CN108984691B - 一种基于概率剪枝的路网移动对象范围查询优化方法 - Google Patents
一种基于概率剪枝的路网移动对象范围查询优化方法 Download PDFInfo
- Publication number
- CN108984691B CN108984691B CN201810724536.6A CN201810724536A CN108984691B CN 108984691 B CN108984691 B CN 108984691B CN 201810724536 A CN201810724536 A CN 201810724536A CN 108984691 B CN108984691 B CN 108984691B
- Authority
- CN
- China
- Prior art keywords
- rid
- oid
- sample
- query
- moving object
- 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.)
- Active
Links
Images
Landscapes
- Traffic Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于概率剪枝的路网移动对象范围查询优化方法,属于时空数据技术领域。获取相邻采样<samplei,samplei+1>满足查询时间条件ti<t<ti+1的移动对象集;对移动对象集中所有移动对象OID计算<samplei,samplei+1>间可能路径中包含查询路段RID的路径概率和并比较与概率阈值a的关系,形成新的移动对象集;比较<samplei,samplei+1>间第j条包含路段RID的可能路径中,t时刻OID在RID上的位置概率与关系,形成路网移动对象范围查询预选结果集和查询候选集;计算查询候选集中OID在查询时刻t经过给定路段RID的移动对象概率值Pt,RID(O/D),形成计算结果集;合并预选结果集和计算结果集形成概率范围查询结果集。具有可以快速缩小查询候选集、范围查询精度与效率高等优点。
Description
技术领域
本发明涉及一种基于概率剪枝的路网移动对象范围查询优化方法,属于时空数据技术领域。
背景技术
路网移动对象范围查询是一种典型的移动对象数据库查询类型,在智能交通系统ITS中应用广泛。目前流行的快的打车、嘀嘀打车等打车软件实质就是进行特定时间特定空间范围内的移动对象范围查询。现有研究大多假设高采样而忽略连续采样间移动对象位置的不确定性,无法满足路网移动对象范围查询的精确度要求。考虑采样频率的移动对象范围查询需要求解每个移动对象所有可能路径中的概率值,涉及大量的概率计算,显然当移动对象数量或者路网密度很大时查询效率较低,远远无法满足查询的实时性要求。因此设计基于概率剪枝的路网移动对象范围查询优化方法,将几何关系与概率判断相结合,兼顾采样频率导致的位置不确定性和数据体量极大性前提下对查询方法进行针对性优化,为基于位置的服务提供精准、实时的路网移动对象范围查询。
路网移动对象范围查询的优化方法通常采用空间剪枝策略将空间索引的查询剪枝问题转化为空间距离的快速查询问题。Papadias等人(Papadias D.,Zhang J.,MamoulisN.and Tao Y.Query processing in spatial network databases[C].Proceedings ofthe 29th International Conference on Very Large Data Bases,2003:802-813.)将欧氏空间信息和受限网络相结合提出了欧氏限制和网络扩展约束,充分利用位置关联有效缩小搜索空间提高范围查询效率,但此类优化方法未考虑路网移动对象基于采样频率的位置不确定性。Zhang等人(Zhang Y.,Lin X.,Tao Y.,Zhang W.and Wang H.Efficientcomputation of range aggregates against uncertain location based queries[J].Knowledge and Data Engineering,2012,24(7):1244-1258.)针对查询位置的不确定性,提出了一种基于过滤与判定的方法有效解决了多维空间中的范围聚集查询问题,但该研究的移动对象位置不确定性基于欧氏距离,即两点间的直线距离,相关研究成果并不能直接应用于路网环境。Chen等人(Chen L.,Tang Y.,Lv M.and Chen G.Partition-based rangequery for uncertain trajectories in road networks[J].Geoinformatica,2015,19(1):61-84.)依据移动对象轨迹单元的网络距离进行划分,提出了一种基于划分的路网移动对象范围查询方法,但这种方法需要进行频繁的磁盘读写操作,大规模路网海量移动对象数据处理的实时性不能满足。
发明内容
