Evolutionary Clustering of Streaming Trajectories

Evolutionary Clustering of Streaming Trajectories

智能手机和具有定位功能的联网车载设备的广泛部署，使得收集移动物体的流轨迹数据变得越来越可行。这些数据的连续聚类可以实现各种实时服务，如实时识别对象之间的代表性路径或共同移动趋势。然而，迄今为止，很少关注聚类的质量，例如，它有利于平滑聚类中的短期波动，以实现对异常数据的鲁棒性。我们提出了流轨迹的进化聚类的概念，简称ECO，该概念通过时间平滑来提高流轨迹聚类的质量，以防止连续时间戳中集群的突然变化。我们利用快照和历史轨迹代价的概念，将ECO形式化，然后将其表述为一个优化问题，证明了ECO可以在近似线性时间内执行，从而消除了以往研究中采用的迭代过程。此外，我们提出了一个最小群体结构和种子点移动策略，以促进时间平滑。最后，我们介绍了ECO下的所有算法以及一组优化技术。对两个真实数据集的广泛实验提供了对ECO的深入了解，并表明它在聚类质量和效率方面优于最先进的解决方案。

实际情况：现有的实时聚类方法主要关注最新数据，以降低聚类质量为代价实现了低计算成本。在流式中，聚类对轨迹数据的短期波动应该是稳健的，这可以通过平滑来实现。

方法：将进化聚类应用于轨迹可以减轻间歇性噪声对聚类的不利影响，并为用户呈现平滑一致的运动模式

轨迹演化存在的问题：1.已经存在的方法都是为了动态网络设计的，不适合在轨迹流上应用 2. 轨迹流上的运行通常比动态网络的速度要快很多 3. 对轨迹聚类质量的优化，导致大量的计算成本。

基础知识：

Evolutionary Clustering

进化聚类是指从流数据中产生一系列聚类的问题;也就是说，对每个快照进行集群。它考虑了流数据的平滑特性，获得高质量的聚类[2]。具体来说，要考虑两个质量方面

高质量历史：

高质量的快照：

Problem Definition

具体地说,它们调整Ck迭代以最小化(1). 我们采用Cost embedding，将代价公式从聚类结果级下推到数据级。而现有的Cost embedding技术仅针对动态网络。为了将Cost embedding应用于轨迹，我们提出了一个最小群结构以及快照和历史代价函数