CN108460424A - 一种基于线点转换和聚类对比的空间运动轨迹识别方法 - Google Patents
一种基于线点转换和聚类对比的空间运动轨迹识别方法 Download PDFInfo
- Publication number
- CN108460424A CN108460424A CN201810259385.1A CN201810259385A CN108460424A CN 108460424 A CN108460424 A CN 108460424A CN 201810259385 A CN201810259385 A CN 201810259385A CN 108460424 A CN108460424 A CN 108460424A
- Authority
- CN
- China
- Prior art keywords
- array
- feature
- line
- converting
- recognition methods
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于线点转换和聚类对比的空间运动轨迹识别方法,包括以下步骤:1)将交通线对象转换为第一散点集合;2)获取运动轨迹,形成第二散点集合;3)分别对所述第一散点集合和第二散点集合进行特征提取和聚类分组,对应形成具有多个特征组的第一数组和第二数组;4)将第一数组和第二数组进行比对,根据第一数组和第二数组的相似度识别所述运动轨迹与所述交通线对象的关系。与现有技术相比,本发明能够实现海量数据情境下,对运动轨迹性质的快速判断,解决传统方法中的性能问题,保证分析的效率不会随着数据量的增长出现持续下降的现象。
Description
技术领域
本发明涉及一种运动轨迹处理方法,尤其是涉及一种基于线点转换和聚类对比的空间运动轨迹识别方法。
背景技术
在传统的空间地理信息领域中,经常需要对一个人或物的运动轨迹进行展示以及分析,其中分析一个人或物的运动轨迹的性质是一个常用的功能。例如,根据一个人的行动轨迹,判断其出行类型,是乘坐地铁?还是乘坐公交?或者步行?诸如此类。
在该行业领域中,处理此类问题的传统方法,一般是利用地理信息系统的空间分析算法进行比对判断。传统方法通过对人或物的运动轨迹线,以及基础交通线(例如道路、地铁线路、公交线路等),建立传统空间索引,然后调用地理信息系统的空间对象关系分析的方法进行判断。通过判断两个线对象的重叠、交叉、缓冲区域等空间关系,来判断两个线对象是否具备相似性。从而根据这种相似性,来推导出人或物的运动轨迹的性质。
以上这种传统的判断人或物的运动轨迹的性质的方法,优点是实现简单,直接调用成熟的地理信息系统相关接口方法就能实现。但是其特点也很明显,由于地理信息系统的空间对象关系分析对计算机硬件(CPU、内存)的依赖性较大,所以当需要处理的人或物的轨迹以及基础交通线数据的为海量数据的时候,系统性能将大幅降低,处理时间大大延长;当数据量增长达一定程度的时候,甚至会出现系统停止响应以及崩溃等问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于线点转换和聚类对比的空间运动轨迹识别方法,规避了传统地理信息系统的空间关系分析的性能瓶颈。
本发明的目的可以通过以下技术方案来实现:
一种基于线点转换和聚类对比的空间运动轨迹识别方法,包括以下步骤:
1)将交通线对象转换为第一散点集合;
2)获取运动轨迹,形成第二散点集合;
3)分别对所述第一散点集合和第二散点集合进行特征提取和聚类分组,对应形成具有多个特征组的第一数组和第二数组;
4)将第一数组和第二数组进行比对,根据第一数组和第二数组的相似度识别所述运动轨迹与所述交通线对象的关系。
进一步地,所述交通线对象包括道路线对象、地铁线对象或公交线对象。
进一步地,所述第一散点集合通过以下步骤获得:
101)提取交通线对象的原始节点序列;
102)计算相邻两个节点之间的直线距离;
103)选取所有所述直线距离大于或等于第一阈值的节点,在对应的相邻节点间插入若干新节点;
104)经步骤103)后的所有节点按顺序排列组成第一散点集合。
进一步地,所述在对应的相邻节点间插入若干新节点具体为:
在相邻节点形成的直线线段上按均匀间隔选取若干点作为新节点。
进一步地,所述步骤3)中,所述特征组至少由一个节点组成,且特征组中各节点距离该特征组中心点的距离小于或等于第二阈值,该特征组的权重等于该特征组的节点数。
进一步地,所述步骤3)后还包括:
对所述第一数组和第二数组进行清洗,删除权重小于第三阈值的特征组。
进一步地,所述第一数组和第二数组的相似度通过以下步骤计算:
