CN105760780A - 基于路网的轨迹数据隐私保护方法 - Google Patents
基于路网的轨迹数据隐私保护方法 Download PDFInfo
- Publication number
- CN105760780A CN105760780A CN201610108377.8A CN201610108377A CN105760780A CN 105760780 A CN105760780 A CN 105760780A CN 201610108377 A CN201610108377 A CN 201610108377A CN 105760780 A CN105760780 A CN 105760780A
- Authority
- CN
- China
- Prior art keywords
- track
- section
- trajectory
- sub
- path segment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于路网的轨迹数据隐私保护方法,在轨迹数据发布应用场景中,首先进行轨迹预处理操作,根据路网信息,按路段将原始的完整轨迹划分成多个子轨迹片段,并对同一路段上的子轨迹片段按照时间信息进行分组;然后结合用户的隐私需求和移动速度信息对同一组内轨迹片段集合进行聚类,每一个等价类内的轨迹片段形成匿名集合;最后在匿名集合内构造合适代表轨迹进行发布,实现发布轨迹数据集的隐私保护处理。本发明在确保发布轨迹数据集安全性的同时,提升数据的可用性。
Description
技术领域
本发明涉及时空数据管理领域,特别是一种基于路网的轨迹数据隐私保护方法。
背景技术
近年来,随着RFID、GPS和智能手机等位置感知设备的广泛应用,越来越多的位置数据被收集,这些数据以轨迹的形式存储在数据库中。轨迹数据蕴含着丰富的知识,发布这些数据,供相关部门进行挖掘和研究可支持多种相关的应用,例如交通规划、基于位置的广告和野生动物跟踪等。然而,由于这些轨迹与个人的信息密切相关,未对这些轨迹数据进行处理就直接发布将会照成严重的隐私泄露。
轨迹隐私定义为轨迹数据中所包含的个人敏感信息,比如从轨迹中推出用户的家庭住址、工作地点、生活习惯和健康状况等。现已提出了相当多的方法来保护发布轨迹数据的隐私信息,其中轨迹k-匿名是具有代表性的一类技术。轨迹k-匿名通过定义相似度度量,在欧式空间上需找相似的k条轨迹来构造匿名集合,选择代表轨迹进行发布,使得攻击者在没有其他背景知识的情况下识别轨迹所属用户身份的概率变为1/k。但是,当攻击者掌握地图背景知识的情况下,轨迹k匿名会存在以下问题:当聚合的轨迹处于同一路段上时,攻击者无法识别用户身份的情况下仍可知道用户访问的位置信息;当聚合不同路段上的轨迹时,可保护轨迹身份和位置信息,但影响发布信息的可用性。因此,结合路网等语义信息来对轨迹数据进行隐私保护处理将显得很有必要。
发明内容
有鉴于此,本发明的目的是提供一种基于路网的轨迹数据隐私保护方法,在确保发布轨迹数据集安全性的同时,提升数据的可用性。
本发明采用以下方案实现:一种基于路网的轨迹数据隐私保护方法,包括以下步骤:
步骤S1:对轨迹进行预处理操作:根据路网信息,按路段将原始完整轨迹划分成多个子轨迹片段,并对同一路段上的子轨迹片段按照时间信息进行分组;
步骤S2:构造匿名子轨迹片段集合:结合用户的隐私需求和移动速度信息对同一分组内的子轨迹片段集合进行聚类,每一个等价类内的轨迹片段形成一个匿名集合;
步骤S3:构造匿名集合内代表轨迹:根据匿名集合内子轨迹片段位置点的分布,根据轨迹中速度信息和范围查询结果的准确性,构造合适的代表轨迹进行发布。
进一步地,所述步骤S1中对轨迹进行预处理操作具体为:首先对路网进行建模,将轨迹的位置点序列通过地址解析匹配到路网上;再将原始轨迹中处于同一个路段上的位置点序列划分为一个子轨迹片段;根据子轨迹片段在路段入口和出口的时间,将时间相近的子轨迹片段划分到同一组内,同一路段上的子轨迹片段集合形成多个分组。
进一步地,所述步骤S2中构造路段上轨迹片段匿名集合具体为:首先根据用户的隐私需求决定分组内子轨迹片段聚类的个数,其中用户的隐私需求越高,聚合类的个数越少,反之,则聚合类的个数越多;再根据移动速度信息对分组内的子轨迹片段集合进行聚类操作,形成多个等价类,等价类内的轨迹片段形成一个匿名集合。
进一步地,所述步骤S3中构造匿名集合内代表轨迹具体为:根据代表轨迹的平均速度信息和路段的长度决定代表轨迹中位置点的个数k,在路段上等距离设置k个参考点,采用k-means聚类方法聚合参考点附近的轨迹位置点,将k个聚类中位置点的中心作为代表轨迹的位置点序列,完成代表代表轨迹的构造。
进一步地,所述步骤S1中,所述轨迹设为T,轨迹T表示为T=(trid,p1p2…pn),其中,trid为轨迹的标识信息,pi=<rid,xi,yi,ti>,rid表示位置点pi所在的路段标识,<xi,yi>为在ti时刻,用户所处的经纬度坐标;