本发明要解决的技术问题是针对现有路网移动对象范围查询效率不高的缺点,提出一种基于概率剪枝的路网移动对象范围查询优化方法,考虑采样频率导致的路网移动对象位置不确定性的前提下,将几何关系与概率判断相结合,快速缩小查询候选集,提高范围查询的效率。
为解决上述技术问题,本发明提供一种基于概率剪枝的路网移动对象范围查询优化方法,包括以下步骤:
(1)获取相邻采样<samplei,samplei+1>满足查询时间条件ti<t<ti+1的移动对象集;
(2)对移动对象集中所有移动对象OID计算<samplei,samplei+1>间可能路径中包含查询路段RID的路径概率和并比较与概率阈值α的关系,形成新的移动对象集。其中,|PH|表示<samplei,samplei+1>间可能路径的数目,vs表示查询路段RID的起点,ve表示查询路段RID的终点;
(3)比较<samplei,samplei+1>间第j条包含路段RID的可能路径中,t时刻OID在RID上的位置概率与关系,形成路网移动对象范围查询预选结果集和查询候选集。其中,k表示<samplei,samplei+1>间|PH|条可能路径中包含路段RID的数目;
(4)计算查询候选集中移动对象OID在查询时刻t经过给定路段RID的移动对象概率值Pt,RID(OID),形成计算结果集;
(5)合并预选结果集和计算结果集形成概率范围查询结果集。
进一步地,路网移动对象范围查询定义为:给定以vs为起点、ve为终点的查询路段RID,查询时刻t,概率阈值α,路网移动对象范围查询定义为q(RID,t,α),即返回t时刻所有经过路段RID概率值Pt,RID(OID)≥α的移动对象OID集合。
进一步地,路网移动对象范围查询结果集存在两种情况:一种是移动对象OID在时刻t存在确定采样samplei处于查询路段RID上,即t=ti,此时Pt,RID(OID)=1,这种情况OID直接形成预选结果集;
另一种是移动对象相邻<samplei,samplei+1>的记录时刻ti与ti+1,满足ti<t<ti+1,使得t时刻移动对象OID经过路段RID存在一个概率值Pt,RID(OID),满足0≤Pt,RID(OID)≤1;这种情况需要通过快速判断,Pt,RID(OID)一定满足Pt,RID(OID)≥α的移动对象加入预选结果集,Pt,RID(OID)一定满足Pt,RID(OID)<α的移动对象直接剪枝,Pt,RID(OID)值不确定的进一步进行具体概率计算。
进一步地,按照下式计算t时刻所有经过路段RID的概率值Pt,RID(OID):
其中,|PH|表示<samplei,samplei+1>间可能路径的数目,k表示<samplei,samplei+1>间|PH|条可能路径中包含路段RID的数目。p(vs,ve)表示连续采样<samplei,samplei+1>间某条符合查询时间条件的可能路径中查询路段RID的概率值,虽然路段RID可能在多条路径中经过,但是不同路径中路段RID的所处位置或者前后邻接路段不一样,故路段RID的概率以其所在路径的概率来表示,不能合并。表示<samplei,samplei+1>间第j条包含路段RID的可能路径中,t时刻OID在RID上的位置概率。表示t时刻OID在第j条满足tm(phj)≤ti+1-ti路径上经过路段RID的概率值,其中tm(phj)表示经过<samplei,samplei+1>间某条可能路径phj的路段最短时间和。
进一步地,比较与概率阈值α的关系形成新的移动对象集具体包括:计算移动对象OID在<samplei,samplei+1>间可能路径中包含查询路段RID的路径概率和|PH|条可能路径中存在k条包含路段RID的删减移动对象集中的OID,形成新的移动对象集。
进一步地,比较与关系具体包括:如果同一移动对象OID的所有可能路径中的均满足那么Pt,RID(OID)≥α,OID必属于查询结果集;如果同一移动对象OID的所有可能路径中的均满足那么Pt,RID(OID)<α,OID必不属于查询结果集;除上面两种以外的情况不能判断Pt,RID(OID)与α的关系,必须具体计算各个的精确值。
进一步地,形成路网移动对象范围查询预选结果集和查询候选集具体包括:计算值;当tld(vs)≤t≤tea(ve)时,当ti<t≤tea(vs)或tld(ve)≤t<ti+1时,当tea(vs)<t<tld(vs)与tea(ve)<t<tld(ve)时,判断与的关系;筛选tea(vs)<t<tld(vs)(tea(ve)<t<tld(ve))两种情况中所有i值均大于i0,并且除上述两种情况以外,t只满足tld(vs)≤t≤tea(ve)的OID,形成预选结果集;删减tea(vs)<t<tld(vs)(tea(ve)<t<tld(ve))两种情况中所有i值均小于i0,并且除上述两种情况以外,t只满足ti<t≤tea(vs)或tld(ve)≤t<ti+1的OID,形成概率范围查询候选集。其中,tea(vs)表示查询路段RID起点vs的最早到达时间,tld(vs)表示vs的最晚出发时间,tea(ve)表示查询路段RID终点ve的最早到达时间,tld(ve)表示ve的最晚出发时间,设tea(vs)<t<tld(vs)时i=t-tea(vs),tea(ve)<t<tld(ve)时i=tld(ve)-t,i0表示最小i值。
