CN110826594B - 一种轨迹聚类的方法、设备及存储介质 - Google Patents
一种轨迹聚类的方法、设备及存储介质 Download PDFInfo
- Publication number
- CN110826594B CN110826594B CN201910936730.5A CN201910936730A CN110826594B CN 110826594 B CN110826594 B CN 110826594B CN 201910936730 A CN201910936730 A CN 201910936730A CN 110826594 B CN110826594 B CN 110826594B
- Authority
- CN
- China
- Prior art keywords
- track
- tracks
- target
- similarity
- target track
- 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
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
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种轨迹聚类的方法,包括:获取目标轨迹集合,其中包括多条轨迹;根据目标轨迹集合中每条轨迹的位置数据将目标轨迹集合中的轨迹进行划分,得到多个目标轨迹子集;分别计算每个目标轨迹子集中不同轨迹之间的相似度;根据每个目标轨迹子集中不同轨迹之间的相似度与预设相似度阈值分别对每个目标轨迹子集中的轨迹进行聚类,得到聚类结果。本方案根据目标轨迹集合中的轨迹的位置数据将目标轨迹集合中的轨迹分到相应的不同目标轨迹子集中。对不同的目标轨迹子集进行轨迹聚类时,无须考虑目标轨迹子集之外的其它轨迹,可以快速计算轨迹相似度,降低了相似轨迹的发现开销,从而降低了轨迹聚类的整体计算开销。
Description
技术领域
本申请涉及数据处理领域,尤其涉及一种轨迹聚类的方法、设备及存储介质。
背景技术
位置传感器是一种可以对行人、车辆等可移动个体进行定位的传感器。在目前,全球定位系统(global positioning system,GPS)设备是最典型且常用的位置传感器。此外,监控摄像头、无线上网(wifi)探针、手机基站等具有固定位置的个体识别设备也可以看作位置传感器,因为它们也能够通过监听的方式提供个体位置信息。出于城市智能化管理、安防等需求,利用位置传感器收集各种实体(例如行人、车辆等)的时空位移数据,并且对这些时空位移数据进行数据挖掘分析的技术已经逐渐发展成熟,且应用前景广阔,可以为城市安全、商业活动等方面的决策提供技术支持。
每个实体被位置传感器记录而生成的时空位移数据可以称为轨迹。顾名思义,轨迹即一个实体随着时间变化,其位置发生改变形成的路径。轨迹由多个轨迹点组成,其中,每一个轨迹点表示位置传感器对实体位置的一次记录,描述了“某实体”在“某时刻”位于“某地点”。目前,轨迹聚类是数据挖掘领域内的一个研究热点,轨迹聚类即将大量的轨迹中相似度符合一定条件的轨迹进行汇总。轨迹聚类在疑犯追踪、异常行为发现、人流车流分析等方面具有重大的研究意义。例如,在治安应用场景下,同行人分析是轨迹聚类的一个具体应用,它可以帮助警方以现有的轨迹(可以是案犯同伙或者受害人的)作为查询目标,查找与查询目标相似度较高的轨迹,从而帮助警方进行同伙分析、嫌疑人确定等工作。