401)计算第一数组和第二数组的相似值,计算所述相似值时以第一数组或第二数组作为基准数组;
402)将相似值与基准数组的长度的比值作为第一数组和第二数组的相似度:
其中,EP为第一数组和第二数组的相似度,ES为第一数组和第二数组的相似值,L为基准数组的长度。
进一步地,所述计算第一数组和第二数组的相似值具体为:
411)以第一数组或第二数组作为基准数组,另一数组为比对数组,第一数组或第二数组的相似值初始值为0;
412)选取基准数组的一个特征组,依次计算该特征组与比对数组中的每一特征组的中心点位置的直线距离,判断是否存在直线距离小于或等于第四阈值的情况,若是,则第一数组或第二数组的相似值加1;
413)重复步骤412),直至遍历完基准数组中的所有特征组,最终获得第一数组或第二数组的相似值。
进一步地,所述第一数组或第二数组的相似值小于或等于基准数组的长度。
进一步地,该方法还包括:
5)重复步骤1)-4),获取同一运动轨迹与多个交通线对象的关系,判断该运动轨迹的性质。
与现有技术相比,本发明将交通线对象转换为散点对象集合,进而通过运用聚类对比的方法,对交通线的散点集合、人或物的运动轨迹点集合进行分别聚类处理;然后将两种聚类分析结果进行比对,找出两者之间的相似性,从而得出运动轨迹的性质,具有以下有益效果:
1、本发明提出将线对象转换为散点对象集合的方法。传统技术中,分析一个人或物的运动轨迹的性质是,是将轨迹线作为一个整体进行分析,本发明提出的方法是将线对象转换为散点对象集合,这样就改变了分析的具体内容,从而能够避免传统方法的效率低下问题,提升分析效率。
2、本发明采用聚类特征提取的方法计算不同点集合的相似度。传统方法中,计算点集合的相似度一般是通过比对点与点之间的相似度,最后进行汇总。本发明是先对所有节点集合进行聚类,然后对聚类的结果进行比对,这样就提升了比对的准确率和效率。
3、本发明在将线对象转换为散点集合时,对线对象节点进行中间点的添加处理,有效提高了比对精度。
4、本发明在对散点集合进行聚类时,进一步地对形成的特征组数组进行清洗过滤,把大量的无效数据(低于一定的阈值)进行清除,从而大大减少参与运算的数据量,提升处理效率。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供一种基于线点转换和聚类对比的空间运动轨迹识别方法,包括以下步骤:
步骤S1,将交通线对象转换为第一散点集合。
交通线对象(例如道路、地铁线、公交线等),属于地理信息系统中的线对象,在空间数据结构中,是作为一个对象存储的,在进行空间关系分析的时候,也是作为一个对象进行分析。由于线对象的分析,对分析的算法复杂度和硬件资源的消耗较大,所以当面临海量的数据需要分析的时候,就会达不到效率的要求。
所述第一散点集合通过以下步骤获得:
101)提取交通线对象的原始节点序列;
102)计算相邻两个节点之间的直线距离;
103)选取所有所述直线距离大于或等于第一阈值的节点,在对应的相邻节点间插入若干新节点,第一阈值可以根据实际情况自定义;
104)经步骤103)后的所有节点按顺序排列组成第一散点集合。
在某实施例中,原始节点共有N个,其中共有M个节点的相邻直线距离符合大于或等于第一阈值的条件,则针对该M个节点,在相邻节点中间插入一系列新的节点,具体做法如下:
(1)连接相邻的两个节点生成一条直线线段X;
(2)在线段X上按照均匀的距离间隔取若干个点,距离可选为第一阈值,假设总共取得n个点;
(3)重复上述两个步骤,生成M个节点之间的所有中间点。
将交通线的N个节点,以及生成的其中M个节点两两相邻之间的新的点,按照节点原来的顺序进行排列,生成散点集合,即获得第一散点集合,可记为A。
步骤S2,获取运动轨迹,形成第二散点集合。
运动轨迹本身就是由一系列按照时间顺序排列的位置散点集合,所以不需要复杂转换,直接将轨迹点按照原来的时间顺序排列即可生成轨迹的散点集合,可记为B。
步骤S3,分别对所述第一散点集合和第二散点集合进行特征提取和聚类分组,对应形成具有多个特征组的第一数组和第二数组。
特征组至少由一个节点组成,且特征组中各节点距离该特征组中心点的距离小于或等于第二阈值。特征组有两个属性:
(1)中心点:代表了点组合的位置;
(2)权重:代表了点组合的数量。
对集合A和B中的点,进行聚类分析,将集合内松散分布的点进行特征提取,抽取集合内点的分布规律,过程如下:
1:取集合中的第一个点,同时生成一个组,记为G1,将第一个点的位置作为组G1的中心点位置,将G1的权重设为1。
2:取集合中的第二个点,计算该点与组G1中心点的距离;
2.1如果该距离小于或等于第二阈值(记为DIS,该值可以根据实际情况自由设定),则将该点归入G1,这时将G1的权重加1,更新G1的中心点,新的中心点为原中心点与新加入的这个点的连线的中间点位置坐标;
