فروغ گرامی - کارشناسی ارشد مهندسی عمران_سیستمهای اطلاعات جغرافیایی، گروه مهندسی نقشه برداری، واحد رامسر، دانشگاه آزاد اسلامی، رامسر،ایران.
مریم نیک فر - استادیار، گروه مهندسی نقشه برداری، واحد رامسر، دانشگاه آزاد اسلامی، رامسر، ایران.
زاهده ایزکیان - دانشجوی دکترای سیستم های اطلاعات مکانی، دانشگاه صنعتی خواجه نصیر الدین طوسی، تهران، ایران.
الهیار صیادی - دانشجوی دکترای مهندسی عمران-مهندسی و مدیریت ساخت، واحدبین المللی علوم و تحقیقات، قشم، ایران.

رشد فزاینده ی تکنولوژیهای جمع آوری اطلاعات و امکان دسترسی به حجم عظیمی از داده نیازمند روشهایی برای تجزیه و تحلیل و استخراج اطلاعات مفید از آن میباشد. چگونگی استخراج اطلاعات مفید از میان این حجم عظیم داده همواره یکی از سوالات اساسی در علوم کامپیوتر بوده و دادهکاوی یکی از مهمترین روشهای موجود است. که در این بین خوشه بندی داده نیز از پرکاربردترین زمینه های داده کاوی محسوب میشود. در سالهای اخیر مسئله ی خوشه بندی مسیر اشیاء متحرک به دلیل کاربردهای مختلف شهرت بسیاری پیدا کرده و الگوریتمهای بسیاری در این زمینه پیشنهاد داده شده است. از آنجا که الگوریتمهای خوشه بندی کلاسیک موجود هنگام مواجه شدن با داده های پیچیده مانند مسیر در بهینه ی محلی گرفتار شده و جواب قابل قبولی بدست نمیدهند، همواره استفاده از روشهای نوین یکی از چالشهای موجود در مبحث دادهکاوی بوده است. در این تحقیق یک روش جدید خوشه بندی مختص دادهی مسیر و با هدف جبران نقاط ضعف الگوریتم خوشه بندی کلاسیک پرکاربرد Fuzzy K-Medoids پیشنهاد داده شد. از آنجا که امروزه الگوریتمهای مبتنی بر هوش جمعی در حوزه ی داده کاوی و خوشهبندی مورد توجه زیادی قرار گرفته و نتایج حاصل به خوبی توانایی این روشها را در حل مسئله ی خوشه بندی نشان داده است، در این تحقیق از الگوریتم مبتنی بر هوش جمعی انبوه ذرات به منظور ترکیب با الگوریتم خوشه بندی Fuzzy K-Medoids و با استفاده از تابع فاصله اقلیدسی استفاده شد. روش پیشنهادی بر روی مجموعه داده حرکت خودروهای یک پارکینگ پیاده سازی شد و پس از مقایسه با روش خوشه بندی Fuzzy K-Medoids کارایی آن به اثبات رسید.

داده کاوی، خوشه بندی Fuzzy K-Medoids، ،الگوریتم انبوه ذرات، داده های مسیر.