13运营与应用2023.01·广东通信技术DOI:10.3969/j.issn.1006-6403.2023.01.003基于移动用户时空轨迹特征的轨迹分类研究［刘汉艳］为了解决移动用户轨迹分类不准确的问题，研究了动态卡尔曼滤波的轨迹处理方法，利用FP树挖掘用户轨迹分类的规则，采用谱聚类的算法实现移动用户时空轨迹的分类，提出了基于移动用户时空轨迹特征的轨迹分类方案。实验证明，提出的算法能够提高移动用户轨迹分类的精度。刘汉艳中电科普天科技股份有限公司。关键词：时空轨迹动态卡尔曼滤波FP树特征提取谱聚类摘要1引言随着移动通信及移动社交工具的快速发展，运营商获取了大量移动用户的时空轨迹数据，这些时空轨迹数据已经在智能交通、用户出行等方面具有重要的数据支撑作用。时空轨迹作为当前研究的热点，不少学者已经把相关的研究应用于移动目标识别、路径轨迹模式挖掘等领域。Gonzalez等[1]人利用收集的GPS数据，采用神经网络分类器自动识别用户出行的模式；肖艳丽等[2]人通过提取移动用户轨迹的停留时间、平均速度等特征后，采用神经网络对移动用户的出行模式进行识别，取得了更高的准确率；Jahangiri等[3]人使多种分类方法将用户轨迹划分为包括走路在内的5种类别；除了上述学者对轨迹全局进行分类外，不少学者通过对轨迹使用多阶段分类的方法。Zhang[4]将一条用户轨迹划分为多种交通模式；朱进[5]等人提出基于层次运动特征的轨迹分类方法，对轨迹的运动特征分为全局特征和局部特征，然后采用分类的方法对用户的轨迹进行分类。然而，大规模的轨迹空间分布往往具有非平稳性，因此，轨迹数据在空间上的变化是不均匀的。除此之外，移动用户的轨迹数据具有自身独特性的特征：时空轨迹数据受到信号的影响而导致轨迹数据本身缺失或者是错误的问题；时空轨迹的分类准确度会受到时空的影响；同一个位置在不同时间的运动特征的差别很大；单个用户轨迹的特征的选取问题。本文针对上述问题，首先采用卡尔曼滤波方法对移动用户的轨迹进行预处理；然后根据移动用户轨迹自身的特点，提取用户轨迹的运动特征、形状特征、轨迹位置特征、时间特征等向量，以此反映不同用户的轨迹特点；最后，采用谱聚类的方法对移动用户的轨迹特征进行分类，实现移动用户轨迹的分类。2相关研究2.1轨迹的定义14运营与应用》运营与应用轨迹是用来描述移动对象的运动状态，指移动对象随着时间的变化而产生的空间变化的序列。本文所指的移动用户的轨迹是指由于移动用户发生业务或者位置的移动被基站记录下...
