CN110502596A - 一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法 - Google Patents
一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法 Download PDFInfo
- Publication number
- CN110502596A CN110502596A CN201910757878.2A CN201910757878A CN110502596A CN 110502596 A CN110502596 A CN 110502596A CN 201910757878 A CN201910757878 A CN 201910757878A CN 110502596 A CN110502596 A CN 110502596A
- Authority
- CN
- China
- Prior art keywords
- point
- sliding window
- track
- tracing point
- tracing
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/174—Redundancy elimination performed by the file system
- G06F16/1744—Redundancy elimination performed by the file system using compression, e.g. sparse files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了地理定位领域内的一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法,首先提出返回点的概念,对添加进入滑动窗口的轨迹点进行判断是否为返回点,若是返回点则将当前滑动窗口的终止轨迹点修改为返回点和终止轨迹点的中点,再添加下一个轨迹点进入滑动窗口;每添加一个点,计算轨迹段长度累加和以及平均拐角,若当次的长度累加和乘平均拐角大于预设阈值,给当前的滑动窗口除起终点每一个轨迹点赋予权重,权重为拐角标准化参数乘速度同步距离标准化参数,将权重值大于阈值的轨迹点保留,保存入压缩后轨迹点集;通过本方法进行轨迹压缩,能够有效地提高轨迹压缩率,提高轨迹压缩的准确度。
Description
技术领域
本发明涉及一种轨迹记录系统,具体的说是一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法,属于地理定位技术领域。
背景技术
随着技术的进步和社会经济的飞速发展,近年来全球卫星定位系统(GPS)在生活中的应用已经非常的普遍。GPS应用后可以获得大量的人、车辆、动物等轨迹数据,比如车载GPS按照一定时间间隔采集车辆位置信息,微博等社交媒体上发布带有时间戳的签到。这些带有时间和地理信息的轨迹数据,就组成了人或车辆的轨迹数据。
收集大量的轨迹数据的同时,引发海量数据带来的存储压力,所以用尽可能少的轨迹点来基本维持原来的轨迹形状,即轨迹压缩成为当前的一个研究热点。轨迹压缩方法要求在不丢失重要轨迹点的同时,去除冗余点,从而达到减少数据量、缩少数据所占用存储空间的目的。
轨迹压缩方法从技术上主要分为3类:第1类是不基于路网结构的数据压缩,也叫线段简化压缩方法,目标是在误差允许范围内减少轨迹点的数目,又可分为离线压缩和在线压缩两种;第2类是基于路网结构的压缩,它需要把轨迹点映射到真实的道路上,结合路网结构来表示原始轨迹,从而降低轨迹点数;第3类是语义压缩,它的原理是将原有的轨迹点用兴趣点表示,利用特殊路标比如超市、学校、公园等代替轨迹段。本专利所关注的行人轨迹具有更高的复杂性,实际拟合道路轨迹更加困难,所以本专利对行人轨迹使用线段简化压缩方法。
Douglas-Peucker算法(DP)是一种经典的离线压缩算法,它能够保留轨迹中的重要轨迹点。DP的主要思想就是:将轨迹点的首末两个点连线,计算所有轨迹段到连线的垂直欧式距离,如果最大距离大于阈值,则用最大距离点将原轨迹划分为两个子轨迹段,再重复对这两个子轨迹段进行重复操作,直到最大距离小于阈值。DP算法的思想简单且性能较好,在各个领域都有广泛的应用。其缺点也很明显,是时间复杂度过高,而且仅仅考虑到了位置信息,没有考虑到时间信息。
与离线压缩相对的就是在线压缩,离线压缩方法是需要收集到完整的轨迹之后进行压缩,所以能获得全局较优的近似轨迹。然而,这种离线压缩方法并不能适用于所有场景。如果应用需要处理实时轨迹数据,就需要利用在线压缩技术。滑动窗口算法是一种常见的在线压缩算法,基本思想是首先存储轨迹的第一个点,加入滑动窗口中,然后逐个将后续的轨迹点加入滑动窗口中。从第3个点开始,将滑动窗口中首末点连线,计算中间的轨迹点到连线的欧式垂直距离,若小于阈值,则继续向滑动窗口添加轨迹点,若大于阈值,则将大于阈值的点保存作为压缩后的轨迹点,并将该压缩后的轨迹点作为新的滑动窗口起点,重复上述操作。但是现有的在线压缩方法并没有考虑到行人行走的特点,比如行人轨迹有很大的不确定性,可能经常会出现返回的情况,这样就会出现很多冗余点,剔除这些冗余点可以进一步的提高轨迹压缩率。
发明内容