进一步地,当tea(vs)<t<tld(vs)与tea(ve)<t<tld(ve)时,判断与的关系具体包括:计算i值,tea(vs)<t<tld(vs)时i=t-tea(vs),tea(ve)<t<tld(ve)时i=tld(ve)-t;按照i值升序排序;计算lmax;计算i0,s为路段RID的限速;通过判断移动对象OID所有i值与i0之间关系来判断与的关系。
进一步地,计算lmax的具体步骤包括:计算相邻样本位置<samplei,samplei+1>间某条可能路径phj的路段最短时间和tm(phj);计算tea(vk)函数与tld(vk)函数的垂直距离tld(vk)-tea(vk)=ti+1-ti-tm(phj);查找RID及其所有邻接路段的限速值si;取(tld(vk)-tea(vk))·si的最大值作为lmax。
本发明将几何关系与概率判断相结合,兼顾采样频率导致的位置不确定性和数据体量极大性前提下对路网移动对象范围查询方法进行针对性优化,实现了对采样频率导致的轨迹不确定路网移动对象范围查询精度与效率的提高。具有可以快速缩小查询候选集、范围查询精度与效率高等优点。
附图说明
图1是本发明的步骤流程图。
图2是本发明可能路径顶点的tea(vk)函数与tld(vk)函数示意图。
图中:ti-samplei对应采样时刻,ti+1-samplei+1对应采样时刻,vs-起点,ve-终点,vk-顶点,tea(vk)-顶点vk的最早到达时间,tld(vk)-顶点vk的最晚出发时间,tea(vs)-查询路段RID起点vs的最早到达时间,tld(vs)-vs的最晚出发时间,tea(ve)-查询路段RID终点ve的最早到达时间,tld(ve)-ve的最晚出发时间,t-查询时刻t,θ-tanθ=l(vs,ve)/(tea(ve)-tea(vs)),l(vs,ve)-tea(vk)函数与tld(vk)函数中起点vs与终点ve间距离。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详尽描述,实施例中未注明的技术均为现有技术。
实施例1:参见图1,本基于概率剪枝的路网移动对象范围查询优化方法包括以下步骤:
步骤S1:获取相邻采样<samplei,samplei+1>满足查询时间条件ti<t<ti+1的移动对象集;
在本实施方式中,给定以vs为起点、ve为终点的查询路段RID,查询时刻t,概率阈值α,路网移动对象范围查询定义为q(RID,t,α),即返回t时刻所有经过路段RID概率值Pt,RID(OID)≥α的移动对象OID集合。
在本实施方式中,路网移动对象范围查询结果集存在两种情况:一种是移动对象OID在时刻t存在确定采样samplei处于查询路段RID上,即t=ti,此时Pt,RID(OID)=1,这种情况OID直接形成预选结果集。另一种是移动对象相邻<samplei,samplei+1>的记录时刻ti与ti+1,满足ti<t<ti+1,使得t时刻移动对象OID经过路段RID存在一个概率值Pt,RID(OID),满足0≤Pt,RID(OID)≤1,这种情况需要通过本实施方式进行快速判断,Pt,RID(OID)一定满足Pt,RID(OID)≥α的移动对象加入预选结果集,Pt,RID(OID)一定满足Pt,RID(OID)<α的移动对象直接剪枝,Pt,RID(OID)值不确定的进一步进行具体概率计算。
具体地,Pt,RID(OID)计算公式如下:
|PH|表示<samplei,samplei+1>间可能路径的数目。k表示<samplei,samplei+1>间|PH|条可能路径中包含路段RID的数目。p(vs,ve)表示连续采样<samplei,samplei+1>间某条符合查询时间条件的可能路径中查询路段RID的概率值。虽然路段RID可能在多条路径中经过,但是不同路径中路段RID的所处位置或者前后邻接路段不一样,故路段RID的概率以其所在路径的概率来表示,不能合并。表示<samplei,samplei+1>间第j条包含路段RID的可能路径中,t时刻OID在RID上的位置概率。表示t时刻OID在第j条满足tm(phj)≤ti+1-ti路径上经过路段RID的概率值,其中tm(phj)表示经过<samplei,samplei+1>间某条可能路径phj的路段最短时间和。
在本实施方式中,步骤S2可以通过以下几个子步骤来完成。
在本实施方式中,因为由式(1)得所以只要时,则一定满足Pt,RID(OID)<α。由步骤S21,对于|PH|条可能路径中存在k条包含路段RID的因此只要求得就可以直接判断OID必定不属于路网移动对象范围查询结果集,而不用再计算该移动对象的具体值。
公式(2)表示OID在k条包含查询路段RID路径上满足查询条件的位置概率值和不小于α·|PH|。式子成立的充分条件是即OID在任意一条包含查询路段RID路径上满足查询条件的位置概率值不小于因为前提条件是即所以据此给出基于的概率剪枝规则:
在本实施方式中,步骤S3可以通过以下几个子步骤来完成。
在本实施方式中,连续采样<samplei,samplei+1>间的某条可能路径phj上存在若干个路口顶点,表示为v0,v1,v2,…,vn,那么由顶点的最早到达时间和最晚出发时间函数,vk的tea(vk),tld(vk)分别计算如下:
tea(vk)=tea(vk-1)+tm(vk-1,vk)
tld(vk)=tld(vk+1)-tm(vk,vk+1) (3)
其中tea(v0)=ti,tld(vn)=ti+1,ti表示samplei对应时刻,ti+1表示samplei+1对应时刻。RID为查询路段,起点和终点分别表示为vs和ve,图2表示包含RID的某条可能路径中顶点的最早到达函数tea(vk)和最晚出发函数tld(vk)。根据路网移动对象范围查询定义,查询时间限制在ti<t<ti+1,计算的区域就是(ti,ti+1)范围内。
在本实施方式中,步骤S32可以通过以下几个子步骤来完成。
步骤S321:计算i值,tea(vs)<t<tld(vs)时i=t-tea(vs),tea(ve)<t<tld(ve)时i=tld(ve)-t;
考虑lRID在查询路段RID中计算,tea(vs)<t<tld(vs)时lRID=(t-tea(vs))·tanθ,tea(ve)<t<tld(ve)时lRID=(tld(ve)-t)·tanθ,由图2中几何图形关系,tanθ=l(vs,ve)/(tea(ve)-tea(vs))=l(vs,ve)/tm(vs,ve)=s,s为路段RID的限速。设tea(vs)<t<tld(vs)时i=t-tea(vs),tea(ve)<t<tld(ve)时i=tld(ve)-t,那么公式(4)就可以表示成:
步骤S322:按照i值升序排序;
步骤S323:计算lmax;
在本实施方式中,步骤S323可以通过以下几个子步骤来完成。
步骤S3231:计算相邻样本位置<samplei,samplei+1>间某条可能路径phj的路段最短时间和tm(phj);
步骤S3232:计算tea(vk)函数与tld(vk)函数的垂直距离tld(vk)-tea(vk)=ti+1-ti-tm(phj);
步骤S3233:查找RID及其所有邻接路段的限速值si;
步骤S3234:取(tld(vk)-tea(vk))·si的最大值作为lmax。
步骤S34:筛选tea(vs)<t<tld(vs)(tea(ve)<t<tld(ve))两种情况中所有i值均大于i0,并且除上述两种情况以外,t只满足tld(vs)≤t≤tea(ve)的OID,形成预选结果集;
步骤S35:删减tea(vs)<t<tld(vs)(tea(ve)<t<tld(ve))两种情况中所有i值均小于i0,并且除上述两种情况以外,t只满足ti<t≤tea(vs)或tld(ve)≤t<ti+1的OID,形成概率范围查询候选集。
步骤S4:计算查询候选集中移动对象OID在查询时刻t经过给定路段RID的移动对象概率值Pt,RID(OID),形成计算结果集;
步骤S5:合并预选结果集和计算结果集形成概率范围查询结果集。
由上可见,本发明将几何关系与概率判断相结合,兼顾采样频率导致的位置不确定性和数据体量极大性前提下对路网移动对象范围查询方法进行针对性优化。本发明实现了对采样频率导致的轨迹不确定路网移动对象范围查询精度与效率的提高。
上面结合附图对本发明的技术内容作了说明,但本发明的保护范围并不限于所述内容,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下对本发明的技术内容做出各种变化,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于概率剪枝的路网移动对象范围查询优化方法,其特征在于:包括以下步骤:
(1)获取相邻采样<samplei,samplei+1>满足查询时间条件ti<t<ti+1的移动对象集;
其中,|PH|表示<samplei,samplei+1>间可能路径的数目,p(vs,ve)表示连续采样<samplei,samplei+1>间某条符合查询时间条件的可能路径中查询路段RID的概率值,vs表示查询路段RID的起点,ve表示查询路段RID的终点;
(3)比较<samplei,samplei+1>间第j条包含路段RID的可能路径中,t时刻OID在RID上的位置概率与关系,形成路网移动对象范围查询预选结果集和查询候选集;其中,k表示<samplei,samplei+1>间|PH|条可能路径中包含路段RID的路径数目;
(4)计算查询候选集中移动对象OID在查询时刻t经过给定路段RID的移动对象概率值Pt,RID(OID),形成计算结果集;
(5)合并预选结果集和计算结果集形成概率范围查询结果集。
2.根据权利要求1所述的基于概率剪枝的路网移动对象范围查询优化方法,其特征在于:所述获取相邻采样<samplei,samplei+1>满足查询时间条件ti<t<ti+1的移动对象集具体包括:
如果移动对象OID在时刻t存在确定采样samplei处于查询路段RID上,即t=ti,则Pt,RID(OID)=1,OID直接形成预选结果集;