所述子轨迹片段设为tr,子轨迹片段tr为保留了次序的原始轨迹T的子集,tr中的位置点均处于同一个路段中,tr=(trid,pkpk+1…pk+m),pi.rid=pj.rid,划分后的原始轨迹集合可表示为T=(trid,tri|i∈rid),其中tri表示轨迹T在路段i上的轨迹片段部分;
若任意一路段上存在轨迹片段tri和trj,(ti1,tin)和(tj1,tjn)分别为tri和trj在路段的入口和出口的时间,若ti1=tj1±δ,tin=tjn±δ,则轨迹tri和trj为同步轨迹,其中δ为时间阈值,取值范围为0-15mins。
进一步地,所述步骤S2中,所述匿名集合设为C,则路段i上的轨迹片段的匿名集合表示为C(i)={(trid,srid)|rid=i},si表示轨迹trid在路段i上的轨迹片段;所述C(i)内的轨迹片段满足以下两个条件:集合C(i)内轨迹片段在时间上是同步的;集合C(i)内轨迹片段在路段i上的平均速度是相近的。
进一步地,所述步骤S3中,代表轨迹位置点的采样时间t为端点时间,所述端点时间为轨迹经过某个路段入口或者出口的时间;若端点时间t为轨迹经过端点ni的时间,则根据以下公式计算得到t的值:
其中,ripn-1和ripn分别为路段i上的最后两个位置点,l0为ripn-1到ripn的距离,l1为ripn到ni的距离。
所述代表轨迹的平均移动速度设为v,表示用户在任意一路段上的平均移动速度,通过以下公式计算得到t的值:
其中,p1和pn分别表示轨迹在路段上首个位置点和最后一个位置点,dist(pi,pi+1)表示位置点pi和pi+1间的欧几里得距离,pi.t表示第i个位置点的采样时间。
与现有技术相比,本发明在确保发布轨迹数据集安全性的同时,能够保证较高的可利用性,在安全性和完整性之间做一个较好的平衡。
附图说明
图1为本发明的原理框图。
图2为本发明的路段端点时间计算示意图。
图3(a)为本发明的轨迹预处理示意图一。
图3(b)为本发明的轨迹预处理示意图二。
图4为本发明的算例示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本实施提供一种基于路网的轨迹数据隐私保护方法,如图1所示,包括以下步骤:
步骤S1:对轨迹进行预处理操作:根据路网信息,按路段将原始完整轨迹划分成多个子轨迹片段,并对同一路段上的子轨迹片段按照时间信息进行分组;
步骤S2:构造匿名子轨迹片段集合:结合用户的隐私需求和移动速度信息对同一分组内的子轨迹片段集合进行聚类,每一个等价类内的轨迹片段形成一个匿名集合;
步骤S3:构造匿名集合内代表轨迹:根据匿名集合内子轨迹片段位置点的分布,根据轨迹中速度信息和范围查询结果的准确性,构造合适的代表轨迹进行发布。
在本实施例中,所述步骤S1中对轨迹进行预处理操作具体为:首先对路网进行建模,将轨迹的位置点序列通过地址解析匹配到路网上;再将原始轨迹中处于同一个路段上的位置点序列划分为一个子轨迹片段;根据子轨迹片段在路段入口和出口的时间,将时间相近的子轨迹片段划分到同一组内,同一路段上的子轨迹片段集合形成多个分组。
在本实施例中,所述步骤S2中构造路段上轨迹片段匿名集合具体为:首先根据用户的隐私需求决定分组内子轨迹片段聚类的个数,其中用户的隐私需求越高,聚合类的个数越少,反之,则聚合类的个数越多;再根据移动速度信息对分组内的子轨迹片段集合进行聚类操作,形成多个等价类,等价类内的轨迹片段形成一个匿名集合。
在本实施例中,所述步骤S3中构造匿名集合内代表轨迹具体为:根据代表轨迹的平均速度信息和路段的长度决定代表轨迹中位置点的个数k,在路段上等距离设置k个参考点,采用k-means聚类方法聚合参考点附近的轨迹位置点,将k个聚类中位置点的中心作为代表轨迹的位置点序列,完成代表代表轨迹的构造。
在本实施例中,所述步骤S1中,所述轨迹设为T,轨迹T表示为T=(trid,p1p2…pn),其中,trid为轨迹的标识信息,pi=<rid,xi,yi,ti>,rid表示位置点pi所在的路段标识,<xi,yi>为在ti时刻,用户所处的经纬度坐标;
所述子轨迹片段设为tr,子轨迹片段tr为保留了次序的原始轨迹T的子集,tr中的位置点均处于同一个路段中,tr=(trid,pkpk+1…pk+m),pi.rid=pj.rid,划分后的原始轨迹集合可表示为T=(trid,tri|i∈rid),其中tri表示轨迹T在路段i上的轨迹片段部分;
若任意一路段上存在轨迹片段tri和trj,(ti1,tin)和(tj1,tjn)分别为tri和trj在路段的入口和出口的时间,若ti1=tj1±δ,tin=tjn±δ,则轨迹tri和trj为同步轨迹,其中δ为时间阈值,取值范围为0-15mins。
在本实施例中,所述步骤S2中,所述匿名集合设为C,则路段i上的轨迹片段的匿名集合表示为C(i)={(trid,srid)|rid=i},si表示轨迹trid在路段i上的轨迹片段;所述C(i)内的轨迹片段满足以下两个条件:集合C(i)内轨迹片段在时间上是同步的;集合C(i)内轨迹片段在路段i上的平均速度是相近的。