本发明的目的是提供一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法,有效地提高轨迹压缩率,提高轨迹压缩的准确度。
本发明的目的是这样实现的:一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法,包括以下步骤:
步骤一:初始化滑动窗口,假设待压缩的轨迹集为p={pi},其中pi代表第i个轨迹点,i∈[1,N],N为待压缩点的总数,将p1,p2添加进滑动窗口,即初始化的滑动窗口为{p1,p2},压缩后的轨迹集Q={Φ};
步骤二:逐个添加轨迹点进入滑动窗口,在添加进入滑动窗口前,判断当前轨迹点是否是返回点,若是返回点,则将当前滑动窗口的终止轨迹点修改为,返回点和终止轨迹点的中点,然后继续向前选择轨迹点加入滑动窗口;
步骤三:每添加一个点进入滑动窗口,计算窗口内轨迹段长度累加和拐角平均值p1到p5为当前的滑动窗口,D=p1p2+p2p3+p3p4+p4p5,θ=(θ1+θ2+θ3)/3;
步骤四:若D*θ大于阈值则停止添加新的轨迹点进入滑动窗口;
步骤五:给当前的滑动窗口除起终点每一个轨迹点赋予权重,权重为拐角标准化参数乘速度同步距离标准化参数;拐角标准化参数速度同步距离标准化参数权重的值为X*Y;
步骤六:将滑动窗口内权重最大的的轨迹点添加进轨迹集Q作为压缩后的轨迹;将滑动窗口的最后一个轨迹点作为新的滑动窗口的起点,返回步骤二。
作为本发明的进一步限定,步骤二中判断当前轨迹点是否是返回点的具体方法为:当前的轨迹点之前两个轨迹点的距离大于当前轨迹点到之前两个点中时间较早的那个轨迹点的距离,说明当前的采样点是有返回的趋势。
作为本发明的进一步限定,步骤五中速度同步距离的定义为:将轨迹段的首末点连线,将连线按照各个轨迹段的速度比值划分,再按照先后顺序计算轨迹点和连线上的划分点的距离,这个距离称为速度同步距离。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:本发明既能保持轨迹的形状框架,又能保持轨迹的语义;相比传统的轨迹压缩方法,考虑到了方向和速度,算法可以保留更多的方向信息和速度信息,在轨迹中保留更多具有更多方向信息的拐点;在相同的压缩率下,算法具有更小的平均速度误差和更小的方向误差,并且没有提高平均欧式同步距离误差。本发明可用于GPS定位中。
附图说明
图1为本发明工作流程图。
图2为本发明中返回点定义以及速度同步距离定义示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
如图1所示的一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法,包括以下步骤:
步骤一:初始化滑动窗口,假设待压缩的轨迹集为p={pi},其中pi代表第i个轨迹点,i∈[1,N],N为待压缩点的总数,将p1,p2添加进滑动窗口,即初始化的滑动窗口为{p1,p2},压缩后的轨迹集Q={Φ};
步骤二:逐个添加轨迹点进入滑动窗口,在添加进入滑动窗口前,判断当前轨迹点是否是返回点,若是返回点,则将当前滑动窗口的终止轨迹点修改为,返回点和终止轨迹点的中点,然后继续向前选择轨迹点加入滑动窗口,返回点定义方法为:当前的轨迹点之前两个轨迹点的距离大于当前轨迹点到之前两个点中时间较早的那个轨迹点的距离,说明当前的采样点是有返回的趋势,如图2所示,p1,p2,p3是连续采样的三个轨迹点,p1p2和p2p3代表行人的轨迹,计算p1p2和p1p3的长度。若p1p3的长度小于p1p2的长度,则p3被称为返回点;
步骤三:每添加一个点进入滑动窗口,计算窗口内轨迹段长度累加和拐角平均值p1到p5为当前的滑动窗口,D=p1p2+p2p3+p3p4+p4p5,θ=(θ1+θ2+θ3)/3;
步骤四:若D*θ大于阈值则停止添加新的轨迹点进入滑动窗口;
步骤五:给当前的滑动窗口除起终点每一个轨迹点赋予权重,权重为拐角标准化参数乘速度同步距离标准化参数;拐角标准化参数速度同步距离标准化参数权重的值为X*Y,速度同步距离定义为:将轨迹段的首末点连线,将连线按照各个轨迹段的速度比值划分,再按照先后顺序计算轨迹点和连线上的划分点的距离,这个距离称为速度同步距离,如图2所示,p1,p2,p3是连续三个轨迹点,v1和v2分别是两个轨迹段的速度,d1/d2=v1/v2,p2到p′2的距离D即为p2的速度同步距离;
步骤六:将滑动窗口内权重最大的的轨迹点添加进轨迹集Q作为压缩后的轨迹;将滑动窗口的最后一个轨迹点作为新的滑动窗口的起点,返回步骤二。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (3)
1.一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法,其特征在于,包括以下步骤:
步骤一:初始化滑动窗口,假设待压缩的轨迹集为p={pi},其中pi代表第i个轨迹点,i∈[1,N],N为待压缩点的总数,将p1,p2添加进滑动窗口,即初始化的滑动窗口为{p1,p2},压缩后的轨迹集Q={Φ};
步骤二:逐个添加轨迹点进入滑动窗口,在添加进入滑动窗口前,判断当前轨迹点是否是返回点,若是返回点,则将当前滑动窗口的终止轨迹点修改为,返回点和终止轨迹点的中点,然后继续向前选择轨迹点加入滑动窗口;
