CN109635867A - 用于度量海洋移动目标轨迹相似性的方法及系统 - Google Patents
用于度量海洋移动目标轨迹相似性的方法及系统 Download PDFInfo
- Publication number
- CN109635867A CN109635867A CN201811503927.1A CN201811503927A CN109635867A CN 109635867 A CN109635867 A CN 109635867A CN 201811503927 A CN201811503927 A CN 201811503927A CN 109635867 A CN109635867 A CN 109635867A
- Authority
- CN
- China
- Prior art keywords
- track data
- vector
- data
- track
- cost matrix
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种用于度量海洋移动目标轨迹相似性的方法及系统,属于海洋移动目标轨迹探测技术领域,包括:接收历史轨迹数据;对历史轨迹数据进行预处理以形成第一轨迹数据;从预设的数据库中随机选取一个未被选取的第二轨迹数据,其中,第二轨迹数据包括n个向量;根据选取的第二轨迹数据形成多个子序列;对于每个子序列,分别计算子序列的向量与第一轨迹数据的向量之间的欧氏距离以形成成本矩阵;根据成本矩阵计算累积成本矩阵;根据累积成本矩阵的计算结果获取第一轨迹数据与第二轨迹数据的各个相应子序列之间的DTW距离;判断DTW距离是否小于预设的距离阈值;在判断DTW距离小于距离阈值的情况下,将计算的DTW距离和对应的累积成本矩阵关联并存储。
Description
技术领域
本发明涉及海洋移动目标轨迹探测技术领域,具体地涉及一种用于度量海洋移动目标轨迹相似性的方法及系统。
背景技术
时间序列是指按照时间顺序排列的一系列观测数据值。目前针对时间序列的相似性度量已有大量的研究,其中较为广泛使用的是动态时间规整(Dynamic Time Warping,DTW)算法。DTW是把距离度量和时间规整相结合的一种非线性算法,其主要原理如下:首先通过计算两个时间序列各个分量之间的距离(通常使用欧氏距离公式)构造一个成本矩阵,然后采用动态规划算法,寻找一条通过此矩阵网格中若干格点的最优路径,从而准确计算并测量两个时间序列之间的距离,最后根据此距离判断其相似度,距离越小则相似性程度越高;反之,相似性程度越低。较之如传统欧氏距离等应用广泛的相似性度量方法,DTW的特点在于它能够衡量两个不同长度时间序列之间的相似度,由于现实中大多数时间序列都不是等长的,且存在局部时间偏移等特点,因此近年来DTW算法越来越成为度量时间序列相似性方法的首选,在语音识别、手势识别、数据挖掘和信息检索等研究领域均有较为广泛的应用。
不同海洋移动目标的轨迹数据构成了不同的时间序列,目前采用DTW方法度量海洋移动目标轨迹相似性的研究,主要通过将已知动目标的完整轨迹数据与待测轨迹数据做DTW算法,筛选出与待测轨迹相似性程度最佳的已知轨迹数据,从而为后续的轨迹预测和监视工作提供重要的基础和依据。
然而,由于现有的DTW方法是直接将两条轨迹从开始时间点对齐做对比分析,而实际中海洋移动目标的轨迹呈现多样化的特点,它容易受到多种因素的影响,在不同的时间段内会呈现出不同的行驶状态,因此作相似性度量的两条轨迹对应的时间序列开端很有可能处于不同的时刻点,移动目标也处于不同的状态阶段,这种情况下以开始时间点对齐做对比分析难以得到高精度的分析结果。
另一方面,由于移动目标停止航行或获取的轨迹点信息不完备等原因,待匹配轨迹的时间序列可能出现有多个可用段且互不相连的现象,每段轨迹呈现不同的特征,多段组合可能会形成新的轨迹特征。对于这种情况,现有技术中计算DTW距离的方法很难计算出结果。
发明内容
本发明实施方式的目的是提供一种用于度量海洋移动目标轨迹相似性的方法及系统。该方法及系统可以提高DTW距离的计算精度,从而确保对目标的轨迹预测的精确性。
为了实现上述目的,本发明实施方式提供一种用于度量海洋移动目标轨迹相似性的方法,所述方法包括:
接收移动目标的历史轨迹数据;
对所述历史轨迹数据进行预处理以形成第一轨迹数据,其中,所述第一轨迹数据包括m个向量;
从预设的数据库中随机选取一个未被选取的第二轨迹数据,其中,所述第二轨迹数据包括n个向量;
根据选取的第二轨迹数据形成多个子序列;
对于每个所述子序列,分别计算所述子序列的向量与所述第一轨迹数据的向量之间的欧氏距离,从而形成成本矩阵;
