GPS轨迹聚类算法TRACLUS介绍（四）

线段聚类LINE SEGMENT CLUSTERING

这篇博客将说明TRACLUS算法的归组聚类阶段。首先，先讨论线段的密度属性；其次，介绍基于密度的聚类算法DBSCAN；然后，介绍计算线段聚类中代表性轨迹的方法；最后，介绍一中基于启发式的算法确定基于密度聚类算法的相关参数。

1、线段密度

1.1、距离函数回顾

距离函数是三种距离的加权和。首先，垂直距离主要测量从不同轨迹中提取的线段之间的位置差。其次，平行距离主要测量从同一轨迹中提取的线段之间的位置差。在一个轨迹中，两个相邻的线段之间的平行距离始终为零。第三，角度距离测量线段之间的方向差。

1.2、基于密度聚类的概念

通过下面六个定义总结基于密度的聚类。$D$代表所有线段的集合。这里将DBSCAN中关于点的聚类扩展为关于线段的聚类。
$\epsilon$：两个线段的距离函数的值。
$MinLns$：聚类集合的最小线段数量。
定义1：线段$L_i\in D$的$\epsilon$领域：
N ε ( L i ) = { L j ∈ D ∣ d i s t ( L i , L j ) ≤ ε } N_{\varepsilon}(L_i) = \{L_j\in{D}|dist(L_i,L_j)\le{\varepsilon}\} Nε​(Li​)={Lj​∈D∣dist(Li​,Lj​)≤ε}
定义2：当$|N_{\epsilon }(L_i)|\ge MinLns$时，线段$L_i\in D$被称为核心线段。
定义3：当$L_i\in N_{\epsilon }(L_j)$且$|N_{\epsilon }(L_j)|\ge MinLns$时，线段$L_i\in D$直接密度可达线段$L_j\in D$。
定义4：当存在一组线段$L_j,L_{j-1},\cdots ,L_{i+1},L_i\in D$,其中$L_k$是直接密度可达$L_{k+1}$，则线段$L_i\in D$密度可达线段$L_j\in D$。
定义5：当存在一个线段$L_k\in D$使得线段$L_i$和线段$L_j$都密度可达$L_k$，则线段$L_i\in D$密度连接线段$L_j\in D$。
定义6：当一个非空子集$C\subseteq D$满足以下两个条件：

1. 连接性：$\forall L_i,L_j\in C$，$L_i$密度连接$L_j$；
2. 最大化性：$\forall L_i,L_j\in D$，如果$L_i\in C$且$L_j$密度可达$L_i$，那么$L_j\in C$。

则$C$被称作密度连接集。
密度可达性是直接密度可达性的传递闭环，而这种关系是不对称的。只有核心线段是相互密度可达的。然而，密度连接性是一种对称的关系。

考虑上图。令$MinLns=3$。粗线段表示核心线段。不规则椭圆表示$\epsilon$领域。基于上述定义：

1. $L_1,L_2,L_3,L_4,$和$L_5$都是粗线段，即是核心线段；
2. $L_2$（或$L_3$）是直接密度可达$L_1$，因为二者都在$L_1$的椭圆内；
3. $L_6$是密度可达$L_1$，但$L_1$并不是密度可达$L_6$。因为$L_3$直接密度达于$L_1$，而$L_6$直接密度可达于$L_3$，因此$L_6$密度可达于$L_1$，但由于$L_6$不是核心线段，因此这种密度可达关系不具有对称性。
4. $L_1,L_4$和$L_5$都是密度连接的。

2、聚类算法

这里介绍基于密度的线段聚类算法。给定一组线段集合$D$，算法求解一组聚类$O$，它要求指定两个参数$\epsilon$和$MinLns$。这里一个聚类是指一个密度连接集。该算法与DBSCAN有很多相似的特征。
然而不像DBSCAN，并非所有的密度连接集都是一个线段聚类。需要考虑被提取线段的轨迹的数量，该数量值明显小于线段的数量。比如极端情况，所有的线段都是从一个轨迹中提取出来的。这样的聚类肯定是不合理的，因为它并不能解释足够数量轨迹的行为。这里，就需要校验轨迹的基数。
一个聚类$C_i$中的分段轨迹集被表示为 P T R ( C i ) = { T R ( L j ) ∣ ∀ L j ∈ C i } PTR(C_i)=\{TR(L_j)|\forall{L_j\in{C_i}}\} PTR(Ci​)={TR(Lj​)∣∀Lj​∈Ci​}。这里，$TR(L_j)$表示$L_j$被提取所在的轨迹。那么$|PTR(C_i)|$被称作聚类$C_i$的轨迹基数。
下图展示了线段聚类的算法流程。

一开始，假设所有的线段都没有被分类。随着算法计算，最终它们都将被分类成一个聚类或者噪声。这个算法包括三个步骤：

1. 计算出每一个未被分类的线段$L$的$\epsilon$领域$N_{\epsilon }(L)$（1-12行）。如果$L$被确定为一个核心线段（7-10行），则执行第二步去扩大一个聚类（9行）。这个聚类当前只包含$N_{\epsilon }(L)$。
2. 计算一个核心线段的密度连接集（17-18行）。函数$ExpandCluster()$计算了直接密度可达的线段（19-21行）并添加到当前的聚类中（22-24行）。如果一个新添加的线段是未被分类的，那么它将被添加到队列$Q$中进一步处理因为它可能会是一个核心线段（25-26行）；否则，不会添加到队列$Q$中。
3. 检查每一个聚类的轨迹基数（13-16行）。如果它的轨迹基数小于阈值，则从关联的聚类中剔除出。