步骤三:每添加一个点进入滑动窗口,计算窗口内轨迹段长度累加和拐角平均值p1到p5为当前的滑动窗口,D=p1p2+p2p3+p3p4+p4p5,θ=(θ1+θ2+θ3)/3;
步骤四:若D*θ大于阈值则停止添加新的轨迹点进入滑动窗口;
步骤五:给当前的滑动窗口除起终点每一个轨迹点赋予权重,权重为拐角标准化参数乘速度同步距离标准化参数;拐角标准化参数速度同步距离标准化参数权重的值为X*Y;
步骤六:将滑动窗口内权重最大的的轨迹点添加进轨迹集Q作为压缩后的轨迹;将滑动窗口的最后一个轨迹点作为新的滑动窗口的起点,返回步骤二。
2.根据权利要求1所述的一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法,其特征在于,步骤二中判断当前轨迹点是否是返回点的具体方法为:当前的轨迹点之前两个轨迹点的距离大于当前轨迹点到之前两个点中时间较早的那个轨迹点的距离,说明当前的采样点是有返回的趋势。
3.根据权利要求2所述的一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法,其特征在于,步骤五中速度同步距离的定义为:将轨迹段的首末点连线,将连线按照各个轨迹段的速度比值划分,再按照先后顺序计算轨迹点和连线上的划分点的距离,这个距离称为速度同步距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757878.2A CN110502596B (zh) | 2019-08-16 | 2019-08-16 | 一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757878.2A CN110502596B (zh) | 2019-08-16 | 2019-08-16 | 一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110502596A true CN110502596A (zh) | 2019-11-26 |
CN110502596B CN110502596B (zh) | 2023-07-18 |
Family
ID=68588137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910757878.2A Active CN110502596B (zh) | 2019-08-16 | 2019-08-16 | 一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110502596B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111708855A (zh) * | 2020-05-28 | 2020-09-25 | 哈尔滨工程大学 | 一种简化船舶轨迹的方法 |
CN111832633A (zh) * | 2020-06-28 | 2020-10-27 | 中国人民解放军战略支援部队信息工程大学 | 一种空中目标可变尺度轨迹近似表征方法及装置 |
CN112350733A (zh) * | 2020-11-23 | 2021-02-09 | 中国人民解放军96901部队22分队 | 一种基于有效距离的快速轨迹压缩方法 |
CN112672288A (zh) * | 2020-12-15 | 2021-04-16 | 佳都新太科技股份有限公司 | 基于卡口记录的车辆轨迹预测方法及装置 |
CN112713900A (zh) * | 2020-12-31 | 2021-04-27 | 哈尔滨工业大学 | 一种在线轨迹压缩方法及装置 |
CN117831014A (zh) * | 2024-03-04 | 2024-04-05 | 山西阳光三极科技股份有限公司 | 基于铁路货运列车的车厢运输状态监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598621A (zh) * | 2015-02-02 | 2015-05-06 | 南京邮电大学 | 一种基于滑动窗口的轨迹压缩方法 |
US20160093208A1 (en) * | 2014-09-29 | 2016-03-31 | International Business Machines Corporation | Storing trajectory |
-
2019
- 2019-08-16 CN CN201910757878.2A patent/CN110502596B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160093208A1 (en) * | 2014-09-29 | 2016-03-31 | International Business Machines Corporation | Storing trajectory |
CN104598621A (zh) * | 2015-02-02 | 2015-05-06 | 南京邮电大学 | 一种基于滑动窗口的轨迹压缩方法 |
Non-Patent Citations (1)
Title |
---|
