梁卓灵，元昌安，覃 晓，乔少杰，韩 楠，范勇强

（1．广西大学，南宁 530004；2．南宁师范大学，南宁 530001；3．成都信息工程大学，成都 610225；4．成都市环境保护信息中心，成都 610015）

近年来，随着GPS（global positioning system）设备、卫星和无线电传感网络［1－2］等定位技术的快速发展，人们能更方便快捷地对全球范围内各类移动对象进行有效跟踪，并由此采集到丰富的移动轨迹数据［3］。热点区域是移动轨迹中隐含的重要信息，能够表示移动对象经常出没的、带有重要语义信息的地区。提取热点区域能为人类日常出行、观光旅游等推荐个性化路线，也能为城市交通管理、道路规划等提供辅助决策依据［4－6］。

在现有的研究工作中，主要使用空间聚类的方法来挖掘热点区域。如Ashbrook等［7］采用K means算法挖掘轨迹数据中的重要地点，但它存在初始中心点选择困难且影响结果等缺点，容易取得局部最优解。吕绍仟等［8］提出基于轨迹结构的框架（TS＿HS），以实现区分识别多密度的活动热点区域。郑林江等［9］提出基于网格密度的热点区域提取方法，便于处理大规模的空间数据，但其网格大小k和网格密度阈值γ都难以选取。还有利用DBSCAN算法［10］对用户运行速度较慢的区域进行聚类，从而发现用户的兴趣区域，但是DBSCAN对参数的设定比较敏感，当不同簇类的样本集密度相差较大时，算法的聚类效果较差。

综上所述，多数挖掘算法需要调试参数，且参数的选取对聚类结果有较大影响。为了更好地挖掘用户出行的热点区域，针对K means算法对初始值敏感易陷入……