薛方，王鹏，王军

基于ART神经网络的运行轨迹聚类

薛方，王鹏，王军

（陕西重型汽车有限公司，陕西 西安 710200）

在商用车大数据研究领域，需在相同路况下对车辆的性能、油耗、载重等进行深入研究，那么就需要将相同轨迹的路线取出来，然后去研究这些路线上车辆的行驶状况。文章要在海量的车辆运行数据（具有时间序列）中，对路线进行聚类。首先使用射线法判断GPS点与区域（可视为多边形）的拓扑关系，得到A市到B市之间的GPS数据，然后对GPS轨迹进行网格化处理，将网格划分为0.01度，得到0-1稀疏矩阵，最后建立自适应共振理论(ART)神经网络模型，对99条样本进行聚类，通过调节阈值的大小，得到合适的聚类结果。

多边形拓扑关系；网格化；稀疏矩阵；聚类；自适应共振理论；阈值

前言

针对具有相同的起点，相同的终点，但中间轨迹不完全相同的GPS轨迹，要从中取出轨迹一致的，以便后续对车的载重、油耗、性能、驾驶习惯等进行研究。本文使用了自适应共振理论（ART）神经网络模型对轨迹样本进行聚类。聚类前需要对原始GPS轨迹数据进行数据预处理，本文用到了射线法[1-3]，网格化稀疏矩阵。首先利用MATLAB自带函数inpolygon，判断点（GPS数据）在多边形（区域）内、多边形（区域）上还是多边形（区域）外，得到驶出A市的时间点，驶入B市的时间点，然后提取该时间段内的GPS信息，即为A市到B市的运行轨迹。其次，进行网格化稀疏矩阵，将运行区域划分为一个个的“网格”。本文将全部样本的运行轨迹的覆盖面进行网格化，计算覆盖面经纬度的最大值和最小值，得到一个区间，对其以0.01度为步长进行网格化，得到每个样本网格化后的0−1矩阵（稀疏矩阵）。……