江俊文;张凯;王晓玲;金澈清;: "基于行驶特征的轨迹压缩技术", 计算机科学与探索, no. 09, pages 1240 - 1249 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111708855A (zh) * | 2020-05-28 | 2020-09-25 | 哈尔滨工程大学 | 一种简化船舶轨迹的方法 |
CN111832633A (zh) * | 2020-06-28 | 2020-10-27 | 中国人民解放军战略支援部队信息工程大学 | 一种空中目标可变尺度轨迹近似表征方法及装置 |
CN112350733A (zh) * | 2020-11-23 | 2021-02-09 | 中国人民解放军96901部队22分队 | 一种基于有效距离的快速轨迹压缩方法 |
CN112350733B (zh) * | 2020-11-23 | 2022-09-30 | 中国人民解放军96901部队22分队 | 一种基于有效距离的快速轨迹压缩方法 |
CN112672288A (zh) * | 2020-12-15 | 2021-04-16 | 佳都新太科技股份有限公司 | 基于卡口记录的车辆轨迹预测方法及装置 |
CN112672288B (zh) * | 2020-12-15 | 2022-11-04 | 佳都科技集团股份有限公司 | 基于卡口记录的车辆轨迹预测方法及装置 |
CN112713900A (zh) * | 2020-12-31 | 2021-04-27 | 哈尔滨工业大学 | 一种在线轨迹压缩方法及装置 |
CN112713900B (zh) * | 2020-12-31 | 2022-08-02 | 哈尔滨工业大学 | 一种在线轨迹压缩方法及装置 |
CN117831014A (zh) * | 2024-03-04 | 2024-04-05 | 山西阳光三极科技股份有限公司 | 基于铁路货运列车的车厢运输状态监测方法 |
CN117831014B (zh) * | 2024-03-04 | 2024-05-14 | 山西阳光三极科技股份有限公司 | 基于铁路货运列车的车厢运输状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110502596B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110502596A (zh) | 一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法 | |
CN110095127B (zh) | 一种基于分段的隐马尔可夫模型地图匹配方法 | |
CN108802776B (zh) | 基于异常点剔除及轨迹压缩算法的公交gps纠偏方法 | |
CN104156524B (zh) | 交通数据流的聚集查询方法及系统 | |
WO2022252398A1 (zh) | 基于船舶轨迹特征点提取的时空dp方法 | |
CN104598621B (zh) | 一种基于滑动窗口的轨迹压缩方法 | |
CN109708638B (zh) | 一种船舶轨迹点提取方法 | |
CN105528359B (zh) | 用于存储行进轨迹的方法和系统 | |
CN104778274B (zh) | 基于稀疏出租车gps数据的大范围城市路网旅行时间估计方法 | |
CN105788274A (zh) | 基于时空轨迹大数据的城市交叉口车道级结构提取方法 | |
CN106023587A (zh) | 基于多信息融合的轨迹数据路网精确匹配方法 | |
CN105608505A (zh) | 一种基于手机信令数据的居民轨道交通出行方式识别方法 | |
CN104484673A (zh) | 实时数据流模式识别应用的数据补全方法 | |
CN111341103B (zh) | 车道信息提取方法、装置、设备及存储介质 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN113763427B (zh) | 一种基于从粗到精遮挡处理的多目标跟踪方法 | |
CN102622370A (zh) | 一种获取路线描述的方法及装置、电子地图服务器 | |
CN112906812A (zh) | 基于带离群点去除的车辆轨迹聚类方法 | |
CN113177042B (zh) | 一种地图轨迹线路处理方法及装置 | |
CN110580388A (zh) | 一种基于众源轨迹数据的航道网络提取方法 | |
CN109581444B (zh) | 一种gps轨迹分段及语义标注方法 | |
Huang et al. | Frequent pattern-based map-matching on low sampling rate trajectories | |
CN113052265B (zh) | 基于特征选择的移动对象轨迹简化方法 | |
CN110288044A (zh) | 一种基于轨迹划分与优先队列的轨迹简化方法 | |
CN105657653A (zh) | 一种基于指纹数据压缩的室内定位方法 |
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 |