轨迹相似度的计算是轨迹聚类中的重点也是难点。现有方法中使用的轨迹大多是由GPS设备生成的,轨迹点可能是任意位置,这导致在进行轨迹相似度计算时,需要枚举两条轨迹中每一对轨迹点的在空间上的距离关系,以及在时间上的时差关系,因此计算难度较高。在现有的轨迹聚类方法中,进行轨迹聚类时,需要对大量的轨迹进行轨迹相似度计算,从而在这些轨迹中发现相似轨迹,因此需要进行相似度计算的轨迹数量往往是十分庞大的,相似轨迹的发现开销过大导致轨迹聚类的计算开销过大,聚类效率较低。
发明内容
本申请实施例提供了一种轨迹聚类的方法及轨迹聚类设备,可以降低轨迹聚类时所需的计算开销,提高聚类效率。
有鉴于此,本申请第一方面提供一种轨迹聚类的方法,该方法包括:获取目标轨迹集合,该目标轨迹集合中包括多条轨迹,每条轨迹包括多个轨迹点,每个轨迹点携带位置信息和时间信息,在相同的区域中被采集得到的轨迹点的位置信息是相同的;根据该目标轨迹集合中每条轨迹的位置数据将目标轨迹集合中的轨迹进行划分,得到多个目标轨迹子集,目标轨迹集合中任意两条轨迹划分到同一个目标轨迹子集的概率与该两条轨迹对应的位置数据之间的相似度相关联;分别计算每个目标轨迹子集中不同轨迹之间的相似度;根据每个目标轨迹子集中不同轨迹之间的相似度与预设相似度阈值分别对每个目标轨迹子集中的轨迹进行聚类,得到聚类结果,该聚类结果用于指示不同轨迹之间是否存在关联关系。
由上述第一方面可知,由于本方案中针对目标轨迹集合中的轨迹的位置数据对目标轨迹集合进行划分,可以实现以较高的概率将目标轨迹集合中位置数据相似度较高的轨迹分到相同的目标轨迹子集中。对不同的目标轨迹子集进行轨迹聚类时,无须考虑目标轨迹子集之外的其它轨迹,轨迹的相似度可以得到快速计算,降低了相似轨迹的发现开销。
换言之,使用这个方法得到的聚类结果中,把相似度大于相似度阈值的轨迹聚合到一起。当使用所述目标轨迹集合中任意一条轨迹进行查询时,可以根据聚合结果得到与这条查询轨迹相似(相似度大于阈值)的轨迹。因此,可以快速的查找到与某条轨迹相似的轨迹。
可选的,结合上述第一方面,在第一种可能的实现方式中,根据所述目标轨迹集合中每条轨迹的位置数据将所述目标轨迹集合中的轨迹进行划分,包括:对目标轨迹集合中每条轨迹的位置数据进行预处理,得到第一处理结果,每条轨迹的位置数据是该轨迹包括的多个轨迹点的位置信息的集合,第一处理结果用于表示所述目标轨迹集合中不同轨迹对应的位置数据之间的相似度;根据第一处理结果和预设划分策略将所述目标轨迹集合中的轨迹进行划分,得到所述多个目标轨迹子集。
可选的,结合上述第一方面第一种可能的实现方式,在第二种可能的实现方式中,对目标轨迹集合中每条轨迹的位置数据进行预处理,包括:按照预设切片规则对目标轨迹集合中每条轨迹的位置数据进行切片,以将每条轨迹的位置数据转换为对应的位置数据切片集合,每条轨迹对应的位置数据切片集合是根据该轨迹包括的多个轨迹点的位置信息与偏序关系生成的,偏序关系表示该轨迹包括的轨迹点的变化顺序;根据每条轨迹对应的位置数据切片集合生成目标签名矩阵,该目标签名矩阵用于表示目标轨迹集合中不同轨迹对应的位置数据切片集合之间的相似度,目标签名矩阵为所述第一处理结果中的一种。通过对轨迹的位置数据进行切片,可以保存每条轨迹中的轨迹点的偏序关系,从而更加准确地反映不同轨迹之间位置数据上的相似度。
可选的,结合上述第一方面第二种可能的实现方式,在第三种可能的实现方式中,根据每条轨迹对应的位置数据切片集合生成目标签名矩阵,包括:根据所述每条轨迹对应的位置数据切片集合生成目标特征矩阵,所述目标特征矩阵用于表示每条轨迹对应的位置数据切片集合中包含的位置数据切片;根据minhash算法和目标特征矩阵生成目标签名矩阵。
