CN110688665B - 一种基于关节点综合重要度的位置敏感度判别方法 - Google Patents
一种基于关节点综合重要度的位置敏感度判别方法 Download PDFInfo
- Publication number
- CN110688665B CN110688665B CN201910940428.7A CN201910940428A CN110688665B CN 110688665 B CN110688665 B CN 110688665B CN 201910940428 A CN201910940428 A CN 201910940428A CN 110688665 B CN110688665 B CN 110688665B
- Authority
- CN
- China
- Prior art keywords
- loc
- track
- node
- joint point
- importance
- 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
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
- G06F21/604—Tools and structures for managing or administering access control systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
一种基于关节点综合重要度的位置敏感度判别方法,基于位置对于用户轨迹的不同改变程度,提出习惯关节点、速度关节点、方向关节点的概念;并在此基础上根据位置分布情况构建关节点过滤方法,最后基于重要度综合评价方法,形成位置的敏感程度判断,该发明所提关键位置节点代表对于用户行为模式,包括移动轨迹方向、移动距离大小、移动行驶习惯有明显改变的位置节点,称为关节点(Key Location)。这些位置点对于用户轨迹的敏感性较高,其隐私泄露会增加隐私窃取攻击对于轨迹T窃取成功的概率。
Description
技术领域
本发明属于位置隐私保护领域,具体涉及一种基于关节点的位置敏感度判别方法和系统。
背景内容
传统对于轨迹中所有位置进行保护的方法计算开销大、效率不高导致难以适应现在的基于位置的信息服务高效、快速的服务要求。为此,根据轨迹中位置的敏感程度,有针对性的进行保护变得十分必要。尤其是结合位置对于用户行为模式的影响进行敏感度分级判断十分关键。本文提出一种基于用户行为模式关节点重要度判断,并据此进行位置敏感度判断方法。
发明内容
为了克服上述现有技术的不足,本发明的目的是提供一种基于关节点的位置敏感度判别方法,所提关键位置节点代表对于用户行为模式,包括移动轨迹方向、移动距离大小、移动行驶习惯有明显改变的位置节点,称为关节点(Key Location)。这些位置点对于用户轨迹的敏感性较高,其隐私泄露会增加隐私窃取攻击对于轨迹T窃取成功的概率。
为了实现上述目的,本发明采用的技术方案是:
一种基于关节点综合重要度的位置敏感度判别方法,基于位置对于用户轨迹的不同改变程度,提出习惯关节点、速度关节点、方向关节点的概念;并在此基础上根据位置分布情况构建关节点过滤方法,最后基于重要度综合评价方法,形成位置的敏感程度判断,详细包括以下步骤:
1)方向关节点(Direction Key Location)对于轨迹数据集合T中任一轨迹中的位置,若其作为轨迹的DKL,则经过DKL的前后两条轨迹片段T<loci,DKL>,T<DKL,loci+2>的夹角余弦改变明显大于其余轨迹段的位置,即大于方向阈值θ∠,其中,夹角余弦表示为:
方向阈值θ∠可以通过均值与均方差的求和计算,根据公式(1)可以看出,当经过位置的余弦相似度越小则其对于轨迹T的关键程度,尤其是在大量的变向移动中,直线运动经过的位置即为方向关节点;同时在直线运动中,变向轨迹经过的位置即为方向关节点;
2)速度关节点(Speed Key Location)轨迹数据集合T中任一轨迹中的位置,则SKL代表经过位置SKL后的轨迹段T<loci,SKL>,T<SKL,loci+2>的距离改变明显大于轨迹中的其他的位置,即大于距离阈值θd。同时由于现有的位置采集为等时采集,我们采用距离进行衡量。则经过SKL的距离表达其重要度为
其中,IKLx,loci+2,x代表相应位置的横向坐标;
3)习惯关节点(Preference Key Location)对于用户O的的多条行驶轨迹T1,T2,。。。TN属于TO,PKL代表具有多条轨迹此点位置汇合点,即T1∩T2∩…∩Ti=PKL,经过PKL的轨迹越多,则关节点PKL对于用户O的习惯性影响越强,则习惯关节点的重要度指标为
countim=|T1,dis∩T2,dis∩…∩Ti,dis| (3)
Ti,dis表示经过关节点的轨迹片段长度,表示为
