[发明专利]基于欧式距离和相对方向的不确定移动对象轨迹分组方法

说明书

本发明公开一种基于欧式距离和相对方向的不确定移动对象轨迹分组方法，包括如下步骤：(1)通过移动对象轨迹相似度算法将历史一段时间内具有相似运动轨迹的移动对象划分为一个群组；(2)将同一个分组的移动对象放入索引结构中；(3)当移动对象的空间位置发生变化时，索引结构借助哈希表实现自底向上的查询；(4)当移动对象发出位置更新请求时，更新记录；(5)对索引结构的数据进行周期性更新。本发明通过实时定位移动对象并由其有序定位数据形成不确定移动对象轨迹，通过SMMS算法计算得到相似轨迹并进行以聚类中心为原点的聚类，聚类后获得移动对象信息同时取为一组别，同组别移动对象位置更新数据同时进行。

技术领域

本发明属于时空数据领域不确定移动对象研究方向，具体是涉及一种基于欧式距离和相对方向的不确定移动对象轨迹分组方法。

背景技术

轨迹相似度度量是轨迹数据挖掘与分析的重要问题，在交通管制、道路规划、行程推荐等较多空间领域都有着重要的影响。在交通管理方面，通过移动对象轨迹相似度方法可以发现一些道路是易堵车路段，可以对此路道进行人为交通疏导或者以此优化该路段的路况；在道路规划方面，可以通过用户的日常轨迹推导出用户的出行模式，发现其中的相似性，借此作为城市功能区域划分的重要指标。在行程推荐方面，聚类分析轨迹相似的用户可以更精准地挖掘用户可能的偏好，规划更合理的出行日程。

在过去的几年中，移动对象的轨迹研究领域出现了许多针对轨迹的相似性度量方法，它们在考虑时空信息的情况下比较两条轨迹之间的相似性。两个轨迹之间的相似度是这两个轨迹相似程度的度量指数，相异度则是两个对象差异程度的度量指数，距离通常视作相异度的方面两个对象相似度越高，相似度越高，相异度就越低，距离越小。现有的时空轨迹相似度度量算法主要有：基于欧氏距离的相似度算法。AGRAWALR等在1993年提出了基于欧式距离的轨迹间相似度的标识方法。该方法要求计算的两条轨迹的采样点是一一对应的。采用间隔相同、采样点数即轨迹长度一致。轨迹间的距离由轨迹上对应各点间的距离通过求和或取最大或者最小值得到。之后的研究对于该算法的效率方面进行了改进，利用数字信号处理的相关知识，提出利用离散傅里叶变换、离散小波变换等方法提高运算效率。但这些方法与其基类方法一样，都对轨迹的采样点有严格的要求，因此该方法也存在这对噪声敏感等缺点。基于时间动态规划的轨迹相似度算法主要是解决上述算法中对采样条件过于严格的问题。通过采用前面采样点相同的数据去填补空缺的节点，实现求出最小距离，以此作为衡量轨迹相似度的度量。基于时间动态规划的相似度算法解决了基于欧式距离的轨迹间相似度方法对采样条件严格的问题，但是对噪声敏感。

基于欧式距离和动态规划的相似度算法都对轨迹的个别点差异性非常敏感，如果两个轨迹的节点在大多数时间段具有相似的形态，仅仅在很短的时间具有一定的差异，那么基于欧式距离和动态规划的相似度算法都无法准确度量这两个时间序列的相似度。因此最长公共子序列方法应运而生。其目标是找出无需任何操作即相似的最长轨迹片段。最长公共子序列也是一种运用了动态规划的算法。编辑距离原本是一种源于文本处理的概念，它指的是将一个文本序列通过添加、删除、替换三种操作变成另外一个序列所需的最小操作数。CHEN L等在编辑距离的基础上进行了改进，提出了ERP和EDR。

此外，弗雷歇距离即狗绳距离，即主人走路径1，狗走路径2，各自走完两条路径过程中所需要的最短狗绳长度。同样提供了一种简单直观的度量相似性的方式，也能达到较好的效果。但是弗雷歇距离方法对噪声依旧敏感。单向距离的基本思想在于观察两条轨迹所围成图形的面积，当面积较大时，表明两个轨迹之间距离较远，相似度就低；反之，若围成的形状面积为0，则说明两条轨迹重合，相似度最高。多线位置距离方法：当某区域面积的周长占总长比重大时权重也自然就大，当面积均为0时，说明两条轨迹重合没有缝隙，距离为0；当面积加权和大时，则说明两条轨迹之间缝隙较大，距离也就大。此外，权重由区域周长占总长比重决定，也一定程度对抗了噪音点的干扰。