可选的,结合上述第一方面,在第四种可能的实现方式中,分别计算每个目标轨迹子集中不同轨迹之间的相似度,包括:采用目标相似度计算函数分别计算每个目标轨迹子集中不同轨迹之间的相似度,该目标相似度计算函数是根据两条轨迹的轨迹点重叠程度计算轨迹相似度的函数。由于在相同的区域中被采集得到的轨迹点的位置信息是相同的,所以轨迹之间的相似度可以采用目标相似度计算函数进行计算,目标相似度计算函数与现有的轨迹相似度计算函数相比较,目标相似度计算函数不需要计算不同轨迹的轨迹点之间的时间和空间上的距离关系,只需要计算不同轨迹的轨迹点之间的重叠程度,从而降低了轨迹相似度的计算难度。
可选的,结合上述第一方面第一种至第三种中任意一种可能的实现方式,在第五种可能的实现方式中,预设划分策略包括局部敏感哈希(local sensitive hash,LSH)算法。
可选的,结合上述第一方面、第一方面第一种至第五种中任意一种可能的实现方式,在第六种可能的实现方式中,根据每个目标轨迹子集中不同轨迹之间的相似度与预设相似度阈值分别对每个目标轨迹子集中的轨迹进行聚类之后,该方法还包括:根据聚类结果查找与用户输入的查询轨迹存在关联关系的轨迹。根据聚类结果进行轨迹查询可以提高关联轨迹查询的查询效率。
可选的,结合上述第一方面、第一方面第一种至第五种中任意一种可能的实现方式,在第七种可能的实现方式中,轨迹点是由多个目标位置传感器采集的,其中,不同的目标位置传感器对应不同的区域。通过这种方式采集的轨迹点所形成的轨迹可以存在重叠的情况,在进行轨迹相似度计算时,可以通过目标相似度计算函数,即计算不同轨迹之间的轨迹点重叠程度来计算这些轨迹之间的相似度。
可选的,结合上述第一方面、第一方面第一种至第五种中任意一种可能的实现方式,在第八种可能的实现方式中,根据每个目标轨迹子集中不同轨迹之间的相似度与预设相似度阈值分别对每个目标轨迹子集中的轨迹进行聚类,包括:把每个目标轨迹子集划分为多个目标轨迹子子集;其中,包含至少两条轨迹的目标轨迹子子集中,任意两条轨迹之间的相似度大于所述预设相似度阈值。换言之,把每个目标轨迹子集划分为多个目标轨迹子子集之后,这些目标轨迹子子集包含的数量不完全相同,包含至少两条轨迹的目标轨迹子子集中包含的轨迹均存在关联关系,也有一部分的目标轨迹子子集仅包含一条单独的轨迹,这些单独的轨迹与其他目标轨迹子子集中的任意轨迹均不存在关联关系。
本申请第二方面提供一种轨迹聚类设备,所述轨迹聚类设备用于执行上述第一方面或第一方面任意一种可能的实现方式中的轨迹聚类的方法。具体地,所述轨迹聚类设备可以包括用于执行第一方面或第一方面任意一种可能的实现方式中的轨迹聚类的方法的模块。
本申请第三方面提供一种轨迹聚类设备,所述轨迹聚类设备包括处理器,所述处理器与存储器耦合,所述存储器用于存储指令,所述处理器用于执行所述存储器存储的指令,并且对所述存储器中存储的指令的执行使得所述处理器执行第一方面或第一方面任意一种可能的实现方式中的轨迹聚类的方法。可选的,所述轨迹聚类设备还包括所述存储器。
本申请第四方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述第一方面或第一方面任意一种可能的实现方式中的轨迹聚类的方法。
在本申请实施例的技术方案中,针对目标轨迹集合中的轨迹的位置数据对目标轨迹集合进行划分,可以实现以较高的概率将目标轨迹集合中位置数据相似度较高的轨迹分到相同的目标轨迹子集中。对不同的目标轨迹子集进行轨迹聚类时,无须考虑目标轨迹子集之外的其它轨迹,轨迹的相似度可以得到快速计算,降低了相似轨迹的发现开销,且与降低的发现开销相比,将目标轨迹集合中的轨迹划分到不同的目标轨迹子集带来的计算开销是很小的。因此与现有的轨迹聚类方法相比,本方案在整体的计算开销更小,聚类效率更高。