习惯关节点的识别可以通过用户习惯建立习惯关节点的关联路径,即经过PKL的路径越多,则关节点对于用户的习惯性影响越强;
4)复合关节点(Freference Key Location)在任意轨迹T中,有些关节点不仅仅为单纯的某种关节点,可以复合为多种类别关节点,称以下关系的关节点为复合关节点,即
FKL={(PKL,IKL)^(DKL,IKL)^(PKL,DKL)^(PKL,IKL,DKL)}
为了避免符合关节点的单一量化而导致疏忽其其他方面的重要程度问题,结合关节点在不同方面(这里定义为类别)的重要度综合判断,包括其在相应类别关节点的类内相似度与不同类关节点的类间相似度进行判断
Sim(i,j)=S(i,j)·(1+Sim2(Ci,Cj)), (5)
其中,S(i,j)代表类内相似度,使用公式(1)(2)计算单类关节点的类内相似度,类间相似度计算如下
其中,PA代表复合关节点的A(B或者C)类关节点相似度,Pi代表关节点Pi的所有复合类别相似度的平均值。通过关节点的相似度差异,可以过滤掉那些伪关节点;
5)关节点过滤简单根据上文所提指标可以获取关节点的重要程度,但是只适合判断单关节点的情况,同时忽略了关节点所处轨迹中位置分布情况,因此,考虑以下因素:
(1)同一轨迹中,位置loci与其余节点相似度的差异相似,容易产生海量关节点情况,导致关节点作用减弱;
(2)同一轨迹中的loci周围位置分布密度不均衡:过大容易产生多个关节点,过小容易产生过少关节点,为了解决上述问题,通过结合关节点的k-邻域密度分布情况进行关节点判断,步骤如下:
Step1:计算位置节点locj与关节点loci之间的k距离k_distance(loci,locj),满足以下两个条件:
①至少存在k个对象loci’∈D\loci,,其中d(loci,loci’)≦d(loci,loci);
②至多存在k-1个对象loci’∈D\loci,,其中d(loci,loci’)≦d(loci,loci);
如果局部区域中数据比较密集,则第k个距离的数值较小;如果局部区域中数据比较稀疏,则第k个距离的数值较大:
Step2:构建节点loci的k距离邻域:
Nk_distance(loci)={loci’∈D\loci,|d(loci,loci’)≦d(loci,loci)}
Step3:计算节点loci领域中的k邻域可达距离:
Reach_distance(loci,locj)=max{d(loci,locj),k_distance(loci,locj)}
Step4:计算节点loci的局部可达密度:
Step5:获取节点loci重要度因子:
根据上述步骤可以看出,如果位置loci与k-邻域中可达邻域内的差异程度越大,则它的邻域中大部分数据位置可视为处于同一个差异程度且与位置loci相似度的差异较大,也就是说,位置loci的局部可达密度较小,同一个差异程度中位置的局部可达密度相对于位置loci偏差较大,loci的重要度因子较大,反之,位置loci与其k邻域内的数据对象处于同一个群组的可能性较大,所以邻域中所有对象的密度分布与对象loci相似,loci的重要度因子较小。实现了基于复杂路况下的关节点过滤;
6)根据过滤后的关节点,基于加权求和的思想赋予不同位置的关节点类型重要度权重,进而求得综合敏感程度,权重采用平均权值计算。
所述的习惯关节点,轨迹数据集合中的同一用户轨迹中经过习惯关节点后的轨迹方向、距离的相对于该用户其他时刻轨迹改变明显大于其他关节点的位置。
所述的速度关节点,轨迹数据集合中的每条轨迹中经过速度关节点后的轨迹段的距离改变明显大于其余轨迹关节点的位置。
所述的方向关节点,轨迹数据集合中任一条轨迹在经过方向关节点后两条轨迹片段的夹角余弦改变明显大于其余轨迹段的位置。
所述的关节点过滤方法,根据同一轨迹中:1)位置loci与其余节点相似度的差异相似,容易产生海量关节点情况,导致关节点作用减弱;2)同一轨迹中的loci周围位置分布密度不均衡的情况实现关节点过滤。
所述的重要度综合评价方法,利用位置作为关节点的综合重要程度进行判断位置的敏感程度。
本发明的有益效果是:
该发明所提关键位置节点代表对于用户行为模式,包括移动轨迹方向、移动距离大小、移动行驶习惯有明显改变的位置节点,称为关节点(Key Location)。这些位置点对于用户轨迹的敏感性较高,其隐私泄露会增加隐私窃取攻击对于轨迹T窃取成功的概率。
附图说明
图1位置敏感度判断方法框架图。
图2关节点示意图。
具体实施方式
以下结合附图及实施例对本发明进一步叙述。
如图1、2所示,一种基于关节点综合重要度的位置敏感度判别方法,基于位置对于用户轨迹的不同改变程度,提出习惯关节点、速度关节点、方向关节点的概念;并在此基础上根据位置分布情况构建关节点过滤方法,最后基于重要度综合评价方法,形成位置的敏感程度判断,详细包括以下步骤:
1)方向关节点(Direction Key Location)对于轨迹数据集合T中任一轨迹中的位置,若其作为轨迹的DKL,则经过DKL的前后两条轨迹片段T<loci,DKL>,T<DKL,loci+2>的夹角余弦改变明显大于其余轨迹段的位置,即大于方向阈值θ∠,其中,夹角余弦表示为:
方向阈值θ∠可以通过均值与均方差的求和计算,根据公式(1)可以看出,当经过位置的余弦相似度越小则其对于轨迹T的关键程度,尤其是在大量的变向移动中,直线运动经过的位置即为方向关节点;同时在直线运动中,变向轨迹经过的位置即为方向关节点;
2)速度关节点(Speed Key Location)轨迹数据集合T中任一轨迹中的位置,则SKL代表经过位置SKL后的轨迹段T<loci,SKL>,T<SKL,loci+2>的距离改变明显大于轨迹中的其他的位置,即大于距离阈值θd。同时由于现有的位置采集为等时采集,我们采用距离进行衡量。则经过SKL的距离表达其重要度为
其中,IKLx,loci+2,x代表相应位置的横向坐标;
3)习惯关节点(Preference Key Location)对于用户O的的多条行驶轨迹T1,T2,。。。TN属于TO,PKL代表具有多条轨迹此点位置汇合点,即T1∩T2∩…∩Ti=PKL,经过PKL的轨迹越多,则关节点PKL对于用户O的习惯性影响越强,则习惯关节点的重要度指标为
countim=|T1,dis∩T2,dis∩…∩Ti,dis| (3)
Ti,dis表示经过关节点的轨迹片段长度,表示为
习惯关节点的识别可以通过用户习惯建立习惯关节点的关联路径,即经过PKL的路径越多,则关节点对于用户的习惯性影响越强;
4)复合关节点(Freference Key Location)在任意轨迹T中,有些关节点不仅仅为单纯的某种关节点,可以复合为多种类别关节点,称以下关系的关节点为复合关节点,即
FKL={(PKL,IKL)^(DKL,IKL)∧(PKL,DKL)^(PKL,IKL,DKL)}
为了避免符合关节点的单一量化而导致疏忽其其他方面的重要程度问题,结合关节点在不同方面(这里定义为类别)的重要度综合判断,包括其在相应类别关节点的类内相似度与不同类关节点的类间相似度进行判断
Sim(i,j)=S(i,j)·(1+Sim2(Ci,Cj)), (5)
其中,S(i,j)代表类内相似度,使用公式(1)(2)计算单类关节点的类内相似度,类间相似度计算如下
其中,PA代表复合关节点的A(B或者C)类关节点相似度,Pi代表关节点Pi的所有复合类别相似度的平均值。通过关节点的相似度差异,可以过滤掉那些伪关节点;
5)关节点过滤简单根据上文所提指标可以获取关节点的重要程度,但是只适合判断单关节点的情况,同时忽略了关节点所处轨迹中位置分布情况,因此,考虑以下因素:
(1)同一轨迹中,位置loci与其余节点相似度的差异相似,容易产生海量关节点情况,导致关节点作用减弱;
(2)同一轨迹中的loci周围位置分布密度不均衡:过大容易产生多个关节点,过小容易产生过少关节点,为了解决上述问题,通过结合关节点的k-邻域密度分布情况进行关节点判断,步骤如下:
Step1:计算位置节点locj与关节点loci之间的k距离k_distance(loci,locj),满足以下两个条件:
①至少存在k个对象loci’∈D\loci,,其中d(loci,loci’)≦d(loci,loci);
②至多存在k-1个对象loci’∈D\loci,,其中d(loci,loci’)≦d(loci,loci);
如果局部区域中数据比较密集,则第k个距离的数值较小;如果局部区域中数据比较稀疏,则第k个距离的数值较大:
Step2:构建节点loci的k距离邻域:
Nk_distance(loci)={loci’∈D\loci,|d(loci,loci’)≦d(loci,loci)}
Step3:计算节点loci领域中的k邻域可达距离:
Reach_distance(loci,locj)=max{d(loci,locj),k_distance(loci,locj)}
Step4:计算节点loci的局部可达密度:
Step5:获取节点loci重要度因子:
根据上述步骤可以看出,如果位置loci与k-邻域中可达邻域内的差异程度越大,则它的邻域中大部分数据位置可视为处于同一个差异程度且与位置loci相似度的差异较大,也就是说,位置loci的局部可达密度较小,同一个差异程度中位置的局部可达密度相对于位置loci偏差较大,loci的重要度因子较大,反之,位置loci与其k邻域内的数据对象处于同一个群组的可能性较大,所以邻域中所有对象的密度分布与对象loci相似,loci的重要度因子较小。实现了基于复杂路况下的关节点过滤;
6)根据过滤后的关节点,基于加权求和的思想赋予不同位置的关节点类型重要度权重,进而求得综合敏感程度,权重采用平均权值计算。
所述的习惯关节点,轨迹数据集合中的同一用户轨迹中经过习惯关节点后的轨迹方向、距离的相对于该用户其他时刻轨迹改变明显大于其他关节点的位置。
所述的速度关节点,轨迹数据集合中的每条轨迹中经过速度关节点后的轨迹段的距离改变明显大于其余轨迹关节点的位置。
