简介：TrajectoryClustering-master 是一份面向数据挖掘与地理空间分析学习者的 Python 轨迹聚类实战源码，适合希望理解 GPS 轨迹、移动设备位置记录等时空数据聚类流程的初学者与数据科学从业者。项目围绕轨迹数据预处理、距离度量、聚类算法实现与结果可视化展开，可用于交通流量分析、用户行为研究、动物迁徙模式识别等场景。压缩包共 7 个文件，约 998KB，包含 4 个 py 源码文件、1 个 md 说明文档、1 个 png 效果图与 1 个 gif 动态演示，源码分别承担轨迹读取、聚类计算与公共工具函数等职责，图片则直观呈现聚类中心与轨迹分布。目前已有 1216 人学习下载。通过研读源码，读者可掌握 NumPy、Pandas 数据清洗与 Matplotlib 可视化方法，理解 K-means、DBSCAN 等算法在轨迹场景中的参数调整与评估思路，并借助动态图快速验证聚类效果，为后续处理真实时空数据积累可复用的工程经验。
1. 拿到 TrajectoryClustering-master 之后，先搞清楚它能替你省掉哪段活
如果你手头正压着一批 GPS 点位、车辆行驶记录或者移动设备的定位日志，想从里面看出「哪些轨迹其实走的是同一条路」「哪个路口是主要通行方向」，那 TrajectoryClustering-master 这个包值得先跑一遍再决定要不要自己重写。它是一份 Python 实现的轨迹聚类源码，目录里就 trajectory_clustering.py、trajectory.py、clustering.py、common.py 几个核心文件，外加 img 目录下的 trajclus.png 和 roundabout.gif 两张结果图。结构不复杂，但把「读轨迹 → 算相似度 → 聚类 → 画图」这条链路完整串了起来，适合做交通流量分析、用户行为分组、动物迁徙模式归纳这类活。新手能照着跑通看效果，熟手能直接拆开换距离度量和聚类算法。下面按「它怎么算 → 怎么跑 → 坑在哪 → 怎么改」的顺序拆。
2. 轨迹聚类的核心：距离度量与聚类算法怎么选
2.1 为什么轨迹聚类不能直接套普通 K-means
普通 K-means 处理的是无序的点集，两个样本换个顺序还是同一个样本。轨迹不一样，它是有时序的点序列，点与点之间的先后关系本身就是信息。你把一条轨迹的点打乱，它代表的运动模式就变了。所以轨迹聚类的第一步不是选聚类算法，而是先定义「两条轨迹有多像」。
常见做法有三类。第一类是逐点欧氏距离，要求两条轨迹采样点数量一致、时间对齐，实现最简单，但对采样频率和起点敏感，稍微错位距离就飙上去。第二类是对轨迹重采样后算平均距离，缓解点数不一致的问题，代价是丢失部分细节。第三类是考虑形状和方向的度量，比如动态时间规整（DTW）或者弗雷歇距离，能容忍速度差异和局部错位，但计算量明显上升。
TrajectoryClustering-master 走的是「先把轨迹整理成统一表示，再算距离矩阵，最后丢给聚类算法」的路子。trajectory.py 负责轨迹对象的读取和预处理，clustering.py 负责聚类逻辑，common.py 放公共函数，trajectory_clustering.py 是入口。这个分层的好处是你想换距离度量，只动 common.py 或 trajectory.py 里的距离函数就行，不用碰聚类主流程。
提示：如果你的轨迹采样频率差异很大，先做重采样再算距离，否则聚类结果基本是采样频率的聚类，不是运动模式的聚类。
2.2 聚类算法选型：K-means、DBSCAN 还是层次聚类
选哪个算法，取决于你对「簇」的预期。K-means 要求你事先指定簇数量 K，适合你已经知道大概有几类运动模式的场景，比如一个路口左转、右转、直行三种流向，K 设 3 就够。它的缺点是假设簇是球形且大小相近，轨迹形状复杂时容易切错。
DBSCAN 不需要指定簇数量，靠邻域半径 eps 和最小样本数 min_samples 控制，能识别噪声点，适合轨迹分布不均匀、有大量离群轨迹的情况。缺点是参数敏感，eps 差一点结果差很多，而且高维距离下邻域判断会退化。
层次聚类输出树状结构，不用一开始定 K，可以看树状图再决定切几刀，适合探索性分析。代价是计算复杂度高，轨迹数量上千后内存和时间都吃紧。