进一步的,由于在相同的区域中被采集得到的轨迹点的位置信息是相同的,所以轨迹之间的相似度可以采用目标相似度计算函数进行计算,目标相似度计算函数与现有的轨迹相似度计算函数相比较,目标相似度计算函数不需要计算不同轨迹的轨迹点之间的时间和空间上的距离关系,只需要计算不同轨迹的轨迹点之间的重叠程度,从而降低了轨迹相似度的计算难度。在现有的轨迹相似度计算场景中,由于轨迹点大多是根据GPS设备生成的,轨迹点可以是任意的坐标,所以轨迹点在空间位置上很难重叠,无法采用目标相似度计算函数进行轨迹相似度计算,而本方案中的轨迹点是根据不同的区域进行采集的,在相同的区域中被采集得到的轨迹点的位置信息是相同的,因此轨迹点在空间位置上的重叠具备了可行性,因此可采用目标相似度计算函数进行轨迹相似度计算,降低轨迹相似度的计算难度。
附图说明
图1为本申请实施例中轨迹形成的示意图;
图2为本申请实施例中轨迹聚类的方法一个实施例示意图;
图3为本申请实施例中轨迹聚类的方法另一实施例示意图;
图4为本申请实施例中minhash算法处理过程示意图;
图5为本申请实施例中LSH算法处理过程示意图;
图6为本申请实施例中轨迹聚类设备一个实施例示意图;
图7为本申请实施例中轨迹聚类设备另一实施例示意图。
具体实施方式
下面结合附图,对本申请的实施例进行描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。本领域普通技术人员可知,随着图计算框架的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤、单元或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤、单元或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤、单元或模块。在本申请中出现的对步骤进行的命名或者编号,并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤,已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序,只要能达到相同或者相类似的技术效果即可。本申请中所出现的单元或模块的划分,是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式,例如多个模块可以结合成或集成在另一个系统中,或一些特征可以忽略,或不执行,另外,所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块之间的间接耦合或通信连接可以是电性或其他类似的形式,本申请中均不作限定。并且,作为分离部件说明的单元或模块可以是也可以不是物理上的分离,可以是也可以不是物理模块,或者可以分布到多个电路模块中,可以根据实际的需要选择其中的部分或全部模块来实现本申请方案的目的。