在本实施例中,所述步骤S3中,代表轨迹位置点的采样时间t为端点时间,所述端点时间为轨迹经过某个路段入口或者出口的时间;如图2所示,若端点时间t为轨迹经过端点ni的时间,则根据以下公式(1)计算得到t的值:
其中,ripn-1和ripn分别为路段i上的最后两个位置点,l0为ripn-1到ripn的距离,l1为ripn到ni的距离。
所述代表轨迹的平均移动速度设为v,表示移动对象在任意一路段上的平均移动速度,通过以下公式(2)计算得到t的值:
其中,p1和pn分别表示轨迹在路段上首个位置点和最后一个位置点,dist(pi,pi+1)表示位置点pi和pi+1间的欧几里得距离,pi.t表示第i个位置点的采样时间。
在本实施例中,所述步骤S3中的轨迹范围查询为在某个时刻距离查询点一定距离内的轨迹数量,范围查询对于基础设施建设和广告分发等应用具有十分重要的作用。
在本实施例中,基于上述定义,该方法的具体实施步骤包括以下:
(1)预处理
预处理阶段主要包含以下两个步骤:轨迹片段划分和同一路段上轨迹片段的分组。
轨迹片段划分按照原始轨迹位置点所处的路段,将处于同一路段上的位置点划分为同一个轨迹片段。如图3(a)所示,将原始轨迹T按照路段信息划分成三个轨迹片段,轨迹片段1含有p1、p2和p3三个位置点,轨迹片段2含有p4和p5两个位置点,轨迹片段3含有p6、p7和p8三个位置点。
轨迹片段的分组阶段,首先根据公式(1)计算路段上每条轨迹片段在路段入口和出口的时间t,将在路段入口和出口的时间相近轨迹片段分到同一个组中。如图3(b)中所示,路段i上存在n条轨迹片段,按照时间信息将n条轨迹片段分成x个同步轨迹片段集合,集合内每条轨迹在路段i入口和出口的时间相差不超过2δ,δ为时间阈值,设置为15分钟。
(2)匿名集合的构造
首先考虑到用户轨迹隐私需求的差异性来决定聚合类的个数,一般情况下,聚合的类数越少,前后轨迹片段的连续性就越低,数据的安全性越高,但数据完整性就越低;然后根据速度信息决定轨迹片段属于哪一个等价类。
假设路段上存在n条同步轨迹片段C={tra1,tra2,…,tran},赋予每条轨迹一个隐私级别δ(trid)∈[0,1];令δmax=max(trai),i∈[1,n],δmax表示片段中的最高隐私级别。根据公式(3)决定集合内聚合类的数量num。其中当δmax为1时,将n条轨迹片段聚合成一类,安全性达到最高;当δmax为0时,表示集合中的轨迹无需处理即可直接发布;当δmax处于0和1之间时,根据路网上移动对象所采用的交通方式的差别对轨迹集合进行聚类,这是由于采用不同交通方式时,移动速度具有明显的差别,这种做法能够在数据安全性和完整性之间做一个较好的平衡。
路网上的交通方式主要可分为步行、自行车、电动车和汽车4类,它们的平均速度大约为v1=5km/h,v2=15km/h,v3=40km/h,v4=60km/h,因此,将v1、v2、v3和v4作为初始聚类中心,来对分组内的自己片段进行聚类处理。通过公式(2)来计算路段上每个轨迹片段的平均速度v,将v与四个聚类中心进行比较,与哪个接近则将这条轨迹片段聚合到这个类中。
(3)代表轨迹的构造
根据轨迹的定义,由于等价类内轨迹片段的异质性,需要决定代表轨迹位置点的采样时间t和所处的坐标loc。首先根据路段的长度除以代表轨迹的平均移动速度来决定代表轨迹位置点的个数k,然后在路段i上等间距共设置k个参考点。对参考点位置附近的位置点采用k-means算法进行聚类,将类中位置点的位置和时间的平均值构成代表轨迹的位置点,完整代表轨迹的构造。
通过一个算例来对方法作进一步解释,如图4所示,左边圆形顶点为路口(如n1,n2等),连接两个顶点为一个路段(如路段n1n4,n4n5等),用户u1的轨迹经过路段n1n4,n4n5,n5n6,最终轨迹的发布形式如图4右边所示,为{路段,轨迹类别,移动速度,支持度,时间},轨迹类别即为不同的代表轨迹,移动速度为代表轨迹的平均移动速度,支持度为代表轨迹所代表的匿名组内轨迹片段的数量,时间为代表轨迹在路段上的时间跨度。用户u1的轨迹被分成的3段进行发布,且每一段都与其他片段形成匿名集合,攻击者无法还原出用户u1的轨迹为n1n4,n4n5,n5n6,从而达到隐私保护的目的。本实施例可实现路网上轨迹匿名的同时,能够保证较高的可利用性,在安全性和完整性之间做一个较好的平衡。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (7)
1.一种基于路网的轨迹数据隐私保护方法,其特征在于:包括以下步骤:
步骤S1:对轨迹进行预处理操作:根据路网信息,按路段将原始完整轨迹划分成多个子轨迹片段,并对同一路段上的子轨迹片段按照时间信息进行分组;
步骤S2:构造匿名子轨迹片段集合:结合用户的隐私需求和移动速度信息对同一分组内的子轨迹片段集合进行聚类,每一个等价类内的轨迹片段形成一个匿名集合;
