基于LDA和优化蚁群的OD流向时空语义聚类算法

针对OD流向聚类中语义信息考虑不足、流向语义提取困难的问题，提出了一种基于隐含狄利克雷分布模型（LDA）和优化蚁群算法的OD流向语义聚类算法。该算法首先以POI类别作为流向端点词汇构建流向文档，利用LDA主题模型提取流向语义，量化OD流程之间的语义相似度，并通过整合时间、空间和语义相似度构建流向时空语义相似度。然后，以流向为节点，以流向时空语义相似度为边缘，利用高斯函数映射和图连通组件构建流向图，然后借鉴峰值密度聚类算法的思想，利用节点的中心性优化蚁群初始位置的选择。最后，基于multi-way normalized cut（MNCUT），增强了蚁群搜索的目的，优化了蚁群搜索的聚类效果，实现了OD流向的时空语义聚类。结果表明，基于LDA模型的语义提取方法能够有效地提取流向的语义信息，构造有效的流向相似性度量。基于高斯函数和图连通分量特征的映射策略可以有效地消除流向数据中的噪声，有效地节省了无向图构造的计算成本，运行时间约为88.5%~88.8%。基于中间数中心性和多径正切图准则优化的蚁群搜索聚类算法可以有效地实现流向的语义聚类。与现有方法相比，该方法能更好地度量流向之间的语义相似度，并能实现按主题的聚类划分。这种划分更加精细，对于流向语义的相关分析更加方便有效。