所述的方向关节点,轨迹数据集合中任一条轨迹在经过方向关节点后两条轨迹片段的夹角余弦改变明显大于其余轨迹段的位置。
所述的关节点过滤方法,根据同一轨迹中:1)位置loci与其余节点相似度的差异相似,容易产生海量关节点情况,导致关节点作用减弱;2)同一轨迹中的loci周围位置分布密度不均衡的情况实现关节点过滤。
所述的重要度综合评价方法,利用位置作为关节点的综合重要程度进行判断位置的敏感程度。
Claims (6)
1.一种基于关节点综合重要度的位置敏感度判别方法,其特征在于,基于位置对于用户轨迹的不同改变程度,提出习惯关节点、速度关节点、方向关节点的概念;并在此基础上根据位置分布情况构建关节点过滤方法,最后基于重要度综合评价方法,形成位置的敏感程度判断,详细包括以下步骤:
1)方向关节点(Direction Key Location)对于轨迹数据集合T中任一轨迹中的位置,若其作为轨迹的DKL,则经过DKL的前后两条轨迹片段T<loci,DKL>,T<DKL,loci+2>的夹角余弦改变明显大于其余轨迹段的位置,即大于方向阈值θ∠,其中,夹角余弦表示为:
方向阈值θ∠可以通过均值与均方差的求和计算,根据公式(1)可以看出,当经过位置的余弦相似度越小则其对于轨迹T的关键程度越大,在大量的变向移动中,直线运动经过的位置即为方向关节点;同时在直线运动中,变向轨迹经过的位置即为方向关节点;
2)速度关节点(Speed Key Location)轨迹数据集合T中任一轨迹中的位置,则SKL代表经过位置SKL后的轨迹段T<loci,SKL>,T<SKL,loci+2>的距离改变明显大于轨迹中的其他的位置,即大于距离阈值θd;同时由于现有的位置采集为等时采集,我们采用距离进行衡量,则经过SKL的距离表达其重要度为
其中,IKLx,loci+2,x代表相应位置的横向坐标;
3)习惯关节点(Preference Key Location)对于用户O的多条行驶轨迹T1,T2,...TN属于TO,PKL代表具有多条轨迹此点位置汇合点,即T1∩T2∩…∩Ti=PKL,经过PKL的轨迹越多,则关节点PKL对于用户O的习惯性影响越强,则习惯关节点的重要度指标为
countim=|T1,dis∩T2,dis∩…∩Ti,dis| (3)
Ti,dis表示经过关节点的轨迹片段长度,表示为
习惯关节点的识别可以通过用户习惯建立习惯关节点的关联路径,即经过PKL的路径越多,则关节点对于用户的习惯性影响越强;
4)复合关节点(Freference Key Location)在任意轨迹T中,有些关节点不仅仅为单纯的某种关节点,可以复合为多种类别关节点,称以下关系的关节点为复合关节点,即
FKL
={(PKL,IKL)^(DKL,IKL)^(PKL,DKL)^(PKL,IKL,DKL)}
为了避免符合关节点的单一量化而导致疏忽其他方面的重要程度问题,结合关节点在不同方面的重要度综合判断,不同方面定义为类别,包括其在相应类别关节点的类内相似度与不同类关节点的类间相似度进行判断
Sim(i,j)=S(i,j)·(1+Sim2(Ci,Cj)), (5)
其中,S(i,j)代表类内相似度,使用公式(1)(2)计算单类关节点的类内相似度,类间相似度计算如下
其中,PA代表复合关节点的A、B或者C类关节点相似度,Pi代表关节点Pi的所有复合类别相似度的平均值,通过关节点的相似度差异,可以过滤掉那些伪关节点;
5)关节点过滤简单根据上文所提指标可以获取关节点的重要程度,但是只适合判断单关节点的情况,同时忽略了关节点所处轨迹中位置分布情况,因此,考虑以下因素:
(1)同一轨迹中,位置loci与其余节点相似度的差异相似,容易产生海量关节点情况,导致关节点作用减弱;
(2)同一轨迹中的loci周围位置分布密度不均衡:过大容易产生多个关节点,过小容易产生过少关节点,为了解决上述问题,通过结合关节点的k-邻域密度分布情况进行关节点判断,步骤如下:
Step1:计算位置节点locj与关节点loci之间的k距离k_distance(loci,locj),满足以下两个条件:
①至少存在k个对象loci’∈D\loci,,其中d(loci,loci’)≦d(loci,loci);
②至多存在k-1个对象loci’∈D\loci,,其中d(loci,loci’)≦d(loci,loci);
如果局部区域中数据比较密集,则第k个距离的数值较小;如果局部区域中数据比较稀疏,则第k个距离的数值较大:
Step2:构建节点loci的k距离邻域:
Nk_distance(loci)={loci’∈D\loci,|d(loci,loci’)≦d(loci,loci)}
Step3:计算节点loci领域中的k邻域可达距离:
Reach_distance(loci,locj)=max{d(loci,locj),k_distance(loci,locj)}
Step4:计算节点loci的局部可达密度:
Step5:获取节点loci重要度因子:
根据上述步骤可以看出,如果位置loci与k-邻域中可达邻域内的差异程度越大,则它的邻域中大部分数据位置可视为处于同一个差异程度且与位置loci相似度的差异较大,也就是说,位置loci的局部可达密度较小,同一个差异程度中位置的局部可达密度相对于位置loci偏差较大,loci的重要度因子较大,反之,位置loci与其k邻域内的数据对象处于同一个群组的可能性较大,所以邻域中所有对象的密度分布与对象loci相似,loci的重要度因子较小,实现了基于复杂路况下的关节点过滤;
6)根据过滤后的关节点,基于加权求和的思想赋予不同位置的关节点类型重要度权重,进而求得综合敏感程度,权重采用平均权值计算。
2.根据权利要求1所述的一种基于关节点综合重要度的位置敏感度判别方法,其特征在于,所述的习惯关节点,轨迹数据集合中的同一用户轨迹中经过习惯关节点后的轨迹方向、距离的相对于该用户其他时刻轨迹改变明显大于其他关节点的位置。
3.根据权利要求1所述的一种基于关节点综合重要度的位置敏感度判别方法,其特征在于,所述的速度关节点,轨迹数据集合中的每条轨迹中经过速度关节点后的轨迹段的距离改变明显大于其余轨迹关节点的位置。
4.根据权利要求1所述的一种基于关节点综合重要度的位置敏感度判别方法,其特征在于,所述的方向关节点,轨迹数据集合中任一条轨迹在经过方向关节点后两条轨迹片段的夹角余弦改变明显大于其余轨迹段的位置。
5.根据权利要求1所述的一种基于关节点综合重要度的位置敏感度判别方法,其特征在于,所述的关节点过滤方法,根据同一轨迹中:1)位置loci与其余节点相似度的差异相似,容易产生海量关节点情况,导致关节点作用减弱;2)同一轨迹中的loci周围位置分布密度不均衡的情况实现关节点过滤。
6.根据权利要求1所述的一种基于关节点综合重要度的位置敏感度判别方法,其特征在于,所述的重要度综合评价方法,利用位置作为关节点的综合重要程度进行判断位置的敏感程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910940428.7A CN110688665B (zh) | 2019-09-30 | 2019-09-30 | 一种基于关节点综合重要度的位置敏感度判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910940428.7A CN110688665B (zh) | 2019-09-30 | 2019-09-30 | 一种基于关节点综合重要度的位置敏感度判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110688665A CN110688665A (zh) | 2020-01-14 |
CN110688665B true CN110688665B (zh) | 2023-07-21 |
Family
ID=69111080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910940428.7A Active CN110688665B (zh) | 2019-09-30 | 2019-09-30 | 一种基于关节点综合重要度的位置敏感度判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688665B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516400A (zh) * | 2021-07-26 | 2021-10-19 | 华能威海发电有限责任公司 | 一种设备管理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145796A (zh) * | 2017-04-24 | 2017-09-08 | 公安海警学院 | 一种不确定环境下轨迹数据k‑匿名隐私保护方法 |
CN109165527A (zh) * | 2018-08-28 | 2019-01-08 | 东北大学 | 支持个性化隐私的轨迹敏感数据保护方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8856939B2 (en) * | 2008-09-05 | 2014-10-07 | Iowa State University Research Foundation, Inc. | Cloaking with footprints to provide location privacy protection in location-based services |
-
2019
