作为机器学习的新手，我有一组不同长度的轨迹。我想把它们聚在一起，因为它们中的一些实际上是同一条路，它们只是因为噪音而看起来不同。
此外，并非所有的长度都相同。所以也许轨迹a和轨迹b是不一样的，但它是轨迹b的一部分，我希望在聚类之后也能给出这个性质。
我对K-means Clustering和Fuzzy N-means Clustering只有一点了解。我怎样才能在两者之间做出选择？还是应该采取其他方法？
有没有什么方法能考虑到“归属感”？
（例如，在聚类之后，我有3个聚类A, B and C。一个特殊的trajectory X属于cluster A。较短的trajectory Y，虽然未在A中聚集，但被确定为trajectory B的一部分）
=update=更新======================
前面提到的轨迹是行人的轨迹。它们可以表示为一系列(x, y)点或一系列阶跃向量(length, direction)。演示文稿在我的控制之下。
最佳答案
可能有点晚了，但我也在处理同样的问题。
我建议你看看traclus，一个由jae gil lee，jiawei han和kyu young wang创建的算法，发表在sigmod'07上。
http://web.engr.illinois.edu/~hanj/pdf/sigmod07_jglee.pdf
这是迄今为止我所见过的对轨迹进行聚类的最佳方法，因为：
可以发现共同的子轨迹。
关注于段而不是点（因此它过滤掉噪声异常值）。
它在不同长度的轨迹上工作。
基本上是两个阶段的方法：
第一阶段-分区：将轨迹划分成段，这是使用MDL优化的O（n）的复杂性来完成的，其中n是给定轨迹中的点的数目。这里输入是一组轨迹，输出是一组段。
复杂性：O（n），其中n是轨迹上的点的数目
输入：轨迹集。
输出：段集合D
第二阶段-组：这个阶段使用类似于dbscan的基于密度的集群的某个版本来发现集群。该阶段的输入是从第一阶段获得的一组线段，以及构成邻域的一些参数和构成簇的最小行数。输出是一组簇。聚类是在片段上进行的。它们定义自己的距离度量，由3个部分组成：平行距离、垂直距离和角度距离。这个阶段具有O（n log n）的复杂性，其中n是段的数目。
复杂度：O（n log n），其中n是D集合上的段数
输入：段的集合D、设置邻域树的参数E和最小行数的参数minlns。
输出：设置cluster的c，即一个片段簇（轨迹簇）。
最后他们为每个簇计算了一个具有代表性的轨迹，也就是在每个簇中发现的一个共同的子轨迹。
他们有很酷的例子，这篇论文解释得很好。再一次，这不是我的算法，所以如果你在做研究，别忘了引用它们。
附：我根据他们的工作制作了一些幻灯片，只是为了教育目的：
http://www.slideshare.net/ivansanchez1988/trajectory-clustering-traclus-algorithm
关于algorithm - 轨迹聚类:哪种聚类方法？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/18820814/