ISPRS IJGI 2022–2025 届杰克·丹杰蒙德奖获奖论文——利用改进的深度时间序列聚类方法挖掘时空出行模式

本文针对传统时间序列聚类方法在处理高维度、噪声、多样性、异常值及时间扭曲等复杂时空移动数据时准确性与效率不足的问题，提出了一种改进的深度时间序列聚类方法。研究结合基于一维卷积神经网络(1D-CNN)与双向长短期记忆网络(Bi-LSTM)的时序自编码器提取关键特征，并引入K-means导向损失优化潜在特征，最终采用基于动态时间规整的K-means算法进行聚类。通过在合成数据集、墨尔本行人流量数据（含市中心全年小时级数据及唐人街月度数据）以及美国COVID-19疫情期间县级出行数据上进行实验验证，结果显示该方法能有效识别工作日与周末的细微出行模式差异，揭示城乡及不同州在疫情响应中的行为差异，显著提升了聚类准确性与鲁棒性。研究为公共卫生、智慧城市、交通行为分析等领域提供了高效通用的技术框架，并指出未来可在注意力机制、混合神经网络结构及不规则采样鲁棒性方面进一步优化。