[发明专利]一种基于LSTM预测和平滑分析思想的轨迹数据压缩方法

说明书

一种基于LSTM预测和平滑分析思想的轨迹数据压缩方法，基于LSTM预测的移动对象轨迹数据压缩方法，将深度学习模型应用到传统的轨迹压缩领域，使用神经网络预测得到距离误差和方向误差，并采用平滑分析的思想确定压缩阈值，不需要人为设定误差阈值，并且本发明同时考虑距离和方向，充分保留了原始轨迹的重要信息，相比于传统的轨迹压缩算法，本发明根据压缩轨迹自身的特点得到误差和确定误差阈值，能够更好的适用于具有不同特点的轨迹数据，解决了传统的轨迹压缩算法压缩效果差，人为寻找误差和设定误差阈值实验繁琐的问题。

技术领域

本发明涉及一种基于LSTM预测和平滑分析思想的轨迹数据压缩方法。

背景技术

随着GPS、RFID、无线传感器等技术设备的普及应用，产生了大量的移动对象轨迹数据，轨迹数据量以指数暴涨，对这些数据所蕴含的丰富信息进行提取成为了当下较为火热的研究方向之一。然而，轨迹数据的日益增加给现有的研究和存储设备都带来了巨大的挑战：数据量巨大、查询时间增长，数据冗余，因此对移动对象轨迹数据进行压缩成为当务之急。解决这三个问题可以通过使用减少轨迹数据的算法来解决。连续移动的物体采集到的轨迹数据是包含位置信息的离散轨迹点，越是以较高频率采集的运动物体的位置信息，越是接近原始物体真实的运动情况。因此，如何设计更好的轨迹压缩算法是解决问题的关键。

大规模轨迹数据的不断增加的同时，许多研究者提出了大量的轨迹压缩算法，用来减少冗余，保留对轨迹位置特征贡献大的轨迹点。传统的轨迹数据的压缩算法主要分为以下三类：

1、轨迹的线段压缩：轨迹的线段压缩通过设定误差阈值，在允许的误差阈值范围内用更少的点来表示原来的轨迹，需要关注的是算法的准确率和压缩比，删除了误差较小的点，保留误差较大即对轨迹贡献较大的点，它的主要目的就是输入一条轨迹曲线，用一条包含更少的轨迹点的曲线来近似的代替原来的曲线，并且要保证这条曲线与原始的曲线之间的误差较小。轨迹数据相比于普通的曲线，轨迹数据包含位置信息的同时，还包括了时间、速度和方向信息。轨迹的线段压缩误差阈值需要人为设定，需要不断尝试不同的误差阈值来查看实验效果，找到对应轨迹相对较优的误差阈值，操作过程十分繁琐。

轨迹的线段压缩又分为离线压缩和在线压缩两种。离线压缩算法是在获得完整的轨迹数据后进行压缩；在线压缩是随着移动对象的移动实时的对采集到的轨迹点进行取舍。

2、基于路网的轨迹压缩：移动对象的运动在一定地理空间范围内要受到路网结构的约束，路网结构是有限的，对那些空间信息相同的轨迹点只选择保留一份；在原始的轨迹数据中加入路网结构可以保证轨迹落在路段上，路网结构的不随意更改又使其具有稳定性。因为路网结构具有有限性和稳定性的优势，因此比较适合处理车辆轨迹，将车辆轨迹数据序列匹配成相对应的路段序列之后再进行压缩，基于路网的轨迹压缩因为路网的稳定性，局限于车辆的轨迹压缩，应用对象相对单一。

3、基于语义的轨迹压缩：人们不能理解原始轨迹和路网轨迹，但是可以理解语义轨迹，语义轨迹压缩是将一条轨迹进行拆分，拆分的各个事件，通过阅读语义轨迹，可以清楚地理解所阅读轨迹的起点、终点以及行驶的路段，这种轨迹压缩方法对原始轨迹提取了概要，不仅压缩了数据量，而且也使得轨迹的行为便于理解，输入一条原始轨迹就可以输出一段描述性文字，大体描述轨迹的行驶特征以及经过的重要位置。这种压缩方法在一定程度上减少了空间开销，但同时也丢失了具体的位置信息。

发明内容

本发明的目的在于提供一种基于LSTM预测和平滑分析思想的轨迹数据压缩方法，基于LSTM预测的移动对象轨迹数据压缩方法，将深度学习模型应用到传统的轨迹压缩领域，使用神经网络预测得到距离误差和方向误差，并采用平滑分析的思想确定压缩阈值，不需要人为设定误差阈值，同时考虑距离和方向，充分保留了原始轨迹的重要信息，根据压缩轨迹自身的特点得到误差和确定误差阈值，能够更好的适用于具有不同特点的轨迹数据。

为了达到上述目的，本发明提供一种基于LSTM预测和平滑分析思想的轨迹数据压缩方法，包含以下步骤：