如果移动对象相邻<samplei,samplei+1>的记录时刻ti与ti+1,满足ti<t<ti+1,则0≤Pt,RID(OID)≤1,OID形成移动对象集;此时通过快速判断,将Pt,RID(OID)一定满足Pt,RID(OID)≥α的移动对象OID加入预选结果集,将Pt,RID(OID)一定满足Pt,RID(OID)<α的移动对象OID直接剪枝,Pt,RID(OID)值不确定的移动对象OID进一步进行具体概率计算。
3.根据权利要求1所述的基于概率剪枝的路网移动对象范围查询优化方法,其特征在于:所述移动对象OID在查询时刻t经过给定路段RID的移动对象概率值Pt,RID(OID)按照下式确定:
5.根据权利要求1所述的基于概率剪枝的路网移动对象范围查询优化方法,其特征在于:所述形成路网移动对象范围查询预选结果集和查询候选集具体包括:
筛选tea(vs)<t<tld(vs)与tea(ve)<t<tld(ve)两种情况中所有i值均大于io,并且除上述两种情况以外,t只满足tld(vs)≤t≤tea(ve)的OID,形成预选结果集;
删减tea(vs)<t<tld(vs)与tea(ve)<t<tld(ve)两种情况中所有i值均小于io,并且除上述两种情况以外,t只满足ti<t≤tea(vs)或tld(ve)≤t<ti+1的OID,形成概率范围查询候选集;
其中,设组成可能路径的各个顶点vk的最早到达时间为tea(vk),最晚出发时间为tld(vk),k=0,1,2,…,n,那么tea(vs)表示查询路段RID起点vs的最早到达时间,tld(vs)表示vs的最晚出发时间,tea(ve)表示查询路段RID终点ve的最早到达时间,tld(ve)表示ve的最晚出发时间,设tea(vs)<t<tld(vs)时i=t-tea(vs),tea(ve)<t<tld(ve)时i=tld(ve)-t,i0表示最小i值。
8.根据权利要求7所述的基于概率剪枝的路网移动对象范围查询优化方法,其特征在于:所述计算lmax的具体步骤包括:
计算相邻样本位置<samplei,samplei+1>间某条可能路径phj的路段最短时间和tm(phj);
计算tea(vk)函数与tld(vk)函数的垂直距离tld(vk)-tea(vk)=ti+1-ti-tm(phj);
查找RID及其所有邻接路段的限速值si;
取(tld(vk)-tea(vk))·si的最大值作为lmax。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810724536.6A CN108984691B (zh) | 2018-07-04 | 2018-07-04 | 一种基于概率剪枝的路网移动对象范围查询优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810724536.6A CN108984691B (zh) | 2018-07-04 | 2018-07-04 | 一种基于概率剪枝的路网移动对象范围查询优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108984691A CN108984691A (zh) | 2018-12-11 |
CN108984691B true CN108984691B (zh) | 2022-01-11 |
Family
ID=64536210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810724536.6A Active CN108984691B (zh) | 2018-07-04 | 2018-07-04 | 一种基于概率剪枝的路网移动对象范围查询优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108984691B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106280A (zh) * | 2013-02-22 | 2013-05-15 | 浙江大学 | 一种道路网络环境下不确定时空轨迹数据的范围查询方法 |
CN106251625A (zh) * | 2016-08-18 | 2016-12-21 | 上海交通大学 | 大数据环境下立体城市交通路网全局状态预测方法 |
CN106528815A (zh) * | 2016-11-14 | 2017-03-22 | 中国人民解放军理工大学 | 一种路网移动对象概率聚集查询方法及系统 |
CN106570062A (zh) * | 2016-10-08 | 2017-04-19 | 中国人民解放军理工大学 | 一种路网轨迹不确定移动对象范围查询系统及方法 |
CN108022006A (zh) * | 2017-11-24 | 2018-05-11 | 浙江大学 | 一种数据驱动的可达性概率和区域生成方法 |
-
2018
