Resumen

La exploración de los patrones de desplazamiento urbano puede analizar la regularidad de la movilidad de los residentes para orientar la planificación del tráfico urbano y la toma de decisiones en caso de emergencia. Los métodos de clustering se han aplicado ampliamente para explorar la información oculta de los datos de trayectorias a gran escala en la exploración de patrones de viaje. Cómo implementar restricciones blandas en el método de clustering y evaluar cuantitativamente su eficacia sigue siendo un reto. En este estudio, proponemos un método mejorado de agrupación de trayectorias basado en la agrupación espacial difusa basada en la densidad de aplicaciones con ruido (TC-FDBSCAN) para llevar a cabo la clasificación de datos de trayectorias. En primer lugar, definimos la distancia de trayectoria que considera la influencia de diferentes atributos y determina los coeficientes de peso correspondientes para medir la similitud entre trayectorias. En segundo lugar, se diseñan grados de pertenencia y funciones de pertenencia en el método de agrupación difusa como extensión del método DBSCAN clásico. Por último, los datos de trayectorias recogidos en la ciudad china de Shenzhen se dividen en dos tipos (días laborables y fines de semana) y se aplican en el experimento para explorar distintos patrones de desplazamiento. Además, se utilizan tres índices (coeficiente de silueta, índice de Davies-Bouldin e índice de Calinski-Harabasz) para evaluar la eficacia entre el método propuesto y otros métodos de agrupación tradicionales. Los resultados también demuestran la ventaja del método propuesto.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:método, datos de trayectoria, otros métodos tradicionales de agrupación, método clásico dbscan, coeficientes de ponderación correspondientes, diferentes pautas de desplazamiento, método de agrupación difusa, datos de trayectoria a escala, planificación del tráfico urbano, pautas de desplazamiento urbano
• Keywords:method, trajectory data, other traditional clustering methods, classical dbscan method, corresponding weight coefficients, different travel patterns, fuzzy clustering method, scale trajectory data, urban traffic planning, urban travel patterns