2.2如果该距离大于阈值DIS,则生成一个新的组,记为G2,将集合中的这个点归入新的组G2,将集合中该点的位置作为组G2的中心点位置,将G2的权重设为1。
3:重复以上步骤1和2,直至遍历完成集合中所有的点。
在某些实施例中,还包括:
4:特征数组清洗,具体如下:
经过以上步骤操作,集合A和集合B,分别生成了两个特征组的数组。假设集合A对应的特征组的第一数组为GA,集合B对应的特征组的第二数组为GB。
设置第三阈值QZ(QZ可以根据应用的实际情况调整),对GA和GB中的特征值进行过滤,选择GA和GB中的权重大于QZ的那些元素(特征组)。
假设GA中最后选择的特征组有K个,GA中最后选择的特征组有H个
分别记为:
GA中的元素:GA1…………GAk
GB中的元素:GB1…………GBh
步骤S4,将第一数组和第二数组进行比对,根据第一数组和第二数组的相似度识别所述运动轨迹与所述交通线对象的关系,具体地:
401)计算第一数组和第二数组的相似值,计算所述相似值时以第一数组或第二数组作为基准数组。
对GA和GB中的元素进行比对。在某实施例中,选取GA为基准数组,则GB为比对数组,相似值初始值为0。依次取出GA中的每一个元素GAx,将GAx与GB中的每一个元素进行比对,计算GAx与GB中每个元素的中心点位置的直线距离DISx。如果GAx与GB数组中的任何一个元素的直线距离DISx小于第四阈值(记为DISxgap,该值可以根据实际情况设定,例如,设为50米),则GA与GB的相似值加1。
依据此法依次遍历完成GA中的所有元素与GB的比对,最终生成GA与GB的相似值,记为ES,ES取值为一个正整数,且ES小于GA的数组长度。
402)将相似值与基准数组的长度的比值作为第一数组和第二数组的相似度:
其中,EP为第一数组和第二数组的相似度,ES为第一数组和第二数组的相似值,L为基准数组的长度,基选择GA为基准数组,则L为GA的数组长度GAL。
在某些实施例中,上述方法可进一步包括:
步骤S5,重复步骤S1-S4,获取同一运动轨迹与多个交通线对象的关系,判断该运动轨迹的性质,确定该运动轨迹的出行类型。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于线点转换和聚类对比的空间运动轨迹识别方法,其特征在于,包括以下步骤:
1)将交通线对象转换为第一散点集合;
2)获取运动轨迹,形成第二散点集合;
3)分别对所述第一散点集合和第二散点集合进行特征提取和聚类分组,对应形成具有多个特征组的第一数组和第二数组;
4)将第一数组和第二数组进行比对,根据第一数组和第二数组的相似度识别所述运动轨迹与所述交通线对象的关系。
2.根据权利要求1所述的基于线点转换和聚类对比的空间运动轨迹识别方法,其特征在于,所述交通线对象包括道路线对象、地铁线对象或公交线对象。
3.根据权利要求1所述的基于线点转换和聚类对比的空间运动轨迹识别方法,其特征在于,所述第一散点集合通过以下步骤获得:
101)提取交通线对象的原始节点序列;
102)计算相邻两个节点之间的直线距离;
103)选取所有所述直线距离大于或等于第一阈值的节点,在对应的相邻节点间插入若干新节点;
104)经步骤103)后的所有节点按顺序排列组成第一散点集合。
4.根据权利要求3所述的基于线点转换和聚类对比的空间运动轨迹识别方法,其特征在于,所述在对应的相邻节点间插入若干新节点具体为:
在相邻节点形成的直线线段上按均匀间隔选取若干点作为新节点。
5.根据权利要求1所述的基于线点转换和聚类对比的空间运动轨迹识别方法,其特征在于,所述步骤3)中,所述特征组至少由一个节点组成,且特征组中各节点距离该特征组中心点的距离小于或等于第二阈值,该特征组的权重等于该特征组的节点数。
6.根据权利要求5所述的基于线点转换和聚类对比的空间运动轨迹识别方法,其特征在于,所述步骤3)后还包括:
对所述第一数组和第二数组进行清洗,删除权重小于第三阈值的特征组。
7.根据权利要求1所述的基于线点转换和聚类对比的空间运动轨迹识别方法,其特征在于,所述第一数组和第二数组的相似度通过以下步骤计算:
401)计算第一数组和第二数组的相似值,计算所述相似值时以第一数组或第二数组作为基准数组;
402)将相似值与基准数组的长度的比值作为第一数组和第二数组的相似度:
其中,EP为第一数组和第二数组的相似度,ES为第一数组和第二数组的相似值,L为基准数组的长度。
8.根据权利要求7所述的基于线点转换和聚类对比的空间运动轨迹识别方法,其特征在于,所述计算第一数组和第二数组的相似值具体为:
411)以第一数组或第二数组作为基准数组,另一数组为比对数组,第一数组或第二数组的相似值初始值为0;
