根据5.3 节所描述的相关性度量方法计算各流式数据之间的相似程度，并构建交通多流式数据图聚类模型的相似度矩阵。考虑多流式数据之间相关系数可能出现倾斜分布的情况，采用规范且对称的图Laplacian矩阵Lsym来计算相似图的Laplacian 矩阵，记为L ＝I－D－1／2ΩD－1／2。调用QR 算法对相似度矩阵对应的Laplacian 矩阵进行谱特征分解。在谱映射空间中，采用传统的K⁃means 算法将流式数据集合划分为k 个簇，从而得到聚类模型Ck（w）。需要注意的是，本书采用文献［166，172］的方法对聚类数k 进行选择。基于谱聚类的多流式数据聚类算法ICMDS 的详细描述见表5.3。

表5.3　ICMDS 算法的伪代码描述

由图2.8 可得，流式数据之间的耦合关系随时间不断发生变化。为了发现一个时间区间内交通多流式数据随时空不断变化过程中的演化趋势，提出了交通多流式数据演化趋势发现算法TEEMA。首先，确定每个时间步的聚簇数k，调用ICMDS 算法对当前的聚类模型进行求解。然后，将相邻时间步的聚类模型进行比较。如果聚类成员或聚类数发生了变化，则说明可能发生了一个演化事件，将当前时刻作为事件点加入结果集合中。最后，得到一系列由时间点构成的演化事件集合，详细描述见表5.4。(www.daowen.com)

表5.4　TEEMA 算法的伪代码描述