基于多个数据点的学习BayesianGaussianMixture集群分配

Question

我正在尝试使用sklearn.mixture.BayesianGaussianMixture来拟合一组轨迹。

每个轨迹由一组数据点组成。

t_i = {x_i1, y_i1, x_i2, y_i2, ... , x_iN, y_iN},

其中t_i是第1轨道，(x_ik, y_ik)是轨道上的第k点.例如，x_ik可以在时间步长k处表示机器人的状态，而y_ik可以表示机器人所采取的行动。每个GP组件都是来自x_ik -> y_ik的映射。这是相当标准的学习一个GP使用滑雪。

然而，当您想要学习一个高斯混合模型与Dirichlet过程之前，您必须决定什么时候一个新的GP组件将添加。

BayesianGaussianMixture类只提供一个接口，用于基于单个数据点进行集群分配。换句话说，新的数据点是否属于新的集群。

我感兴趣的是:给出一组轨迹，其中每个轨迹可能包含很多数据点。是否有一种基于轨迹的集群分配方法？也就是说，给定一个新的轨道，决定它是否属于一个新的集群。

Answer 1

我将采用以下方法。

首先，尝试将连续坐标转换为一组离散值。例如，您可以将地图划分为单元格，并根据单元格为每个点(x_i、y_i)分配一个标签。在这种情况下，每个轨迹都会变成一系列的标签。

traj_1: cell_id_0 -> cell_id_1 -> ... -> cell_id_n
traj_2: cell_id_3 -> cell_id_6 -> ... -> cell_id_m
...

现在可以使用像一纸空文或word2vec这样的东西来用固定的特征集来表示每个轨迹(大概不同的长度)，或者，换句话说，作为高维空间中的单点。也许有更简单的方法，但我不知道。