412)选取基准数组的一个特征组,依次计算该特征组与比对数组中的每一特征组的中心点位置的直线距离,判断是否存在直线距离小于或等于第四阈值的情况,若是,则第一数组或第二数组的相似值加1;
413)重复步骤412),直至遍历完基准数组中的所有特征组,最终获得第一数组或第二数组的相似值。
9.根据权利要求8所述的基于线点转换和聚类对比的空间运动轨迹识别方法,其特征在于,所述第一数组或第二数组的相似值小于或等于基准数组的长度。
10.根据权利要求1所述的基于线点转换和聚类对比的空间运动轨迹识别方法,其特征在于,还包括:
5)重复步骤1)-4),获取同一运动轨迹与多个交通线对象的关系,判断该运动轨迹的性质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810259385.1A CN108460424B (zh) | 2018-03-27 | 2018-03-27 | 一种基于线点转换和聚类对比的空间运动轨迹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810259385.1A CN108460424B (zh) | 2018-03-27 | 2018-03-27 | 一种基于线点转换和聚类对比的空间运动轨迹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108460424A true CN108460424A (zh) | 2018-08-28 |
CN108460424B CN108460424B (zh) | 2022-06-21 |
Family
ID=63237558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810259385.1A Active CN108460424B (zh) | 2018-03-27 | 2018-03-27 | 一种基于线点转换和聚类对比的空间运动轨迹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108460424B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456731A (zh) * | 2019-08-13 | 2019-11-15 | 成都飞机工业(集团)有限责任公司 | 一种数控切削几何刀轨特征提取方法 |
CN111667249A (zh) * | 2020-06-15 | 2020-09-15 | 费霁丽 | 一种宠物寄养管理方法、系统、存储介质及终端设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110282825A1 (en) * | 2010-05-13 | 2011-11-17 | Microsoft Corporation | Comparing and identifying similar tracks |
CN104064051A (zh) * | 2014-06-23 | 2014-09-24 | 银江股份有限公司 | 一种乘客便携移动终端与所乘公交车辆定位信息动态匹配方法 |
CN106383868A (zh) * | 2016-09-05 | 2017-02-08 | 电子科技大学 | 一种基于道路网络的时空轨迹聚类方法 |
CN106650771A (zh) * | 2016-09-29 | 2017-05-10 | 百度在线网络技术(北京)有限公司 | 基于聚类分析的轨迹去噪方法以及装置 |
CN106840175A (zh) * | 2016-12-06 | 2017-06-13 | 北京中交兴路信息科技有限公司 | 一种车辆行驶轨迹匹配路网的方法及装置 |
CN106960006A (zh) * | 2017-02-24 | 2017-07-18 | 河海大学 | 一种不同轨迹间相似度度量系统及其度量方法 |
-
2018
- 2018-03-27 CN CN201810259385.1A patent/CN108460424B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110282825A1 (en) * | 2010-05-13 | 2011-11-17 | Microsoft Corporation | Comparing and identifying similar tracks |
