金项目(62466037)；南昌市重大科技攻关项目(2024zdxm010, 2024zdxm002).

TRACLUS算法在处理具有复杂时空特性的轨迹数据时, 其采用的分段策略侧重空间几何信息而忽略了时空动态信息, 导致分段精度不高; 空间邻近性的聚类的规则难以有效识别时空耦合模式, 且在处理噪声和密度不均数据方面存在局限性. 鉴于此, 提出基于时空加权和密度峰值的轨迹聚类算法. 该算法使用时空加权分段将自适应时空权重和时空几何距离融入最小描述长度代价函数, 提取包含时空局部特征的子轨迹段; 将时空局部密度融入密度峰值聚类, 并结合局部特征的噪声识别与迭代式类簇中心选择, 提升子轨迹段聚类效果; 将密度筛选和时空连续性约束嵌入代表性轨迹生成, 增强聚类结果可解释性. 在拓扑结构不同的北京和上海出租车数据集上的实验表明: 时空加权分段使轨迹重建误差平均降低28.15%, 方向偏差平均降低66%; STW-DP-TRACLUS算法在3种评价指标上综合优于多种传统及先进的轨迹聚类算法, 验证了其在复杂时空轨迹模式挖掘方面的有效性.

来源：2026年第2期

《控制与决策》期刊编辑部

查看控制与决策杂志2026年第2期