步骤S3:构造匿名集合内代表轨迹:根据匿名集合内子轨迹片段位置点的分布,根据轨迹中速度信息和范围查询结果的准确性,构造合适的代表轨迹进行发布。
2.根据权利要求1所述的一种基于路网的轨迹数据隐私保护方法,其特征在于:所述步骤S1中对轨迹进行预处理操作具体为:首先对路网进行建模,将轨迹的位置点序列通过地址解析匹配到路网上;再将原始轨迹中处于同一个路段上的位置点序列划分为一个子轨迹片段;根据子轨迹片段在路段入口和出口的时间,将时间相近的子轨迹片段划分到同一组内,同一路段上的子轨迹片段集合形成多个分组。
3.根据权利要求1所述的一种基于路网的轨迹数据隐私保护方法,其特征在于:所述步骤S2中构造路段上轨迹片段匿名集合具体为:首先根据用户的隐私需求决定分组内子轨迹片段聚类的个数,其中用户的隐私需求越高,聚合类的个数越少,反之,则聚合类的个数越多;再根据移动速度信息对分组内的子轨迹片段集合进行聚类操作,形成多个等价类,等价类内的轨迹片段形成一个匿名集合。
4.根据权利要求1所述的一种基于路网的轨迹数据隐私保护方法,其特征在于:所述步骤S3中构造匿名集合内代表轨迹具体为:根据代表轨迹的平均速度信息和路段的长度决定代表轨迹中位置点的个数k,在路段上等距离设置k个参考点,采用k-means聚类方法聚合参考点附近的轨迹位置点,将k个聚类中位置点的中心作为代表轨迹的位置点序列,完成代表代表轨迹的构造。
5.根据权利要求2所述的一种基于路网的轨迹数据隐私保护方法,其特征在于:所述步骤S1中,所述轨迹设为T,轨迹T表示为T=(trid,p1p2…pn),其中,trid为轨迹的标识信息,pi=<rid,xi,yi,ti>,rid表示位置点pi所在的路段标识,<xi,yi>为在ti时刻,用户所处的经纬度坐标;
所述子轨迹片段设为tr,子轨迹片段tr为保留了次序的原始轨迹T的子集,tr中的位置点均处于同一个路段中,tr=(trid,pkpk+1…pi+m),pi.rid=pj.rid,划分后的原始轨迹集合可表示为T=(trid,tri|i∈rid),其中tri表示轨迹T在路段i上的轨迹片段部分;
若任意一路段上存在轨迹片段tri和trj,(ti1,tin)和(tj1,tjn)分别为tri和trj在路段的入口和出口的时间,若ti1=tj1±δ,tin=tjn±δ,则轨迹tri和trj为同步轨迹,其中δ为时间阈值,取值范围为0-15mins。
6.根据权利要求3所述的一种基于路网的轨迹数据隐私保护方法,其特征在于:
所述步骤S2中,所述匿名集合设为C,则路段i上的轨迹片段的匿名集合表示为C(i)={(trid,srid)|rid=i},si表示轨迹trid在路段i上的轨迹片段;所述C(i)内的轨迹片段满足以下两个条件:集合C(i)内轨迹片段在时间上是同步的;集合C(i)内轨迹片段在路段i上的平均速度是相近的。
7.根据权利要求4所述的一种基于路网的轨迹数据隐私保护方法,其特征在于:所述步骤S3中,代表轨迹位置点的采样时间t为端点时间,所述端点时间为轨迹经过某个路段入口或者出口的时间;若端点时间t为轨迹经过端点ni的时间,则根据以下公式计算得到t的值:
其中,ripn-1和ripn分别为路段i上的最后两个位置点,l0为ripn-1到ripn的距离,l1为ripn到ni的距离。
所述代表轨迹的平均移动速度设为v,表示移动对象在任意一路段上的平均移动速度,通过以下公式计算得到t的值:
其中,p1和pn分别表示轨迹在路段上首个位置点和最后一个位置点,dist(pi,pi+1)表示位置点pi和pi+1间的欧几里得距离,pi.t表示第i个位置点的采样时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610108377.8A CN105760780B (zh) | 2016-02-29 | 2016-02-29 | 基于路网的轨迹数据隐私保护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610108377.8A CN105760780B (zh) | 2016-02-29 | 2016-02-29 | 基于路网的轨迹数据隐私保护方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105760780A true CN105760780A (zh) | 2016-07-13 |
CN105760780B CN105760780B (zh) | 2018-06-08 |
Family