- 2019-09-30 CN CN201910940428.7A patent/CN110688665B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145796A (zh) * | 2017-04-24 | 2017-09-08 | 公安海警学院 | 一种不确定环境下轨迹数据k‑匿名隐私保护方法 |
CN109165527A (zh) * | 2018-08-28 | 2019-01-08 | 东北大学 | 支持个性化隐私的轨迹敏感数据保护方法 |
Non-Patent Citations (3)
Title |
---|
Communication of cancer screening results by letter, telephone or in person: A mixed methods systematic review of the effect on attendee anxiety, understanding and preferences;Williamson, S etc.;《PREVENTIVE MEDICINE REPORTS》;20190301;全文 * |
基于结构相似度的轨迹聚类算法;袁冠;《通信学报》;20110930;全文 * |
基于自编码网络特征降维的轻量级入侵检测模型;高岭;《电子学报》;20170330;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110688665A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102819952B (zh) | 一种基于视频检测技术的车辆违法变道检测方法 | |
CN107705560A (zh) | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 | |
CN105701479A (zh) | 基于目标特征的智能车辆多激光雷达融合识别方法 | |
CN102270301B (zh) | 一种svm与激光雷达结合检测非结构化道路边界的方法 | |
Zhangyu et al. | A camera and LiDAR data fusion method for railway object detection | |
CN108230254A (zh) | 一种自适应场景切换的高速交通全车道线自动检测方法 | |
CN104318258A (zh) | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 | |
CN103021176A (zh) | 基于断面检测器的城市道路交通状态判别方法 | |
CN106097717A (zh) | 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法 | |
CN100466010C (zh) | 异类交通信息实时融合方法 | |
CN111597905B (zh) | 一种基于视频技术的公路隧道停车检测方法 | |
CN110400461B (zh) | 一种路网变更检测方法 | |
CN112989223B (zh) | 基于轨迹的修正与简化的电动自行车轨迹地图匹配方法 | |
CN110379168A (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN113763707B (zh) | 一种基于号牌数据的路段溢流和车道阻挡状态辨识方法 | |
CN110705484B (zh) | 利用行车轨迹识别连续变更车道违法行为的方法 | |
CN103425764A (zh) | 一种基于视频的车辆匹配方法 | |
CN110688665B (zh) | 一种基于关节点综合重要度的位置敏感度判别方法 | |
Chen et al. | A precise information extraction algorithm for lane lines | |
CN110766940A (zh) | 道路信号交叉口运行状况评估方法 | |
CN105243354B (zh) | 一种基于目标特征点的车辆检测方法 | |
CN103092948A (zh) | 一种应用于浮动车轨迹融合的高速道路形状修复方法 | |
Tang et al. | A novel method for road intersection construction from vehicle trajectory data | |
CN112767680B (zh) | 一种基于轨迹数据的绿波交通评价方法 | |
Wang et al. | Vision‐Based Lane Departure Detection Using a Stacked Sparse Autoencoder |
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 |