TrajectoryClustering-master 的 clustering.py 里封装了聚类调用，具体用哪个算法要看源码里的实现。我一般会先用层次聚类跑一遍小样本看分布，确定大致簇数后再用 K-means 做正式聚类，DBSCAN 留给噪声多的数据集。这个组合不是唯一解，但能让你在参数没底的时候先有个参照。
2.3 从原始轨迹到距离矩阵的完整流程
不管最后用哪个算法，前面几步是共通的。下面这段代码演示了从轨迹列表构造距离矩阵的标准做法，你可以对照项目里的 common.py 看它实际怎么实现的。
import numpy as np from scipy.spatial.distance import cdist def resample_trajectory(traj, n_points=50): """把一条轨迹重采样成固定点数，消除采样频率差异""" traj = np.array(traj) # 按累计弧长做线性插值，保证重采样后点的间距均匀 dists = np.sqrt(((np.diff(traj, axis=0)) ** 2).sum(axis=1)) cumdist = np.concatenate([[0], np.cumsum(dists)]) if cumdist[-1] == 0: return np.tile(traj[0], (n_points, 1)) sample_points = np.linspace(0, cumdist[-1], n_points) x = np.interp(sample_points, cumdist, traj[:, 0]) y = np.interp(sample_points, cumdist, traj[:, 1]) return np.column_stack([x, y]) def build_distance_matrix(trajectories, n_points=50): """构造轨迹两两之间的距离矩阵""" resampled = [resample_trajectory(t, n_points) for t in trajectories] n = len(resampled) dist_mat = np.zeros((n, n)) for i in range(n): for j in range(i + 1, n): # 逐点欧氏距离取均值，作为两条轨迹的距离 d = cdist(resampled[i], resampled[j]) dist_mat[i, j] = dist_mat[j, i] = d.min(axis=1).mean() return dist_mat这段代码有两个关键参数。n_points 控制重采样后的点数，设太小会抹平轨迹形状，设太大对距离计算没帮助还拖慢速度，一般 30 到 100 之间试。距离计算里用了d.min(axis=1).mean()，意思是每个点找另一条轨迹上最近的点，取这些最近距离的均值，这样对局部错位有一定容忍度。如果你要严格逐点对齐，直接换成np.linalg.norm(resampled[i] - resampled[j], axis=1).mean()。
拿到距离矩阵后，聚类就是标准操作了。K-means 不能直接吃距离矩阵，需要先做多维缩放或者用 KMedoids；DBSCAN 和层次聚类可以直接用预计算的距离矩阵。项目里如果用的是 sklearn，注意metric='precomputed'这个参数，传错会报错或者算出莫名其妙的结果。
3. 把项目跑起来：环境、入口与可视化输出
3.1 环境准备与依赖安装
这个项目是纯 Python 实现，依赖不会太重。常见做法是建一个虚拟环境再装包，避免和系统里的其他版本打架。
python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install numpy scipy matplotlib scikit-learnnumpy 和 scipy 负责数值计算和距离矩阵，matplotlib 负责画轨迹图和聚类中心，scikit-learn 提供聚类算法和评估指标。如果你用的是较新的 Python 版本，注意 scipy 和 sklearn 的版本匹配，装完先python -c "import sklearn; print(sklearn.__version__)"确认能导入。项目里如果用了 pandas 读数据，再补一个pip install pandas。
