Trajectory Clustering（DBSCAN算法进行轨迹聚类）

数据及代码

1. 步骤

• 提取轨迹特征点
• 使用DBSCAN算法聚类

2. 提取轨迹特征点

2.1 算法思想

一段轨迹，比如 {p1,p2,p3,p4,p5}，遍历这个轨迹的所有点，计算每一个点的MDL_par和MDL_nopar，如果MDL_par > MDL_nopar，那么这个点就是特征点（MDL就是最小描述原则，有兴趣可以自行搜索）

算法伪代码

2.2 计算MDL_par和MDL_nopar

轨迹 {p_c1,p_c2,p_c3,p_c4,p_pari}

比如

MDL_par = L(H) + L(D|H)
MDL_nopar = L(H)（轨迹总长度，上图为len(p₁,p₂)+len(p₂,p₃)+len(p₃,p₄))

两条线段Lj，Li（短的为Lj，长的为Li）

2.3 代码

2.3.1 一些计算距离的函数

def calc_distance(p1, p2):
    """计算p1,p2的直线距离"""
    return math.sqrt((p1[0] - p2[0]) ** 2 + (p1[1] - p2[1]) ** 2)


def calc_straight_line(p1, p2):
    """计算p1 p2的直线方程"""
    try:
        k = (p1[1] - p2[1]) / (p1[0] - p2[0])
    except ZeroDivisionError:
        k = 0
    b = p1[1] - k * p1[0]
    return k, b


def calc_projection(p1, p2, p3):
    """计算 p1 在 线段（p2,p3）上的投影点"""
    k, b = calc_straight_line(p2, p3)
    x = (k * (p1[1] - b) + p1[0]) / (k ** 2 + 1)
    y = k * x + b
    return [x, y]


def calc_point_line_distance(p1, p2, p3):
    """计算点 p1 到 线段（p2,p3）的距离"""
    a = p3[1] - p2[1]
    b = p2[1] - p3[1]
    c = p3[0] * p2[1] - p2[0] * p2[1]
    try:
        distance = (math.fabs(a * p1[0] + b * p1[1] + c)) / (math.pow(a * a + b * b, 0.5))
    except ZeroDivisionError:
        distance = 0
    return distance


def calc_angel_sin(p1,