CN104064051A (zh) * | 2014-06-23 | 2014-09-24 | 银江股份有限公司 | 一种乘客便携移动终端与所乘公交车辆定位信息动态匹配方法 |
CN106383868A (zh) * | 2016-09-05 | 2017-02-08 | 电子科技大学 | 一种基于道路网络的时空轨迹聚类方法 |
CN106650771A (zh) * | 2016-09-29 | 2017-05-10 | 百度在线网络技术(北京)有限公司 | 基于聚类分析的轨迹去噪方法以及装置 |
CN106840175A (zh) * | 2016-12-06 | 2017-06-13 | 北京中交兴路信息科技有限公司 | 一种车辆行驶轨迹匹配路网的方法及装置 |
CN106960006A (zh) * | 2017-02-24 | 2017-07-18 | 河海大学 | 一种不同轨迹间相似度度量系统及其度量方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456731A (zh) * | 2019-08-13 | 2019-11-15 | 成都飞机工业(集团)有限责任公司 | 一种数控切削几何刀轨特征提取方法 |
CN111667249A (zh) * | 2020-06-15 | 2020-09-15 | 费霁丽 | 一种宠物寄养管理方法、系统、存储介质及终端设备 |
CN111667249B (zh) * | 2020-06-15 | 2024-03-01 | 费霁丽 | 一种宠物寄养管理方法、系统、存储介质及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108460424B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105677648B (zh) | 一种基于标签传播算法的社团发现方法及系统 | |
CN103810288B (zh) | 基于聚类算法对异构社会网络进行社区检测的方法 | |
CN104077613A (zh) | 一种基于级联多级卷积神经网络的人群密度估计方法 | |
CN110287942A (zh) | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 | |
CN107633226A (zh) | 一种人体动作跟踪识别方法及系统 | |
CN109739585B (zh) | 基于spark集群并行化计算的交通拥堵点发现方法 | |
CN106326637A (zh) | 一种基于局部有效路径度的链路预测方法 | |
CN103473786A (zh) | 基于多目标模糊聚类的灰度图像分割方法 | |
CN112069573A (zh) | 一种基于元胞自动机的城市群空间模拟方法、系统及设备 | |
CN113537626B (zh) | 一种聚合信息差异的神经网络结合时间序列预测的方法 | |
CN108460424A (zh) | 一种基于线点转换和聚类对比的空间运动轨迹识别方法 | |
CN111861756A (zh) | 一种基于金融交易网络的团伙检测方法及其实现装置 | |
CN111861771A (zh) | 基于动态社交网络属性的多目标优化社区发现系统及方法 | |
CN112165401A (zh) | 一种基于网络剪枝和局部社区扩展的边社区发现算法 | |
CN109492615A (zh) | 基于cnn低层语义特征密度图的人群密度估计方法 | |
CN111460598A (zh) | 一种基于机器学习的公交干线网生成方法 | |
CN106991804A (zh) | 一种基于多线路耦合的城市公交工况构建方法 | |
CN107832732A (zh) | 基于三叉树遍历的车道线检测方法 | |
CN107464272A (zh) | 基于关键点的中心扩散式气象传真图等值线的插值方法 | |
CN104680118A (zh) | 一种人脸属性检测模型生成方法及系统 | |
CN116682271A (zh) | 基于u形多尺度时空图卷积网络的交通流量预测方法 | |
CN109241628A (zh) | 基于图谱理论和聚类的三维cad模型分割方法 | |
CN108717551A (zh) | 一种基于最大隶属度的模糊层次聚类方法 | |
CN114911849A (zh) | 基于复杂网络理论的移动网络流量模式挖掘方法 | |
CN113706459A (zh) | 一种自闭症患者异常脑区的检测及模拟修复装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |