毕业设计（论文）基于空间聚类的台风轨迹提取

1、中南大学本科生毕业论文（设计）题 目 基于空间聚类的台风轨迹提取 学生姓名 指导教师 学 院 信息物理工程学院 专业班级 测绘06级03班 摘 要空间聚类是空间数据挖掘与空间分析的重要手段之一，常用于揭示空间数据分布规律以及发现空间数据异常。现有的空间聚类方法多是针对空间点目标设计的，而实际应用中积累了大量的轨迹数据如台风轨迹、GPS导航数据、动物迁徙轨迹，对轨迹数据进行空间聚类分析有助于发现一些潜在的空间模式，具有重要的应用价值。本文针对台风轨迹数据，探究了一种基于分割-聚群思想的轨迹数据空间聚类方法。首先系统回顾了空间聚类以及轨迹聚类的相关研究工作；进而重点介绍了基于分割-聚群思想的空间轨迹聚类方法-TRACLUS；最后，采用台风轨迹数据验证了TRACLUS算法在实际中的应用效果，并对其应用条件进行了分析，展望了空间轨迹聚类进一步研究的若干问题。关键词：空间数据挖掘，空间聚类，台风轨迹，TRACLUS算法AbstractSpatial clustering has played an important role in spatial data mining and spatial

2、 analysis. It can be used to discover the spatial association rules and spatial outliers in spatial datasets. Existing spatial clustering methods are mainly designed for spatial point objects. Recent improvements in satellites and tracking facilities have made it possible to collect a large amount of trajectory data of moving objects. Examples include vehicle position data, hurricane track data, and animal movement data. There is increasing interest to perform data analysis over these trajectory

3、 data. Discovering objects that have moved in a similar way is a meaningful data analysis task. Thus, an efficient spatial clustering algorithm for trajectory data should be developed. In this paper, we test a new partition-and-group based method for clustering trajectories in the application of hurricane track data. The performances of the TRACLUS algorithm are fully performed. Some issues can be further improved are also summarized.Keywords: Spatial data mining, spatial clustering, hurricane t

4、rack data, TRACLUS algorithm目录摘 要IAbstractII目录III第一章 前言11.1研究背景与研究意义11.2本文研究内容21.3本文组织结构3第二章 相关研究回顾42.1 空间点数据聚类方法42.2 空间轨迹聚类方法5第三章 台风轨迹空间聚类算法73.1 算法概述73.1.1 问题描述73.1.2 TRACLUS算法83.2 台风轨迹分割93.2.1 特征点提取93.2.2 构造特征线段123.3 特征线段聚类133.3.1 基于密度的特征线段空间聚类133.3.2 簇的代表轨迹18第四章 实验分析224.1 实验设计224.2 台风轨迹提取结果224.3 结果分析24第五章 总结25参考文献26致谢28I中南大学本科生毕业论文 第1章 前言-第一章 前言1.1研究背景与研究意义随着科技的发展和社会的进步，人们在工作生活当中需要掌握和运用的各类数据越来越多。为了在不增加数据量的情况下获得更多有用信息，就要想办法从各类数据中充分挖掘隐含的、潜在的信息。基于这种想法，数据挖掘技术应运而生。数据挖掘(Data Mining)，就是从大量数据中获取有效的、新

5、颖的、潜在有用的、最终可理解的模式的非平凡过程1。空间信息技术尤其是对地观测技术的进步使得人们能更多的获得并使用空间数据。将数据挖掘应用于空间数据库，以便从中发现空间知识的理论和技术，产生了一个新的研究领域：空间数据挖掘与知识发现。空间数据挖掘是指从空间数据库中抽取没有清楚表现出来的隐含的知识和空间关系，并发现其中有用的特征和模式的理论、方法和技术2-8。空间聚类是空间数据挖掘技术的一个重要组成部分，其目的是将空间数据库中的空间目标按照相似性分成一系列具有一定意义的簇，使得每个簇内目标相似，而簇间目标不同，主要用于对大量空间数据进行深入分析，显示空间数据分布规律，发现空间数据中的噪声数据。目前空间聚类技术已广泛用于多种应用，包括市场研究，模式识别，数据分析和图像处理等18-22。空间聚类技术虽然来源于传统的聚类分析技术，然而由于空间聚类的研究对象空间数据的独特性，传统的聚类分析方法虽可以用于空间聚类分析，但存在明显的局限性。杂志中已经报道了大量的空间聚类算法，代表算法包括k-均值，BIRCH，DBSCAN，OPTICS和STING。但以前的研究主要是针对点数据的聚类。最近卫星定位技术和