ID=56331399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610108377.8A Expired - Fee Related CN105760780B (zh) | 2016-02-29 | 2016-02-29 | 基于路网的轨迹数据隐私保护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105760780B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295395A (zh) * | 2016-07-27 | 2017-01-04 | 福建师范大学 | 基于图划分的不确定轨迹隐私保护方法 |
CN107145792A (zh) * | 2017-04-07 | 2017-09-08 | 哈尔滨工业大学深圳研究生院 | 基于密文数据的多用户隐私保护数据聚类方法及系统 |
CN107145791A (zh) * | 2017-04-07 | 2017-09-08 | 哈尔滨工业大学深圳研究生院 | 一种具有隐私保护的K‑means聚类方法及系统 |
CN107835241A (zh) * | 2017-11-02 | 2018-03-23 | 辽宁工业大学 | 一种路网环境中连续近邻查询下的隐私保护区域构建方法 |
CN108111968A (zh) * | 2017-12-20 | 2018-06-01 | 河海大学 | 一种基于泛化的位置隐私保护方法 |
CN108491730A (zh) * | 2018-03-08 | 2018-09-04 | 湖南大学 | 基于拉格朗日优化的轨迹间相关性隐私保护方法 |
CN108734022A (zh) * | 2018-04-03 | 2018-11-02 | 安徽师范大学 | 基于三维网格划分的隐私保护轨迹数据发布方法 |
CN109104694A (zh) * | 2018-06-26 | 2018-12-28 | 重庆市交通规划研究院 | 一种基于手机信令的用户停留位置发现方法及系统 |
CN110121153A (zh) * | 2019-05-14 | 2019-08-13 | 中国石油大学(华东) | 一种基于首尾轨迹片段的位置隐私保护方法 |
CN110162997A (zh) * | 2019-04-25 | 2019-08-23 | 安徽师范大学 | 基于插值点的匿名隐私保护方法 |
CN111581662A (zh) * | 2020-04-14 | 2020-08-25 | 浙江师范大学 | 轨迹隐私保护方法、隐私保护系统、存储介质及移动设备 |
CN112948872A (zh) * | 2021-02-02 | 2021-06-11 | 华南理工大学 | 一种基于分段聚类的路网轨迹语义隐私保护方法 |
CN114021191A (zh) * | 2021-11-05 | 2022-02-08 | 江苏安泰信息科技发展有限公司 | 一种安全生产信息化敏感数据管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140379628A1 (en) * | 2013-06-19 | 2014-12-25 | International Business Machines Corporation | Privacy risk metrics in location based services |
CN104331424A (zh) * | 2014-10-15 | 2015-02-04 | 南京邮电大学 | 一种用户移动轨迹中敏感轨迹模式的净化方法 |
CN104394509A (zh) * | 2014-11-21 | 2015-03-04 | 西安交通大学 | 一种高效的差分扰动位置隐私保护系统及方法 |
CN105120431A (zh) * | 2015-07-24 | 2015-12-02 | 中山大学 | 基于路网中位置敏感度和热度的位置隐私保护方法 |
-
2016
- 2016-02-29 CN CN201610108377.8A patent/CN105760780B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140379628A1 (en) * | 2013-06-19 | 2014-12-25 | International Business Machines Corporation | Privacy risk metrics in location based services |
CN104331424A (zh) * | 2014-10-15 | 2015-02-04 | 南京邮电大学 | 一种用户移动轨迹中敏感轨迹模式的净化方法 |
CN104394509A (zh) * | 2014-11-21 | 2015-03-04 | 西安交通大学 | 一种高效的差分扰动位置隐私保护系统及方法 |
CN105120431A (zh) * | 2015-07-24 | 2015-12-02 | 中山大学 | 基于路网中位置敏感度和热度的位置隐私保护方法 |
