Stable Trajectory Clustering: An Efficient Split and Merge Algorithm

要約

クラスタリングアルゴリズムは、パターンを識別するための特性によってグループデータポイントをグループ化します。
過去20年にわたって、研究者はこれらの方法を拡張して、人間、動物、車両の軌跡を分析し、アプリケーション全体の行動と動きを研究してきました。
このホワイトペーパーでは、DBSCANラインセグメントクラスタリングに基づいた全軌道クラスタリングおよびサブトルスターのクラスタリングアルゴリズムを紹介します。これには、ラインセグメントの分割とマージという2つの重要なイベントが含まれます。
イベントは、オブジェクトの動きの履歴とラインセグメント間の平均ユークリッド距離によって採用されています。
このフレームワークでは、全軌道クラスタリングはエンティティ全体の軌跡を考慮しますが、サブトラジェクタークラスタリングはスライディングウィンドウモデルを採用して同様のサブトリューションを識別します。
多くの既存の軌跡クラスタリングアルゴリズムは、軌跡を分割することによりデータの一時的な異常に応答します。これは、しばしば一貫したクラスタリングパターンを曖昧にし、信頼性の低い洞察につながります。
安定した軌道クラスタリングアルゴリズムを導入します。これは、平均絶対偏差概念を活用して、一時的な偏差の選択的省略がクラスターの完全性を維持するだけでなく、安定性と解釈性を向上させることを実証します。
パラメーターのバリエーションに対する有効性と感度を示すために、実際の軌跡データセットで提案されたすべてのアルゴリズムを実行します。

要約(オリジナル)

Clustering algorithms group data points by characteristics to identify patterns. Over the past two decades, researchers have extended these methods to analyze trajectories of humans, animals, and vehicles, studying their behavior and movement across applications. This paper presents whole-trajectory clustering and sub-trajectory clustering algorithms based on DBSCAN line segment clustering, which encompasses two key events: split and merge of line segments. The events are employed by object movement history and the average Euclidean distance between line segments. In this framework, whole-trajectory clustering considers entire entities’ trajectories, whereas sub-trajectory clustering employs a sliding window model to identify similar sub-trajectories. Many existing trajectory clustering algorithms respond to temporary anomalies in data by splitting trajectories, which often obscures otherwise consistent clustering patterns and leads to less reliable insights. We introduce the stable trajectory clustering algorithm, which leverages the mean absolute deviation concept to demonstrate that selective omission of transient deviations not only preserves the integrity of clusters but also improves their stability and interpretability. We run all proposed algorithms on real trajectory datasets to illustrate their effectiveness and sensitivity to parameter variations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google