tailieunhanh - Gom cụm quỹ đạo đường đi dựa vào tốc độ và cải tiến bằng phương pháp rút trích đặc trưng dựa trên Histogram

Bài viết tập trung vào vấn đề gom cụm hành trình phương tiện có chung hành vi di chuyển. Ví dụ hành vi di chuyển của xe ô tô cá nhân thì khác xe buýt và cũng khác với xe taxi. | Gom cụm quỹ đạo đường đi dựa vào tốc độ và cải tiến bằng phương pháp rút trích đặc trưng dựa trên Histogram 8 Journal of Transportation Science and Technology, Vol 29, Aug 2018 GOM CỤM QUỸ ĐẠO ĐƯỜNG ĐI DỰA VÀO TỐC ĐỘ VÀ CẢI TIẾN BẰNG PHƯƠNG PHÁP RÚT TRÍCH ĐẶC TRƯNG DỰA TRÊN HISTOGRAM CLUSTERING TRAJECTORIES BASED ON SPEED FEATURES AND AN IMPROVEMENT BY USING HISTOGRAM – BASED FEATURE EXTRACTION Nguyễn Công Hà, Lê Văn Quốc Anh Khoa CNTT, ĐH GTVT conghanguyen@ Tóm tắt: Gom cụm quỹ đạo từ dữ liệu hành trình GPS để tìm các nhóm hành trình tương tự nhau, từ lâu đã được xem là một nhiệm vụ quan trọng để phán đoán các luồng giao thông chính, từ đó cho phép dự đoán vị trí hay hành vi di chuyển của các phương tiện giao thông. Đa số các phương pháp hiện có đều dùng đặc trưng gom cụm dựa trên không gian và thời gian nhưng những đặc trưng này là không phù hợp để phân loại hành vi di chuyển của các phương tiện. Trong bài báo này nhóm nghiên cứu tập trung vào vấn đề gom cụm hành trình phương tiện có chung hành vi di chuyển. Ví dụ hành vi di chuyển của xe ô tô cá nhân thì khác xe buýt và cũng khác với xe taxi. Giải pháp mà nhóm đưa ra là chuyển đổi từng quỹ đạo thành một chuỗi đặc trưng để mô tả các hành vi chuyển động của đối tượng và áp dụng các giải thuật gom cụm trên không gian đặc trưng. Nhóm thực nghiệm trên các bộ dữ liệu thực và thu được kết quả tốt hơn các giải pháp hiện có. Từ khóa: Dữ liệu hành trình GPS; khai thác dữ liệu; phát hiện hành vi di chuyển. Chỉ số phân loại: Abstract: Clustering trajectories from GPS data to find groups of similar trajectories is a crucial task for recognizing main traffic flows and then to predict next positions as well as moving behavior of vehicles. Most existing approaches are based on features extracted from raw locations and times. Such features are not suitable for classifying moving behaviors of vehicles. In this paper, we focus on clustering trajectories of .