注意：不要用系统自带的 Python 直接装包，权限问题和版本冲突会让你在排错上花掉比写代码还多的时间。
3.2 入口脚本与数据格式
trajectory_clustering.py 是入口，跑之前先确认它读的数据长什么样。轨迹数据常见的存储格式有两种：一种是每行一个点，字段是traj_id, x, y（或者traj_id, lat, lon）；另一种是每条轨迹一行，坐标序列用分号或 JSON 串起来。项目里的 trajectory.py 应该有对应的读取函数，你打开看一眼它期望的列名和分隔符。
如果数据格式对不上，不用改源码，在入口脚本前面加一段适配就行：
import pandas as pd def load_trajectories(csv_path): """把长表格式的轨迹数据转成 {traj_id: [(x,y), ...]} 字典""" df = pd.read_csv(csv_path) # 按轨迹 ID 分组，按时间或序号排序后取出坐标序列 df = df.sort_values(['traj_id', 'timestamp']) trajs = {} for tid, group in df.groupby('traj_id'): trajs[tid] = group[['x', 'y']].values.tolist() return trajs这里 sort_values 那一步不能省。很多 GPS 日志是按写入顺序存的，不是按时间顺序，不排序直接聚类，轨迹形状全是乱的。字段名按你实际数据的列名改，x/y 换成 lat/lon 也一样，只要保证是数值列。
3.3 可视化：看懂 trajclus.png 和 roundabout.gif
img 目录下的 trajclus.png 是静态聚类结果图，通常画的是所有轨迹叠在一起，不同簇用不同颜色，聚类中心用粗线或标记点标出。roundabout.gif 是环岛场景的动态展示，能看出轨迹随时间的走向和聚类归属变化。这两个图不是装饰，是你验证聚类有没有跑对的参照。
自己画图时，重点看三件事：同一簇的轨迹是不是走向一致，聚类中心是不是落在轨迹密集的通道上，有没有明显该分到一类却被拆开的轨迹。如果图上看不出结构，先别调聚类参数，回头检查距离矩阵是不是算错了。常见错误是坐标没做投影直接用经纬度算欧氏距离，纬度方向一度和一经度一度的实际距离不一样，结果会被纬度差异主导。数据量小的时候用 UTM 投影，数据量大或者跨区域就用 Haversine 距离。
import matplotlib.pyplot as plt def plot_clusters(trajectories, labels, centers=None): """按簇标签画轨迹，中心用加粗线标出""" plt.figure(figsize=(10, 8)) for traj, lab in zip(trajectories, labels): traj = np.array(traj) plt.plot(traj[:, 0], traj[:, 1], color=plt.cm.tab10(lab), alpha=0.5, linewidth=1) if centers is not None: for c in centers: c = np.array(c) plt.plot(c[:, 0], c[:, 1], color='black', linewidth=3) plt.axis('equal') plt.savefig('trajclus_result.png', dpi=150) plt.show()axis('equal')要加上，不然 x 和 y 轴比例不一致，轨迹形状会被拉伸，看起来像另一条路。alpha 设 0.5 是为了轨迹重叠时还能看出密度。centers 传聚类中心轨迹，没有就传 None。
4. 避坑与排查：轨迹聚类里最容易翻车的五件事
4.1 现象：聚类结果每次跑都不一样
原因：K-means 初始化是随机的，不固定 random_state 的话每次初始中心不同，结果自然不同。另外如果用了 DBSCAN，数据顺序也会影响边界点的归属。