本申请实施例的技术方案均可应用于目前大型的轨迹监控系统。这种轨迹监控系统通过大量的位置传感器所组成的网络可以对城市道路上每个通过的行人或车辆进行拍摄,以记录这些行人或车辆经过的轨迹点,并根据轨迹点生成对应的完整轨迹。例如图1所示,一个实体(行人或车辆)经过的轨迹点为p1、p2、p3、p4、p5、p6、p7和p8,则根据这些轨迹点可以生成该实体对应的轨迹tr1,可以表示为tr1={p1,p2,p3,p4,p5,p6,p7,p8}。大型的轨迹监控系统生成的轨迹需要进行长期存储,并且需要进行轨迹聚类,即将全部轨迹中存在的相似轨迹进行汇聚,以满足可能出现的轨迹查询需求。轨迹监控系统存储的轨迹数量往往是非常巨大的,尤其是位于人口数量大的地区的轨迹监控系统,如果采用直接进行轨迹相似度计算的方法来进行轨迹聚类,无疑会造成巨大的计算开销,聚类效率也会较低。
为解决现有的大型轨迹监控系统存储的轨迹数量较大,进行轨迹聚类时计算开销过大,聚类效率低的问题,本申请实施例提供一种轨迹聚类的方法。本申请实施例还提供相应的设备。以下分别进行详细说明。
图2为本申请实施例中轨迹聚类的方法一个实施例示意图。
如图2所示,本申请实施例中轨迹聚类的方法一个实施例可以包括:
201、获取目标轨迹集合。
在本实施例中,目标轨迹集合可以理解为上述大型轨迹监控系统存储的大量轨迹所形成的的组合。目标轨迹集合包括的多条轨迹中每条轨迹包括多个轨迹点,每个轨迹点携带位置信息和时间信息,需要说明的是,在本实施例中,在相同的区域中被采集得到的轨迹点的位置信息是相同的,这种收集轨迹点的方法的目的是简化后期的轨迹相似度的计算难度。具体的,为实现这种轨迹点收集方法,可以在一个目标区域中设置多个目标位置传感器,轨迹点由设置多个目标位置传感器采集的,其中,不同的目标位置传感器对应该目标区域中不同的区域。
202、根据目标轨迹集合中每条轨迹的位置数据将目标轨迹集合中的轨迹进行划分,得到多个目标轨迹子集。
在本实施例中,在进行轨迹聚类时所进行的轨迹相似度计算必须同时考虑轨迹在时间维度和空间维度上的关系,这会给大规模的轨迹聚类带来很大的计算难度。但是只从空间维度上的关系便可以确定哪些轨迹有可能是相似轨迹,并且根据该原理,可以根据目标轨迹集合中每条轨迹的位置数据将目标轨迹集合中的轨迹进行一次初步的划分,得到多个目标轨迹子集。目标轨迹集合中任意两条轨迹划分到同一个目标轨迹子集的概率与该两条轨迹对应的位置数据之间的相似度相关联,也即目标轨迹集合中位置数据相似度高的轨迹分到同一个目标轨迹子集中的概率就越大。
203、分别计算每个目标轨迹子集中不同轨迹之间的相似度。
将目标轨迹集合划分为多个目标轨迹子集后,可以直接对每个目标轨迹子集中的不同轨迹进行相似度计算,不同的目标轨迹子集中的不同轨迹无需进行相似度计算,大大减少了计算开销。为了便于理解,以目标轨迹集合中的轨迹数量为N为例,在现有的聚类方法中,采用对目标轨迹集合中轨迹直接进行相似度计算的方式,那么整个计算过程的算法复杂度为O(N2)。将目标轨迹集合划分为多个目标轨迹子集后,假设目标轨迹子集的数量为X,每个目标轨迹子集中的轨迹数量不会大于M,那么对每个目标轨迹子集中的不同轨迹进行相似度计算的计算过程的算法复杂度不会大于O(X*M2)。由于X为常数,当M远远小于N时,M2相对于N2也可以认为是一个常数,所以O(X*M2)远远小于O(N2),因此这种方法可以达到减少计算开销的目的。
204、根据每个目标轨迹子集中不同轨迹之间的相似度与预设相似度阈值分别对每个目标轨迹子集中的轨迹进行聚类,得到聚类结果。
在本实施例中,计算得到每个目标轨迹子集中不同轨迹之间的相似度之后,便可以根据预设相似度阈值判断哪些轨迹为相似轨迹,例如给定的预设相似度阈值为0.5,而两条轨迹之间的相似度为0.6,说明这两条轨迹为相似轨迹。通过相似轨迹的确定从而对每个目标轨迹子集中的轨迹进行聚类,得到聚类结果,该聚类结果可以指示不同的轨迹之间是否存在关联关系,该关联关系是指不同轨迹之间的相似度达到了一定的相似程度。
