Trayectoria de Clustering: Cual método Clustering?

Question

Como un novato en el Aprendizaje de Máquina, tengo un conjunto de trayectorias que pueden ser de diferentes longitudes. Deseo para el conjunto de ellos, porque algunos de ellos son en realidad el mismo camino y que sólo PARECEN diferentes , por el ruido.

Además, no todos ellos son del mismo largo. Así que tal vez a pesar de Una Trayectoria no es la misma que la Trayectoria de B, sin embargo, es parte de la Trayectoria B. quiero presentar esta propiedad después de la agrupación así.

Sólo tengo un poco de conocimiento de K-means Clustering y Fuzzy N-means Clustering. ¿Cómo puedo elegir entre ellos dos? O debo adoptar otros métodos?

Cualquier método que toma el "belongness" en consideración? (por ejemplo, Después de la agrupación, tengo 3 clusters A, B and C. De un particular, trajectory X pertenece a cluster A. Y un menor trajectory Y, aunque no está agrupado en A, se identifica como parte de la trajectory B.)

=================== ACTUALIZACIÓN ======================

Las mencionadas son las trayectorias de los peatones' trayectorias. Pueden ser presentados como una serie de (x, y) de los puntos o una serie de paso vectores (longitud, dirección). La forma de presentación está bajo mi control.

Answer 1

No sé a qué te refieres exactamente por 'trayectoria'. Pero lo que yo entiendo es unidimensional vector con valores numéricos.

Mi sugerencia aquí es el uso de Dynamic Time Warping (en adelante, DTW), un método capaz de 'alinear' en dos dimensiones de las señales. Entonces, si usted quiere medir belongness, DTW proporciona varias métricas para precisar en qué medida dos señales son similares.

Además, puede realizar clustering basado en las métricas proporcionadas por DTW en lugar de utilizar las métricas estándar involucrados ya sea en Fuzzy C-means o $k$-medio.