解决：K-means 加random_state=42，DBSCAN 前先对数据做固定顺序的排序。如果换了 random_state 结果差异很大，说明数据本身簇结构不明显，不是算法问题。
4.2 现象：所有轨迹被分到一簇，或者每条轨迹自成一簇
原因：距离矩阵的量纲不对。所有轨迹被分一簇通常是距离值整体偏小，聚类算法分不开；每条自成一簇是距离值整体偏大，邻域半径够不到任何邻居。
解决：先打印距离矩阵的统计量，看 min、max、mean 和分位数。正常情况距离分布应该有明显的低值聚集区。如果 max 和 min 差几个数量级，先做归一化再聚类。DBSCAN 的 eps 可以取距离矩阵的 10% 到 20% 分位数作为起点试。
4.3 现象：轨迹形状明显不同却被聚到一起
原因：距离度量只看了位置没看方向，或者重采样点数太少把形状差异抹平了。
解决：换带方向的度量，比如在距离里加入航向角差异，或者用 DTW 替代逐点欧氏距离。重采样点数从 50 提到 100 再试。如果还是不行，检查是不是坐标投影有问题，经纬度直接算距离会让南北向和东西向的轨迹距离失真。
4.4 现象：程序跑得极慢，几千条轨迹就卡死
原因：距离矩阵是 O(n²) 的，逐对计算加上 DTW 这种高复杂度度量，n 到几千就撑不住。另外 Python 循环算距离没有向量化，白白浪费算力。
解决：用scipy.spatial.distance.cdist或者 sklearn 的pairwise_distances做向量化计算。轨迹数量超过五千时，先用 MiniBatchKMeans 或者对轨迹做分段代表点降维，再聚类。层次聚类在 n 大于两千时基本不要考虑。
4.5 现象：可视化图上轨迹叠成一团，看不出聚类效果
原因：轨迹没有按簇着色，或者所有轨迹用了同一个颜色和线宽，重叠后就是一团黑。
解决：按 labels 给每条轨迹分配颜色，用plt.cm.tab10或tab20色板。轨迹多的时候降低 alpha 到 0.3，聚类中心用黑色粗线单独画。如果还是看不清，分簇画子图，每簇一张，比全叠在一起有用得多。
5. 进阶：换距离度量与用轮廓系数验证聚类质量
跑通默认流程之后，真正决定这个项目对你有没有用的，是你能不能把距离度量换成贴合自己数据的版本。项目里 common.py 和 trajectory.py 是动刀的地方。我一般会先把距离函数抽出来单独测：拿两条已知相似的轨迹和两条已知不相似的轨迹，看算出来的距离能不能把相似的对排前面。这一步过了再进聚类，否则后面调参全是玄学。
换度量的常见方向有三个。一是加入速度或时间维度，把(x, y)扩成(x, y, t)或者(x, y, v)，距离里给时间差一个权重。二是用 DTW 处理速度不一致的轨迹，代价是计算慢，可以用 FastDTW 做近似。三是分段后再算距离，把长轨迹切成等长的段，段内算距离再聚合，适合轨迹长度差异大的场景。
换完度量怎么知道聚类变好了？轮廓系数（Silhouette Score）是最常用的内部指标，取值 -1 到 1，越接近 1 说明簇内越紧、簇间越远。用预计算距离矩阵时直接传给 sklearn：
from sklearn.metrics import silhouette_score # dist_mat 是前面算好的距离矩阵，labels 是聚类结果 score = silhouette_score(dist_mat, labels, metric='precomputed') print(f'Silhouette Score: {score:.3f}')注意轮廓系数对簇的形状有假设，DBSCAN 这种非凸簇用它会偏低，这时候看 Calinski-Harabasz 指数或者直接看可视化更靠谱。我的习惯是每次改完距离度量或聚类参数，都把轮廓系数和可视化图一起存下来，文件名带上参数，比如sil_0.42_eps0.8.png，回头对比不用重新跑。
还有一个容易忽略的点：聚类数量不是越多越好，也不是轮廓系数越高越好。交通场景里，簇太多意味着你把同一种流向拆成了好几类，业务上没法解释。我一般会限制簇数不超过实际可能流向数的两倍，超过就回头检查距离度量是不是把噪声放大了。
从那以后我每次拿到新的轨迹数据，都强制先跑一遍重采样加距离矩阵统计，确认距离分布合理再进聚类，省掉了很多事后返工。希望帮到你。
本文还有配套的精品资源，点击获取