Non-Patent Citations (1)
Title |
---|
吴英杰等: "基于聚类杂交的隐私保护轨迹数据发布算法", 《计算机研究与发展》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295395A (zh) * | 2016-07-27 | 2017-01-04 | 福建师范大学 | 基于图划分的不确定轨迹隐私保护方法 |
CN107145791B (zh) * | 2017-04-07 | 2020-07-10 | 哈尔滨工业大学深圳研究生院 | 一种具有隐私保护的K-means聚类方法及系统 |
CN107145792A (zh) * | 2017-04-07 | 2017-09-08 | 哈尔滨工业大学深圳研究生院 | 基于密文数据的多用户隐私保护数据聚类方法及系统 |
CN107145791A (zh) * | 2017-04-07 | 2017-09-08 | 哈尔滨工业大学深圳研究生院 | 一种具有隐私保护的K‑means聚类方法及系统 |
CN107145792B (zh) * | 2017-04-07 | 2020-09-15 | 哈尔滨工业大学深圳研究生院 | 基于密文数据的多用户隐私保护数据聚类方法及系统 |
CN107835241A (zh) * | 2017-11-02 | 2018-03-23 | 辽宁工业大学 | 一种路网环境中连续近邻查询下的隐私保护区域构建方法 |
CN108111968A (zh) * | 2017-12-20 | 2018-06-01 | 河海大学 | 一种基于泛化的位置隐私保护方法 |
CN108111968B (zh) * | 2017-12-20 | 2020-08-21 | 河海大学 | 一种基于泛化的位置隐私保护方法 |
CN108491730A (zh) * | 2018-03-08 | 2018-09-04 | 湖南大学 | 基于拉格朗日优化的轨迹间相关性隐私保护方法 |
CN108491730B (zh) * | 2018-03-08 | 2021-11-19 | 湖南大学 | 基于拉格朗日优化的轨迹间相关性隐私保护方法 |
CN108734022B (zh) * | 2018-04-03 | 2021-07-02 | 安徽师范大学 | 基于三维网格划分的隐私保护轨迹数据发布方法 |
CN108734022A (zh) * | 2018-04-03 | 2018-11-02 | 安徽师范大学 | 基于三维网格划分的隐私保护轨迹数据发布方法 |
CN109104694A (zh) * | 2018-06-26 | 2018-12-28 | 重庆市交通规划研究院 | 一种基于手机信令的用户停留位置发现方法及系统 |
CN109104694B (zh) * | 2018-06-26 | 2020-10-30 | 重庆市交通规划研究院 | 一种基于手机信令的用户停留位置发现方法及系统 |
CN110162997A (zh) * | 2019-04-25 | 2019-08-23 | 安徽师范大学 | 基于插值点的匿名隐私保护方法 |
CN110121153B (zh) * | 2019-05-14 | 2021-01-15 | 中国石油大学(华东) | 一种基于首尾轨迹片段的位置隐私保护方法 |
CN110121153A (zh) * | 2019-05-14 | 2019-08-13 | 中国石油大学(华东) | 一种基于首尾轨迹片段的位置隐私保护方法 |
CN111581662A (zh) * | 2020-04-14 | 2020-08-25 | 浙江师范大学 | 轨迹隐私保护方法、隐私保护系统、存储介质及移动设备 |
CN111581662B (zh) * | 2020-04-14 | 2023-04-18 | 浙江师范大学 | 轨迹隐私保护方法及存储介质 |
CN112948872A (zh) * | 2021-02-02 | 2021-06-11 | 华南理工大学 | 一种基于分段聚类的路网轨迹语义隐私保护方法 |
CN112948872B (zh) * | 2021-02-02 | 2023-03-24 | 华南理工大学 | 一种基于分段聚类的路网轨迹语义隐私保护方法 |
CN114021191A (zh) * | 2021-11-05 | 2022-02-08 | 江苏安泰信息科技发展有限公司 | 一种安全生产信息化敏感数据管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105760780B (zh) | 2018-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105760780A (zh) | 基于路网的轨迹数据隐私保护方法 | |
