[发明专利]一种基于多层级轨迹编码树的子段相似性匹配方法

说明书

一种基于多层级轨迹编码树的子段相似性匹配方法，先对待判断的两条轨迹进行轨迹分段，得到各自对应的轨迹子段。对待判断的两条轨迹的轨迹全段、轨迹子段以及轨迹片段进行自适应空间剖分网格编码，根据片段的相邻关系和从属关系构建两条轨迹各自对应的三层级轨迹编码树。基于轨迹编码树各层级结点对应的编码寻找候选相似子段对。对得到的候选相似子段对进行排序、合并操作，最后进行显著性检验，得到相似轨迹子段结果。本发明实现了从轨迹粗粒度到细粒度的统一表达形式，并在此多层级编码树的基础上分析轨迹的不同粒度分段的相似性，设计了轨迹相似子段的快速匹配方法，为挖掘分析多层次精细化轨迹模式、扩展多样化轨迹应用场景提供了新的依据。

技术领域

本发明属于地理信息分析处理技术领域，涉及一种基于轨迹多层级编码树的轨迹子段相似性匹配方法。

背景技术

时空轨迹，即记录移动对象随着时间推移而发生的位置变化情况的数据。时空轨迹作为最为典型的时空数据类型，近年随着各种传感器、定位芯片的广泛安装，数据量不断积累，数据内容不断丰富，其中蕴含的信息和知识反映出移动对象的不同的运动规律和行为模式，具有可观的挖掘价值。针对轨迹数据的处理与分析也成为地理信息和数据挖掘领域的热点。其中，轨迹相似性是轨迹间最基本的模式，如何综合考虑轨迹形态特征，衡量轨迹间以及轨迹子段间的相似度，是众多轨迹数据挖掘应用首先要明确和解决的问题。

真实世界中的移动对象移动速度不一，移动方式多样，产生的轨迹形态以及在不同的采样策略下得到的离散有序轨迹点的分布也复杂多变。传统的轨迹相似性度量和计算一般直接采用时间翘曲或拉伸的方式匹配采样点，本质上属于形状整体相似性度量和计算，而轨迹时空形态中蕴含的时空共现、时空聚集等模式往往只存在于轨迹的部分片段，衡量整体轨迹的粗粒度相似性难以发现这些子段模式。所以需要从轨迹子段的相似性入手，研究轨迹相似子段的匹配方法，分析与挖掘出轨迹间的局部相似模式。

轨迹的子段匹配是轨迹模式挖掘领域的经典问题，也是轨迹子段聚类的主要手段。轨迹的子段匹配包含两个方面的问题，一是轨迹距离度量的选择，二是轨迹分段以及寻找相似分段的算法。轨迹数据的前后点之间有严格的次序关系，存在多种距离度量方案，包括最大距离、最小距离、平均距离、Hausdorff距离、Fréchet距离、动态时间规整(DynamicTime Warping,DTW)、最长公共子序列(Longest Common Subsequence LCSS)、时间翘曲编辑距离(Time Warp Edit Distance,TWED)等，可以根据不同的应用场景的需求选择。轨迹的分段情况直接影响子段匹配的结果，传统做法是遍历两条轨迹中的所有可能的子段，再采用特定的距离或相似性度量筛选出最接近的子段对，效率低耗时长，不具有实用性。

多年来领域内学者提出了众多不同的提高子段匹配效率和准确率的方法。韩国顺天大学的Lim等人在2007年基于DTW距离提出一种使用有限时间翘曲的子轨迹匹配算法，减小了子段过滤的候选集，实现了高效的子轨迹相似查询。荷兰埃因霍温工业大学的Buchin等人在2011年发表于计算几何期刊中的论文采用Fréchet距离寻找轨迹相似子段，分析了原始问题复杂度，证明了寻找最长相似子段是NP-complete问题，并利用自由空间图提出了近似计算方法，降低了计算复杂度。因为传统轨迹相似性度量专注于形状层面的计算，较少考虑时间的量化，更适用于等距离间隔采样轨迹，而如果两个移动对象的速度不同，在实际数据为等时间间隔采样时，即使轨迹形状很接近，也可能产生对应时间的采样点距离差距很大的情况。为了在非等间隔采样的轨迹中寻找相似子轨迹，Buchin在同年发表的论文中又设计了对应时间平均欧氏距离的高效算法，将时间复杂度从平方降低到线性，并面向有时间漂移的轨迹提出了近似算法。