- 2018-07-04 CN CN201810724536.6A patent/CN108984691B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106280A (zh) * | 2013-02-22 | 2013-05-15 | 浙江大学 | 一种道路网络环境下不确定时空轨迹数据的范围查询方法 |
CN106251625A (zh) * | 2016-08-18 | 2016-12-21 | 上海交通大学 | 大数据环境下立体城市交通路网全局状态预测方法 |
CN106570062A (zh) * | 2016-10-08 | 2017-04-19 | 中国人民解放军理工大学 | 一种路网轨迹不确定移动对象范围查询系统及方法 |
CN106528815A (zh) * | 2016-11-14 | 2017-03-22 | 中国人民解放军理工大学 | 一种路网移动对象概率聚集查询方法及系统 |
CN108022006A (zh) * | 2017-11-24 | 2018-05-11 | 浙江大学 | 一种数据驱动的可达性概率和区域生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108984691A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lou et al. | Map-matching for low-sampling-rate GPS trajectories | |
Ye et al. | Vehicle trajectory prediction based on Hidden Markov Model | |
CN108536851B (zh) | 一种基于移动轨迹相似度比较的用户身份识别方法 | |
CN109508000A (zh) | 异构多传感器多目标跟踪方法 | |
CN110033051B (zh) | 一种基于多步聚类的拖网渔船行为判别方法 | |
CN107167136B (zh) | 一种面向电子地图的位置推荐方法及系统 | |
CN106570062B (zh) | 一种路网轨迹不确定移动对象范围查询系统及方法 | |
CN111341103B (zh) | 车道信息提取方法、装置、设备及存储介质 | |
CN110162997B (zh) | 基于插值点的匿名隐私保护方法 | |
Li et al. | Robust inferences of travel paths from GPS trajectories | |
WO2017177965A1 (zh) | 一种基于时间顺序的轨迹匹配方法 | |
CN106326923A (zh) | 一种顾及位置重复和密度峰值点的签到位置数据聚类方法 | |
Lin et al. | Noise filtering, trajectory compression and trajectory segmentation on GPS data | |
Lu et al. | Shape-based vessel trajectory similarity computing and clustering: A brief review | |
Abbasifard et al. | Efficient indexing for past and current position of moving objects on road networks | |
CN114003623A (zh) | 一种相似路径台风的检索方法 | |
CN112633389B (zh) | 一种基于mdl和速度方向的飓风运动轨迹趋势计算方法 | |
CN108984691B (zh) | 一种基于概率剪枝的路网移动对象范围查询优化方法 | |
CN110232067B (zh) | 一种基于BHR-Tree索引的共乘群体发现方法 | |
Shen et al. | Retrieving similar trajectories from cellular data at city scale | |
CN116760728A (zh) | 一种面向高速数据流的通用流级过滤方法 | |
Lü et al. | A heuristic path-estimating algorithm for large-scale real-time traffic information calculating | |
CN111221819A (zh) | 一种基于多维数据空间分割的相似台风快速匹配方法 | |
Zhang et al. | An Algorithm for Mining Gradual Moving Object Clusters Pattern From Trajectory Streams. | |
CN111356227B (zh) | 应用于uwb室内定位中遮挡物类别识别的特征选择方法 |
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 |