6、跟踪监测设施的发展，使我们能够收集大量的移动物体的轨迹数据。包括车辆的位置数据，飓风跟踪数据，和动物的迁徙数据。对这些轨迹数据进行数据分析的需求持续增长。一种具有代表性的数据分析工作是寻找具有相似移动方式的对象。这样，对于轨迹的一种有效聚类算法对这样的数据分析工作是必须的。现今存在的用于进行轨迹聚类的方法可分为整体轨迹聚类和局部轨迹聚类。整体轨迹聚类又分为基于概率和基于密度的聚类。局部轨迹聚类的代表算法是分割-分组体系。然而整体轨迹聚类不能发现整体轨迹不同而部分相似的轨迹的相似部分（如例1）。例子1 图1-1中的五个轨迹有共同子轨迹，由矩形框内的粗箭头标示。然而，如果对这些轨迹进行整体聚类，由于它们完全朝不同方向移动我们就不能发现共同行为；这样就丢失了有用的信息。 图1-1：公共子轨迹的例子解决方案是将轨迹分割成一系列线段，然后将相似线段分组。这一体系称为分割-分组体系。该体系的主要优点是能从轨迹数据库中发现共同子轨迹。这就是为什么将轨迹分割成一系列线段的原因4-5。提取公共子轨迹非常有用，尤其在分析特殊区域，想要在那些区域中显示公共行为时。在真实应用中有很多例子，如：飓风的登陆预测。

7、飓风不仅影响当地的天气有时还会造成严重的生命财产损失，所以研究飓风在气候变化背景下的行为和变化有着重要的意义。气象学家在努力提高预测飓风登陆的时间和地点的能力。精确的登陆位置的预测更具重要性，因为它对减少飓风损失是至关重要的。气象学家会对飓风靠近海岸线的共同行为感兴趣，因为发现共同子轨迹有助于提高飓风登陆预测精度。1.2本文研究内容本文主要研究建立在分割-分组体系基础上的用于在台风轨迹集中提取台风公共子轨迹的新的轨迹聚类算法：TRACLUS，然后通过编程实现该过程，再对实验结果进行比较以验证其可行性并分析其优缺点。该聚类算法包含分割和分组两个阶段。第一阶段，用最小描述长度（MDL）准则实现轨迹分割。第二阶段则是一基于密度的线段聚类算法。在分割阶段，每个轨迹被优化划分为一组线段。这些线段提供给下一个阶段。在分组阶段，相似的线段组成到一个簇里。线段簇往往是任意形状的，轨迹数据库也包含大量噪音。基于密度的聚类方法非常适合于轨迹聚类，因为它们能发现任意形状的簇并且能剔除噪音。1.3本文组织结构第1章 前言。阐述了本文的研究背景与研究意义，介绍了本文研究内容，并对本文的组织结构进行概述。第2章

8、空间聚类研究回顾。主要介绍了空间点数据聚类方法和空间轨迹数据聚类方法。第3章 轨迹聚类算法。提出第一阶段的轨迹分割算法，第二阶段的线段聚类算法。第4章 实验分析。分析实验结果并进行评价。第5章 总结。总结了本文的主要工作，并指出了进一步的研究方向。27中南大学本科生毕业论文 第2章 空间聚类研究回顾-第二章 相关研究回顾聚类是把大量的物理或抽象对象按照相似性分成不同类别的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与同一簇中的对象彼此相似，与其它簇中的对象则不同23。空间聚类是聚类分析研究的重要组成部分，但又不同于传统的聚类分析。基于“越近越相似”的地理学指导思想，空间聚类将数据属性划分为空间属性和非空间属性两部分，只有空间上邻近的实体聚在一起才有意义，而空间上邻近实体间的相似性又是通过非空间属性来度量的。此外空间聚类的研究目标也从点目标扩展到了线目标和面目标。同时传统聚类对数据的各属性等同看待，也不考虑实体的形状，因此传统的聚类方法虽然可以用于空间聚类分析，却有一定的局限性9-16。2.1 空间点数据聚类方法大量空间聚类方法在文献内被报道。很难提供清晰的对簇的分类方法，因为这些类别可能重叠，一个方法可能有几个类别的特征。在一般情况下，主要空间聚类算法分为四类：划分的方法，层次的方法，基于密度方法，基于格网方法9： 划分的方法：给定包含n个对象的数据库或数据元组，用一分区方法构造K(=n）的数据分区，每个分区代表一个集群。也就是说，它将数据划分成k组，要同时符合下列条件：（1）各组必须至少包含一个对象，（2）每个对象必须完全属于一组。请注意，第二个要求在一些模

《毕业设计（论文）基于空间聚类的台风轨迹提取》由会员工****分享，可在线阅读，更多相关《毕业设计（论文）基于空间聚类的台风轨迹提取》请在金锄头文库上搜索。