该算法可以很容易地进行扩展，以支持具有权重的轨迹。这个扩展在许多应用中都非常有用。例如，一个更强的飓风自然会有更高的权重 。为了实现这一点，我们需要修改确定一个$\epsilon$邻域的基数(即$|N_{\epsilon }(L)|$)的方法。不是简单地计算线段的数量，而是通过综合计算线段的权重来计算加权计数。

3、一个聚类的代表性轨迹

一个聚类的代表性轨迹可以表达这个聚类中轨迹分段的整体行为。可以看作是一个线段聚类的数据模型。下图说明了如何生成一个代表性轨迹。

一个代表性轨迹是一组点的队列$RT{R}_i=p_1{p}_2{p}_3\cdots p_j\cdots p_{le{n}_i}(1\le i\le nu{m}_{clus})$。通过一种扫描线的方法可以确定这些点。

1. 用一条垂线沿着线段聚类主轴方向进行扫描，可以计算出与这条扫描线（即垂线）相交的线段的数量。
2. 只有当扫描线经过一个线段的起点或终点时，这个数量才会被考虑计算。
3. 如果这个数字大于或等于$MinLns$时，则计算聚类中的线段与扫描线的交点相对于主轴的平均值；否则，不考虑这些点（例如，第5和第6时的扫描线的位置情况就不考虑）。
4. 此外，如果一个上一个点的位置太近（例如，第3时的位置），将忽略该点以平滑代表性轨迹。
   为了计算出一个线段聚类的主轴，下面定义了平均方向向量：
   定义：假设一组向量 V = { v 1 ⃗ , v 2 ⃗ , v 3 ⃗ , ⋯   , v n ⃗ } V=\{\vec{v_1},\vec{v_2},\vec{v_3},\cdots,\vec{v_n}\} V={v1​ ​,v2​ ​,v3​ ​,⋯,vn​ ​}。那么这个向量集合的平均方向向量为：
   
   其中，$|V|$是$V$的基数，即集合的变量总数量。
   有了平均方向向量，就要计算相对于它的交点的平均坐标。为了便于计算，旋转坐标轴以使$X$轴平行于平均方向向量。旋转矩阵计算可以使用如下公式：
   
   其中，角度$\varphi$可以通过计算平均方向向量与单位向量$\hat{x}$的内积得到。
   
   在计算得出$X^{{}^{\prime }}{Y}^{{}^{\prime }}$坐标系下的平均值后，再转换回$XY$坐标系下的值。
   
   上图描述了计算代表性轨迹的方法：
   首先，计算平均方向向量和暂时旋转坐标轴（1-2行）。
   然后，根据旋转坐标系下的坐标对起点和终点排序（3-4行）。
   最后，在按照排序顺序扫描起点和终点时，计算出线段的数量，并计算出扫描线与这些线段的交点的平均值（5-12行）。

4、关于参数$ϵ$和$MinLns$选取的启发式方法

在聚类过程中，有两个重要参数会影响到聚类结果，距离阈值$ϵ$和每个簇中的线段数量阈值$MinLns$。
首先讨论参数$ϵ$的选取方法，这里采用熵理论解决这个问题。在信息理论中，熵指的是一个有确定概率分布的事件的不确定性。如果所有输出都一样，那么熵最大。启发式方法可以基于下面这样的观察来讨论。在最差的聚类结果中，$|N_{ϵ}(L)|$趋于统一。也就是说，当$ϵ$很小时，那么所有线段的$|N_{ϵ}(L)|$将等于1；当$ϵ$很大时，那么所有线段的$|N_{ϵ}(L)|$等于$nu{m}_{ln}$（线段总数量）。这样，熵就是最大值。相对的，在一个好的聚类中，熵应该更小。
用下面公司来表达熵，依据公式确定参数$ϵ$使得$H(X)$最小。最优解可以通过一种模拟退火算法得到$$H(X)=\sum _{i=1}^{n}p(x_i)lo{g}_2\frac{1}{p(x_i)}=-\sum _{i=1}^{n}p(x_i)lo{g}_{2}p(x_i)$$，其中$p(x_i)=\frac{|N_{ϵ}(x_i)|}{{\sum }_{j=1}^n|N_{ϵ}(x_j)|}$，$n=nu{m}_{ln}$
接下来，讨论参数$MinLns$的选取方法。当确定了最优$ϵ$后，计算每个线段的$|N_{ϵ}(L)|$，并求解平均值$av{g}_{|N_{ϵ}(L)|}$。这样选取$MinLns=av{g}_{|N_{ϵ}(L)|}+1\backsim 3$，这样做是因为$MinLns$要略大于$av{g}_{|N_{ϵ}(L)|}$以发现更有意义的聚类簇。