具体的,对每个目标轨迹子集中的轨迹进行聚类得到聚类结果的具体过程包括:把每个目标轨迹子集划分为多个目标轨迹子子集;其中,包含至少两条轨迹的目标轨迹子子集中,任意两条轨迹之间的相似度大于所述预设相似度阈值。换言之,把每个目标轨迹子集划分为多个目标轨迹子子集之后,这些目标轨迹子子集包含的数量不完全相同,包含至少两条轨迹的目标轨迹子子集中包含的轨迹均存在关联关系,也有一部分的目标轨迹子子集仅包含一条单独的轨迹,这些单独的轨迹与其他目标轨迹子子集中的任意轨迹均不存在关联关系。
在本实施例中,针对目标轨迹集合中的轨迹的位置数据对目标轨迹集合进行划分,可以实现以较高的概率将目标轨迹集合中位置数据相似度较高的轨迹分到相同的目标轨迹子集中。对不同的目标轨迹子集进行轨迹聚类时,无须考虑目标轨迹子集之外的其它轨迹,轨迹的相似度可以得到快速计算,降低了相似轨迹的发现开销,且与降低的发现开销相比,将目标轨迹集合中的轨迹划分到不同的目标轨迹子集带来的计算开销是很小的。因此与现有的轨迹聚类方法相比,本方案在整体的计算开销更小,聚类效率更高。
在一种具体的实施例中,根据目标轨迹集合中每条轨迹的位置数据将目标轨迹集合中的轨迹进行划分的方式可以采用数据预处理的方式来实现。下面将结合具体的实施例进行详细说明。
图3是本申请实施例中轨迹聚类的方法另一实施例示意图。
如图3所示,本申请实施例中轨迹聚类的方法另一实施例可以包括:
301、获取目标轨迹集合。
在本实施例中,步骤301与上述步骤201的具体内容相类似,可参考上述步骤201中的相关描述,具体此处不再赘述。
302、对目标轨迹集合中每条轨迹的位置数据进行预处理,得到第一处理结果。
在本实施例中,每条轨迹的位置数据是该轨迹包括的多个轨迹点的位置信息的集合,第一处理结果用于表示目标轨迹集合中不同轨迹对应的位置数据之间的相似度。
需要说明的是,不同轨迹对应的位置数据之间的相似度计算面临的一个问题是,如何区分轨迹点位置信息相同,但是位置信息变化顺序不同的轨迹之间在位置数据上的区别。例如,轨迹tr1的轨迹点依次对应的位置信息为L1、L2、L3、L4、L5,而轨迹tr2的轨迹点依次对应的位置信息为L5、L4、L3、L2、L1。由于每条轨迹的位置数据是该轨迹包括的多个轨迹点的位置信息的集合,因此,从集合的角度上来看,轨迹tr1和tr2的位置数据是相似的,因为它们的位置数据包含的位置信息相同,但是从实际情况出发,显然这两条轨迹的位置数据不是相似的。
为此,本实施例中采用了数据切片技术来解决上述问题。
具体的处理过程为,按照预设切片规则对目标轨迹集合中每条轨迹的位置数据进行切片,以将每条轨迹的位置数据转换为对应的位置数据切片集合,每条轨迹对应的位置数据切片集合是根据该轨迹包括的多个轨迹点的位置信息与偏序关系生成的,所述偏序关系表示该轨迹包括的轨迹点的变化顺序。为便于理解,以上述轨迹tr1和tr2为例,tr1的轨迹点依次对应的位置信息为L1、L2、L3、L4、L5,tr2的轨迹点依次对应的位置信息为L5、L4、L3、L2、L1,预设切片规则包括切片长度和切片方式,切片长度k设置为3,切片方式为以每个位置信息为切片起点依次进行切片,直到最后一个切片的切片终点为最后一个位置信息,则tr1对应的位置数据切片依次为L1L2L3、L2L3L4、L3L4L5,tr2对应的位置数据切片依次为L5L4L3、L4L3L2、L3L2L1。通过这种方式,可以将轨迹的位置数据的相似度表示为位置数据切片集合的相似度,并且保持轨迹中的轨迹点原有的偏序关系。需要说明的是,切片长度k的设置可以根据需求自由设置,k越大,则每个位置数据切片保存的偏序关系越多,但是切片的总存储开销较大。例如k=1时,tr1对应的位置数据切片集合为{L1,L2,L3,L4,L5},k=3时,tr1对应的位置数据切片集合为{L1L2L3,L2L3L4,L3L4L5}。