根据所述成本矩阵计算累积成本矩阵;
根据所述累积成本矩阵的计算结果获取所述第一轨迹数据与所述第二轨迹数据的各个相应子序列之间的DTW距离;
判断所述DTW距离是否小于预设的距离阈值;
在判断所述DTW距离小于所述距离阈值的情况下,将计算的DTW距离和对应的累积成本矩阵关联并存储;
判断从所述数据库中选取的第二轨迹数据的个数是否达到预设的数量阈值;
在判断从所述数据库中选取的第二轨迹数据的个数未达到所述数量阈值的情况下,再次从所述数据库中随机选取一个第二轨迹数据并执行所述方法的相应步骤直到判断从所述数据库中选取的第二轨迹数据的个数达到所述数量阈值;
在判断从所述数据库中选取的第二轨迹数据的个数达到所述数量阈值的情况下,选取最小的DTW距离对应的时间序列作为与所述历史轨迹数据最匹配的时间序列。
可选地,所述向量包括:所述移动目标的经度、纬度、时刻点、速度和行进方向。
可选地,所述根据选取的第二轨迹数据形成多个子序列包括:
采用公式(1)根据选取的第二轨迹数据形成多个子序列,
其中,T1,j为包括j个向量的子序列,t1,t2,...,tj为所述第二轨迹数据中的向量。
可选地,所述对于每个所述子序列,分别计算所述子序列的向量与所述第一轨迹数据的向量之间的欧氏距离,从而形成成本矩阵包括:
根据公式(2)计算所述欧式距离,
其中,C(i,j)为所述成本矩阵中第i行第j列的向量,ri为所述第一轨迹数据中的第i个向量,tj为所述第二轨迹数据中的第j个向量。
可选地,所述根据所述成本矩阵计算累积成本矩阵包括:
根据公式(3)计算所述累积成本矩阵,
其中,C(i,j)为所述成本矩阵中第i行第j列的向量,D(i,j)为所述累积成本矩阵中第i行第j列的向量,n为所述第一轨迹数据中的向量的数量,m为所述第二轨迹数据中的向量的数量。
可选地,所述方法进一步包括:
采用插值法对与所述历史轨迹数据最匹配的时间序列进行处理。
可选地,所述方法进一步包括:
判断所述历史移动轨迹是否包括多个彼此非连续的轨迹数据;
在所述历史轨迹数据包括多个彼此非连续的轨迹数据的情况下,分别计算每个所述轨迹数据的权重;
分别对每个轨迹数据进行预处理以形成多个第一轨迹数据;
从所述数据库中随机选取一个未被选取的第二轨迹数据,其中,所述第二轨迹数据包括n个向量;
根据选取的第二轨迹数据形成多个子序列;
分别计算每个所述第一轨迹数据中的向量和每个所述子序列的每个向量的欧氏距离以形成成本矩阵;
根据所述成本矩阵计算累积成本矩阵;
根据所述累积成本矩阵的计算结果,得到每个所述第一轨迹数据与所述第二轨迹数据各个相应子序列之间的DTW距离;
根据所述权重计算所述历史轨迹数据与所述第二轨迹数据的各个相应子序列之间的DTW距离。
可选地,所述分别计算每个所述轨迹数据的权重包括:
根据公式(4)计算所述权重,
其中,Qi为第i个轨迹数据的权重,mi为第i个轨迹数据包括的向量的数量,k为第一轨迹数据的数量。
可选地,所述根据所述权重计算所述历史轨迹数据与所述第二轨迹数据的各个相应子序列之间的DTW距离包括:
根据公式(5)计算所述历史轨迹数据和所述第二轨迹数据的各个相应子序列之间的DTW距离,
DQ=Q1×D1+Q2×D2+…+Qk×Dk,(5)
其中,DQ为所述历史轨迹数据和所述第二轨迹数据的各个相应子序列之间的DTW距离,D1、D2、...、Dk分别为第二轨迹数据的子序列和每个第一轨迹数据之间的DTW距离。
本发明的另一方面还提供一种用于度量海洋移动目标轨迹相似性的系统,所述系统包括处理器,所述处理器用于执行上述任一所述的方法。
通过上述技术方案,本发明提供的用于度量海洋移动目标轨迹相似性的方法及系统通过将第二轨迹数据分割成多个子序列,再分别计算每个子序列和第一轨迹数据的DTW距离的方式来确定第一轨迹数据和(与第一轨迹数据匹配程度最高的)第二轨迹数据的DTW距离。解决了现有技术中在海洋移动目标的轨迹呈现多样化的情况下难以得出匹配高精度的时间序列的技术问题,提高了相似性度量的精度,从而进一步改善了对海洋移动目标运动轨迹预测的准确性。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是根据本发明的一个实施方式的用于度量海洋移动目标轨迹相似性的方法的流程图;
图2是根据本发明的一个实施方式的用于度量海洋移动目标轨迹相似性的方法的流程图。
具体实施方式
以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施方式,并不用于限制本发明实施方式。
如图1所示是根据本发明的一个实施方式的用于度量海洋移动目标轨迹相似性的方法的流程图。在图1中,该方法可以包括:
在步骤S10中,接收移动目标的历史轨迹数据。在该实施方式中,该历史轨迹数据可以是通过卫星、雷达等探测的该移动目标在过去的一段时间内的运动轨迹。
在步骤S11中,对历史轨迹数据进行预处理以形成第一轨迹数据。其中,该第一轨迹数据可以包括m个向量。考虑到历史轨迹数据包括大量点值,如果直接针对该历史轨迹数据进行计算,其算法规模会相当庞大,不利于快速、及时地计算出结果。因此,在该实施方式中,可以在第一轨迹数据中进行采样,从而得到包括m个向量的第一轨迹数据。该m的值也可以是根据实际需要计算的精度来确定的。此外,该第一轨迹数据中的每个向量均可以包括目标点(移动目标)的经度、纬度、时刻点、速度和行进方向。
在步骤S12中,从预设的数据库中随机选取一个未被选取的第二轨迹数据。其中,第二轨迹数据可以包括n个向量。该数据库可以是存储于管控中心且包括多个轨迹数据。
在步骤S13中,根据选取的第二轨迹数据形成多个子序列。由于第一轨迹数据在不同时刻轨迹的多样性特点,根据第一轨迹序列和第二轨迹序列直接计算出的DTW距离难以满足实际需求的计算精度。因此,在该实施方式中,可以采用公式(1)根据该第二轨迹数据形成多个子序列,
其中,T1,j为包括j个向量的子序列,t1,t2,...,tj为第二轨迹数据中的向量。
在步骤S14中,分别计算第一轨迹数据中的向量和每个子序列的每个向量的欧氏距离以形成成本矩阵。计算每个欧式距离的方式可以为本领域人员所知。优选地,在该实施方式中,计算每个欧式距离的方式可以是根据公式(2)来计算,
其中,C(i,j)为成本矩阵中第i行第j列的向量,ri为第一轨迹数据中的第i个向量,tj为第二轨迹数据中的第j个向量。
在步骤S15中,根据该成本矩阵计算累积成本矩阵。具体地,计算该累积成本矩阵的方式可以是根据公式(3)计算累积成本矩阵,
其中,C(i,j)为成本矩阵中第i行第j列的向量,D(i,j)为累积成本矩阵中第i行第j列的向量,n为第一轨迹数据中的向量的数量,m为第二轨迹数据中的向量的数量。
在步骤S16中,从累积成本矩阵中获取第一轨迹数据和第二轨迹数据的DTW距离。
在步骤S17中,判断DTW距离是否小于预设的距离阈值。由于在仅获取第一轨迹数据的情况下,无法确定随机选择的第二轨迹数据是否为最佳匹配的时间序列,那么,可以预设一距离阈值,将小于该距离阈值的第二轨迹数据认定为最佳匹配的时间序列。另外,考虑到该距离阈值是根据对计算结果的精度来确定的,所以该距离阈值的选取应当是本领域人员所知。在判断该DTW距离大于或等于距离阈值的情况下,直接执行步骤S19。
在步骤S18中,在判断DTW距离小于距离阈值的情况下,将计算的DTW距离和对应的累积成本矩阵关联并存储。
在步骤S19中,判断从数据库中选取的第二轨迹数据的个数是否达到预设的数量阈值。由于数据库中可能存在多个第二轨迹数据满足与历史轨迹数据的DTW距离小于距离阈值的情况,并且,数据库中包括的第二轨迹数据的数量庞大,对每个第二轨迹数据进行计算会导致整体算法的运算量提高,从而导致算法效率降低。所以,在该实施方式中,可以通过判断从数据库中选取的第二轨迹数据的个数是否达到预设的数量阈值的方式来保证在能够获取符合条件的结果的基础上降低算法的运算量。
在判断从数据库中选取的第二轨迹数据的个数未达到数量阈值的情况下,再次从数据库中随机选取一个第二轨迹数据并执行方法的相应步骤(步骤S12至步骤S19)直到判断从数据库中选取的第二轨迹数据的个数达到数量阈值。
在步骤S20中,在判断从数据库中选取的第二轨迹数据的个数达到数量阈值的情况下,此时说明从数据库中选取的第二轨迹数据的个数已经足够,从满足条件的第二轨迹数据中能够获得符合条件的时间序列。所以可以选取最小的DTW距离对应的时间序列作为与历史轨迹数据最匹配的时间序列。
另外,在本发明的一个实施方式中,通过该方法得到的与历史轨迹数据最匹配的时间序列可以采用插值法进一步增加该时间序列的数据量,使时间序列的数据点分布均匀密集,在该时间序列被作为后续海洋移动目标轨迹预测的基础和依据时,也便于后续的计算。
如图2所示是本发明的一个实施方式的用于度量海洋移动目标轨迹相似性的方法的流程图。与图1中示出的方法的不同之处在于,在图2中,该方法还可以包括:
在步骤S31中,判断历史移动轨迹是否包括多个彼此非连续的轨迹数据。
在步骤S38中,在历史轨迹数据包括多个彼此非连续的轨迹数据的情况下,分别计算每个轨迹数据的权重。具体地,计算每个权重的方式可以是根据公式(4)计算权重,
其中,Qi为第i个轨迹数据的权重,mi为第i个轨迹数据包括的向量的数量,k为第一轨迹数据的数量。
在步骤S39中,分别对每个轨迹数据进行预处理以形成多个第一轨迹数据。由于该步骤与步骤S32(图1中的步骤S11)类似,此处不再赘述。
在步骤S40中,从数据库中随机选取一个未被选取的第二轨迹数据,其中,第二轨迹数据包括n个向量。
在步骤S41中,根据选取的第二轨迹数据形成多个子序列。
在步骤S42中,分别计算每个第一轨迹数据的向量和第二轨迹数据的各个相应子序列的每个向量的欧氏距离以形成成本矩阵。
在步骤S43中,根据成本矩阵计算累积成本矩阵。
在步骤S44中,从累积成本矩阵中获取每个第一轨迹数据和第二轨迹数据的相应各个子序列的DTW距离。
在步骤S45中,根据权重计算历史轨迹数据与第二轨迹数据的各个相应子序列的DTW距离。具体的,该步骤S45可以是根据公式(5)计算历史轨迹数据和第二轨迹数据各个相应子序列的DTW距离,
DQ=Q1×D1+Q2×D2+…+Qk×Dk,(5)
其中,DQ为历史轨迹数据和第二轨迹数据各个相应子序列的DTW距离,D1,D2,...,Dk分别为每个第一轨迹数据与第二轨迹各个相应子序列的DTW距离。
本发明的另一方面提供一种用于度量海洋移动目标轨迹相似性的系统,该系统可以包括处理器,处理器用于执行上述任一的方法。
通过上述技术方案,本发明提供的用于度量海洋移动目标轨迹相似性的方法及系统通过将第二轨迹数据分割成多个子序列,再分别计算每个子序列和第一轨迹数据的DTW距离的方式来确定第一轨迹数据和(与第一轨迹数据匹配程度最高的)第二轨迹数据的DTW距离。解决了现有技术中在海洋移动目标的轨迹呈现多样化的情况下难以得出匹配高精度的时间序列的技术问题,提高了相似性度量的精度,从而进一步改善了对海洋移动目标运动轨迹预测的准确性。另外,采用DTW距离的值来体现历史轨迹数据每段时间的特征,考虑隔段时间序列的长度并将其体现在权重上,进而得到一个综合各段时间序列的综合值,解决了现有技术中无法对多段轨迹进行统一计算的技术问题。
以上结合附图详细描述了本发明例的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施方式的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,其同样应当视为本发明实施方式所公开的内容。
Claims (10)
1.一种用于度量海洋移动目标轨迹相似性的方法,其特征在于,所述方法包括:
接收移动目标的历史轨迹数据;
对所述历史轨迹数据进行预处理以形成第一轨迹数据,其中,所述第一轨迹数据包括m个向量;
从预设的数据库中随机选取一个未被选取的第二轨迹数据,其中,所述第二轨迹数据包括n个向量;
根据选取的第二轨迹数据形成多个子序列;
对于每个所述子序列,分别计算所述子序列的向量与所述第一轨迹数据的向量之间的欧氏距离,从而形成成本矩阵;
根据所述成本矩阵计算累积成本矩阵;
根据所述累积成本矩阵的计算结果获取所述第一轨迹数据与所述第二轨迹数据的各个相应子序列之间的DTW距离;
判断所述DTW距离是否小于预设的距离阈值;
在判断所述DTW距离小于所述距离阈值的情况下,将计算的DTW距离和对应的累积成本矩阵关联并存储;
判断从所述数据库中选取的第二轨迹数据的个数是否达到预设的数量阈值;
在判断从所述数据库中选取的第二轨迹数据的个数未达到所述数量阈值的情况下,再次从所述数据库中随机选取一个第二轨迹数据并执行所述方法的相应步骤直到判断从所述数据库中选取的第二轨迹数据的个数达到所述数量阈值;
在判断从所述数据库中选取的第二轨迹数据的个数达到所述数量阈值的情况下,选取最小的DTW距离对应的时间序列作为与所述历史轨迹数据最匹配的时间序列。
2.根据权利要求1所述的方法,其特征在于,所述向量包括:所述移动目标的经度、纬度、时刻点、速度和行进方向。
3.根据权利要求1所述的方法,其特征在于,所述根据选取的第二轨迹数据形成多个子序列包括:
采用公式(1)根据选取的第二轨迹数据形成多个子序列,
其中,T1,j为包括j个向量的子序列,t1,t2,…,tj为所述第二轨迹数据中的向量。
4.根据权利要求1所述的方法,其特征在于,所述对于每个所述子序列,分别计算所述子序列的向量与所述第一轨迹数据的向量之间的欧氏距离,从而形成成本矩阵包括:
根据公式(2)计算所述欧式距离,
其中,C(i,j)为所述成本矩阵中第i行第j列的向量,ri为所述第一轨迹数据中的第i个向量,tj为所述第二轨迹数据中的第j个向量。
5.根据权利要求1所述的方法,其特征在于,所述根据所述成本矩阵计算累积成本矩阵包括:
根据公式(3)计算所述累积成本矩阵,
其中,C(i,j)为所述成本矩阵中第i行第j列的向量,D(i,j)为所述累积成本矩阵中第i行第j列的向量,n为所述第一轨迹数据中的向量的数量,m为所述第二轨迹数据中的向量的数量。
6.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
采用插值法对与所述历史轨迹数据最匹配的时间序列进行处理。
7.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
判断所述历史移动轨迹是否包括多个彼此非连续的轨迹数据;
在所述历史轨迹数据包括多个彼此非连续的轨迹数据的情况下,分别计算每个所述轨迹数据的权重;
分别对每个轨迹数据进行预处理以形成多个第一轨迹数据;
从所述数据库中随机选取一个未被选取的第二轨迹数据,其中,所述第二轨迹数据包括n个向量;
根据选取的第二轨迹数据形成多个子序列;
分别计算每个所述第一轨迹数据中的向量和每个所述子序列的每个向量的欧氏距离以形成成本矩阵;
根据所述成本矩阵计算累积成本矩阵;
根据所述累积成本矩阵的计算结果,得到每个所述第一轨迹数据与所述第二轨迹数据各个相应子序列之间的DTW距离;
根据所述权重计算所述历史轨迹数据与所述第二轨迹数据的各个相应子序列之间的DTW距离。
8.根据权利要求7所述的方法,其特征在于,所述分别计算每个所述轨迹数据的权重包括:
根据公式(4)计算所述权重,
其中,Qi为第i个轨迹数据的权重,mi为第i个轨迹数据包括的向量的数量,k为第一轨迹数据的数量。
9.根据权利要求7所述的方法,其特征在于,所述根据所述权重计算所述历史轨迹数据与所述第二轨迹数据的各个相应子序列之间的DTW距离包括:
根据公式(5)计算所述历史轨迹数据和所述第二轨迹数据的各个相应子序列之间的DTW距离,
DQ=1×D1+2×D2+…+k×Dk,(5)
其中,DQ为所述历史轨迹数据和所述第二轨迹数据的各个相应子序列之间的DTW距离,D1、D2、…、Dk分别为第二轨迹数据的子序列和每个第一轨迹数据之间的DTW距离。
10.一种用于度量海洋移动目标轨迹相似性的系统,其特征在于,所述系统包括处理器,所述处理器用于执行权利要求1至9任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811503927.1A CN109635867B (zh) | 2018-12-10 | 2018-12-10 | 用于度量海洋移动目标轨迹相似性的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811503927.1A CN109635867B (zh) | 2018-12-10 | 2018-12-10 | 用于度量海洋移动目标轨迹相似性的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635867A true CN109635867A (zh) | 2019-04-16 |
CN109635867B CN109635867B (zh) | 2022-11-08 |
Family
ID=66072318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811503927.1A Active CN109635867B (zh) | 2018-12-10 | 2018-12-10 | 用于度量海洋移动目标轨迹相似性的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635867B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852269A (zh) * | 2019-11-11 | 2020-02-28 | 青岛海信网络科技股份有限公司 | 一种基于特征聚类的跨镜头人像关联分析方法及装置 |
CN111208142A (zh) * | 2019-08-01 | 2020-05-29 | 北京航空航天大学 | 基于动态时间规整相关性特征的裂纹损伤定量检测方法 |
CN111967504A (zh) * | 2020-07-30 | 2020-11-20 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 带重要点约束的相似轨迹判断方法 |
CN112883078A (zh) * | 2021-02-07 | 2021-06-01 | 江西科技学院 | 基于dtw与最小二乘估计的轨道动态检查历史数据匹配方法 |
CN113032498A (zh) * | 2019-12-24 | 2021-06-25 | 深圳云天励飞技术有限公司 | 一种轨迹相似的判断方法、装置、电子设备及存储介质 |
CN113514072A (zh) * | 2021-09-14 | 2021-10-19 | 自然资源部第三地理信息制图院 | 一种面向导航数据与大比例尺制图数据的道路匹配方法 |
CN113657177A (zh) * | 2021-07-22 | 2021-11-16 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN114676774A (zh) * | 2022-03-25 | 2022-06-28 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776482A (zh) * | 2016-12-01 | 2017-05-31 | 河海大学 | 一种轨迹相似度计算方法 |
CN106874674A (zh) * | 2017-02-20 | 2017-06-20 | 上海海洋大学 | 一种面向海洋领域的多元时间序列相似性度量方法 |
CN106951455A (zh) * | 2017-02-24 | 2017-07-14 | 河海大学 | 一种相似轨迹分析系统及其分析方法 |
US20170227364A1 (en) * | 2016-02-10 | 2017-08-10 | Fujitsu Limited | Information processing apparatus and trajectory information generating method |
-
2018
- 2018-12-10 CN CN201811503927.1A patent/CN109635867B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170227364A1 (en) * | 2016-02-10 | 2017-08-10 | Fujitsu Limited | Information processing apparatus and trajectory information generating method |
CN106776482A (zh) * | 2016-12-01 | 2017-05-31 | 河海大学 | 一种轨迹相似度计算方法 |
CN106874674A (zh) * | 2017-02-20 | 2017-06-20 | 上海海洋大学 | 一种面向海洋领域的多元时间序列相似性度量方法 |
CN106951455A (zh) * | 2017-02-24 | 2017-07-14 | 河海大学 | 一种相似轨迹分析系统及其分析方法 |
Non-Patent Citations (2)
Title |
---|
周星星等: "时空轨迹相似性度量方法综述", 《地理信息世界》 * |
郭岩等: "一种基于DTW改进的轨迹相似度算法", 《国外电子测量技术》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111208142A (zh) * | 2019-08-01 | 2020-05-29 | 北京航空航天大学 | 基于动态时间规整相关性特征的裂纹损伤定量检测方法 |
CN110852269A (zh) * | 2019-11-11 | 2020-02-28 | 青岛海信网络科技股份有限公司 | 一种基于特征聚类的跨镜头人像关联分析方法及装置 |
CN110852269B (zh) * | 2019-11-11 | 2022-05-20 | 青岛海信网络科技股份有限公司 | 一种基于特征聚类的跨镜头人像关联分析方法及装置 |
CN113032498A (zh) * | 2019-12-24 | 2021-06-25 | 深圳云天励飞技术有限公司 | 一种轨迹相似的判断方法、装置、电子设备及存储介质 |
CN113032498B (zh) * | 2019-12-24 | 2024-05-07 | 深圳云天励飞技术有限公司 | 一种轨迹相似的判断方法、装置、电子设备及存储介质 |
CN111967504B (zh) * | 2020-07-30 | 2022-10-28 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 带重要点约束的相似轨迹判断方法 |
CN111967504A (zh) * | 2020-07-30 | 2020-11-20 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 带重要点约束的相似轨迹判断方法 |
CN112883078A (zh) * | 2021-02-07 | 2021-06-01 | 江西科技学院 | 基于dtw与最小二乘估计的轨道动态检查历史数据匹配方法 |
CN112883078B (zh) * | 2021-02-07 | 2022-11-15 | 江西科技学院 | 基于dtw与最小二乘估计的轨道动态检查历史数据匹配方法 |
CN113657177A (zh) * | 2021-07-22 | 2021-11-16 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN113514072B (zh) * | 2021-09-14 | 2021-12-14 | 自然资源部第三地理信息制图院 | 一种面向导航数据与大比例尺制图数据的道路匹配方法 |
CN113514072A (zh) * | 2021-09-14 | 2021-10-19 | 自然资源部第三地理信息制图院 | 一种面向导航数据与大比例尺制图数据的道路匹配方法 |
CN114676774A (zh) * | 2022-03-25 | 2022-06-28 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109635867B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635867A (zh) | 用于度量海洋移动目标轨迹相似性的方法及系统 | |
Zhang et al. | Occluded pedestrian detection through guided attention in cnns | |
Stein et al. | Director's cut: Analysis and annotation of soccer matches | |
CN110375753A (zh) | 地图匹配方法、装置、服务器及存储介质 | |
CN109270927A (zh) | 道路数据的生成方法及装置 | |
CN104063467B (zh) | 基于改进的相似性搜索技术的域内交通流量模式发现方法 | |
CN107240122A (zh) | 基于时空连续相关滤波的视频目标跟踪方法 | |
CN108304440A (zh) | 游戏推送的方法、装置、计算机设备及存储介质 | |
CN109035304A (zh) | 目标跟踪方法、介质、计算设备和装置 | |
CN103955947A (zh) | 一种基于连续最小能量与表观模型的多目标关联跟踪方法 | |
CN105512727A (zh) | 一种基于Markov的个人路径预测方法 | |
Choi et al. | Modified dynamic time warping based on direction similarity for fast gesture recognition | |
CN105373695A (zh) | 游戏服务器的数据互通方法与装置 | |
CN109297489A (zh) | 一种基于用户特征的室内导航方法、电子设备及存储介质 | |
Kwak et al. | Magnetic field based indoor localization system: A crowdsourcing approach | |
Kashiani et al. | Visual object tracking based on adaptive Siamese and motion estimation network | |
CN106842161B (zh) | 基于置信度评价的微动周期提取方法 | |
CN115620252A (zh) | 轨迹纠偏方法、装置、计算机设备和存储介质 | |
CN106529387A (zh) | 球员踢足球的运动状态分析方法及终端 | |
CN106017494B (zh) | 基于学徒学习的路径规划方法及装置 | |
CN108182693A (zh) | 一种基于跟踪片段置信度和外观学习的多目标跟踪算法 | |
CN110148212A (zh) | 一种动作序列生成方法及装置、电子设备和存储介质 | |
CN106885572A (zh) | 利用时间序列预测的辅助定位方法和系统 | |
CN103927529A (zh) | 一种最终分类器的获得方法及应用方法、系统 | |
CN105551063A (zh) | 一种用于跟踪视频中运动目标的方法以及装置 |
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 |