[论文解读] A survey on trajectory clustering analysis

Jiang Bian, Dayong Tian+2 more|arXiv (Cornell University)|Feb 20, 2018

Data Management and Algorithms参考文献 96被引用 79

一句话总结

本综述调查轨迹聚类方法，将其分为无监督、监督和半监督方法，并讨论表示、距离度量、模型和未来方向。

ABSTRACT

This paper comprehensively surveys the development of trajectory clustering. Considering the critical role of trajectory data mining in modern intelligent systems for surveillance security, abnormal behavior detection, crowd behavior analysis, and traffic control, trajectory clustering has attracted growing attention. Existing trajectory clustering methods can be grouped into three categories: unsupervised, supervised and semi-supervised algorithms. In spite of achieving a certain level of development, trajectory clustering is limited in its success by complex conditions such as application scenarios and data dimensions. This paper provides a holistic understanding and deep insight into trajectory clustering, and presents a comprehensive analysis of representative methods and promising future directions.

研究动机与目标

• 为轨迹聚类及其在监控、异常行为检测、人群分析和交通控制中的应用提供全面理解。
• 总结用于衡量轨迹相似性的数据表示、特征提取和距离度量。
• 评述无监督、监督和半监督类别中的代表性方法，并讨论其优点与局限性。
• 突出数据异质性、轨迹长度变化和计算可扩展性等挑战，并提出未来方向。

提出的方法

• 将轨迹聚类方法分为无监督、监督和半监督。 讨论轨迹表示（统一长度、变换、重采样、子轨迹、POI、尺度不变特征）。 比较距离度量（欧氏、豪斯多夫、巴塔查亚耶、Frechet、DTW、LCSS 等）及其权衡。 描述无监督模型：密集聚类（DBSCAN、K-means/EM/FCM）、层次聚类和谱聚类。 描述监督方法：最近邻、SVM、贝叶斯/推理模型、神经网络（CNN、DNN、SOM）。 概述半监督方法及其典型工作流程。
• Compare methodological categories in terms of computational considerations, strengths, and limitations (e.g., density-based vs. spectral vs. hierarchical approaches).
• Provide a synthesis of how trajectory length, representation, and distance metrics influence clustering outcomes.

实验结果

研究问题

• RQ1 在不同算法类别中，轨迹聚类的主要表示和距离度量是什么？
• RQ2 无监督、监督和半监督轨迹聚类方法在性能、可扩展性及对不同领域的适用性方面有何比较？
• RQ3 轨迹聚类当前面临的挑战和局限性是什么，提出了哪些未来方向？
• RQ4 如变换、重采样和子轨迹提取等预处理步骤如何影响聚类结果？
• RQ5 神经网络和概率模型在轨迹聚类中扮演怎样的角色，以及它们的权衡？

主要发现

• 轨迹聚类方法被分为无监督、监督和半监督三类，具有不同的数据需求和适用场景。
• 使用多种轨迹表示（统一长度、曲线拟合、子轨迹、POI、尺度不变特征）和距离度量（DTW、LCSS、豪斯多夫、Frechet、欧氏、Bhattacharyya）来衡量相似性，各自具有不同的权衡。
• 密集聚类模型（如 DBSCAN）在许多轨迹分析中占主导地位，但在密度变化下可能表现乏力；层次聚类和谱聚类提供互补的优点与局限。
• 有监督的方法利用标注数据来提升聚类，可以使用最近邻、SVM、贝叶斯/推理模型以及基于神经网络的方法对轨迹进行分类或分割。
• 半监督方法在标注数据和未标注数据之间取得平衡，以降低标注负担同时保持性能。
• 综述讨论了轨迹长度统一、计算复杂性和场景特定适应等实际考虑，并指出未来的研究方向。