US11562168B2 (en) | Clustering for K-anonymity in location trajectory data | |
CN108170793B (zh) | 基于车辆语义轨迹数据的停留点分析方法及其系统 | |
Chen et al. | Nlpmm: A next location predictor with markov modeling | |
AU2017399729B2 (en) | Trajectory analysis with mode of transport analysis | |
US10546043B1 (en) | Triangulation for K-anonymity in location trajectory data | |
Ríos et al. | Land Use detection with cell phone data using topic models: Case Santiago, Chile | |
Li et al. | T-DesP: Destination prediction based on big trajectory data | |
US20180240026A1 (en) | Method and apparatus for providing semantic-free traffic prediction | |
CN104902438B (zh) | 一种基于移动通信终端分析客流特征信息的统计方法及其系统 | |
Chen et al. | Predicting next locations with object clustering and trajectory clustering | |
CN104850604A (zh) | 一种基于张量的用户轨迹挖掘方法 | |
Alamri et al. | A taxonomy for moving object queries in spatial databases | |
CN105243148A (zh) | 一种基于签到数据的时空轨迹相似性度量方法及系统 | |
Li et al. | A personal location prediction method based on individual trajectory and group trajectory | |
Cao et al. | Understanding metropolitan crowd mobility via mobile cellular accessing data | |
Stenneth et al. | Monitoring and mining GPS traces in transit space | |
WO2018151672A1 (en) | Trajectory analysis through fusion of multiple data sources | |
US11317247B1 (en) | Method, apparatus, and system for data-driven evaluation of heuristics for trajectory cropping | |
Zheng et al. | A novel grid based k-means cluster method for traffic zone division | |
Ye et al. | A trajectory privacy-preserving algorithm based on road networks in continuous location-based services | |
US11482099B2 (en) | Method and apparatus for preventing traffic over-reporting via identifying misleading probe data | |
Yu et al. | RePiDeM: A refined POI demand modeling based on multi-source data | |
Thomason et al. | Context trees: Augmenting geospatial trajectories with context | |
Jiang et al. | Federated meta-location learning for fine-grained location prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180608 |
|
CF01 | Termination of patent right due to non-payment of annual fee |