MYDBSCAN：基于密度的聚类DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法的底层实现 MYAP：基于划分的聚类AP（Affinity Propagation Clustering Algorithm ）算法的底层实现--近邻传播聚类算法 Adaptive-DBSCAN：自适应的基于密度的空间聚类（Adaptive Density-Based Spatial Clustering of Applications with Noise）算法的底层实现 MYOPTICS：基于密度的聚类OPTICS（Ordering points to identify the clustering structure）算法的底层实现 MYKMeans：基于划分的聚类KMeans算法的底层实现 MYCFSFDP：基于划分和密度的聚类CFSFDP（Clustering by fast search and find of density peaks）算法的底层实现

基于时空聚类算法的轨迹停驻点识别研究.pdf

轨迹中的停留点识别是将空间轨迹转换为语义轨迹的关键步骤.当前轨迹停留点识别方法缺少对轨迹记录点时间连续性的考虑，导致识别出的停留点缺乏时间信息.同时，在轨迹点缺失的情况下，停留点信息也无法被准确识别.针对上述问题，本文提出一种基于速度的时空聚类方法，首先通过缺失轨迹的时空特性确定真实缺失子轨迹，并根据缺失轨迹的平均速度对其进行插值填充，再结合轨迹速度特征和时空特性识别轨迹中的停留点.实验采用GeoLife轨迹数据集对所提出的方法进行验证，结果表明，该算法能够有效地识别用户的停留点，并对轨迹中的干扰具有一定的鲁棒性.