由于以位置数据切片集合表示原有的轨迹会显著增加存储开销,且不同长度的轨迹对应的位置数据切片集合的长度也是不相同的。为此,将每条轨迹的位置数据转换为对应的位置数据切片集合后,可以对每条轨迹对应的位置数据切片集合进行签名,即根据每条轨迹对应的位置数据切片集合生成目标签名矩阵,来实现对位置数据切片集合的压缩和对齐,目标签名矩阵用于表示目标轨迹集合中不同轨迹对应的位置数据切片集合之间的相似度,目标签名矩阵为是上述第一处理结果中的一种。
具体的,根据每条轨迹对应的位置数据切片集合生成目标签名矩阵,首先要根据每条轨迹对应的位置数据切片集合生成目标特征矩阵,然后根据minhash算法和目标特征矩阵生成目标签名矩阵,minhash算法处理的过程具体如图4所示。目标特征矩阵的不同行分别对应每条轨迹中可能出现的位置数据切片,不同列分别对应不同的轨迹。目标特征矩阵可以反映不同轨迹对应的位置数据切片集合中包含的位置数据切片。需要说明的是,可能出现的位置数据切片的数量和轨迹的数量不是一定的,图4中给出的数量只是作为一个简单的示例,在实际应用中,可能出现的位置数据切片的数量和轨迹的数量往往是更大的。
303、根据第一处理结果和预设划分策略将目标轨迹集合中的轨迹进行划分,得到多个目标轨迹子集。
在本实施例中,得到第一处理结果后,根据相应的预设划分策略便可以将目标轨迹集合中的轨迹进行划分,得到目标轨迹子集。第一处理结果为上述目标签名矩阵时,由于相似轨迹经过处理之后,它们在目标签名矩阵中的签名列也是相似的。所以可以根据不同轨迹在目标签名矩阵中对应的签名列的相似度来对轨迹进行划分。预设划分策略可以是局部敏感哈希(local sensitive hash,LSH)算法。
LSH算法可以将签名列相似度较高的轨迹以高概率hash到同一个桶中,从而达到在空间维度上的初步粗聚类。以图5为例进行说明,设b为轨迹签名长度,该算法将签名列分成b/r个子段,每一个子段长为r。为方便描述,假设b是r的倍数。LSH算法分别对每一个子段进行hash:如果两条轨迹对应的签名列的子段取值相同,就将该两条轨迹hash到同一个目标轨迹子集中。设tr1和tr2签名的相似度为s,由概率论可知各自签名任一行相等的概率为s/b。那么,任意轨迹tri、trj被hash到同一目标轨迹子集中的概率为:
P=1-(1-sr)b。
由上述公式可知,s越高,tr1和tr2被分到同一个桶中的概率越高。
需要说明的是,图5中所示的签名列长度只是作为一个实例,在实际应用中,签名列的长度越长,签名列相似度更能反映不同轨迹对应的位置数据切片集合之间的相似度。
304、采用目标相似度计算函数分别计算每个目标轨迹子集中不同轨迹之间的相似度。
在本实施例中,目标相似度计算函数是根据两条轨迹的轨迹点重叠程度计算轨迹相似度的函数。该目标相似度计算函数具体为Jaccard函数,假设两条任意轨迹为tr1和tr2,该目标相似度计算函数的公式具体为:
tr1∩tr2表示tr1和tr2中存在的相同轨迹点数量,也就是重叠轨迹点的数量,tr1∪tr2表示非重叠轨迹点的总数量。当两个轨迹点的位置信息相同,且该两个轨迹点的时间信息对应的时间差小于预设阈值时,可以认为该两个轨迹点为重叠轨迹点。例如tr1对应的一个轨迹点对应的时间信息为{20190920,17:09:41},tr2对应的一个轨迹点对应的时间信息为{20190920,17:10:09},这表明两个轨迹点的记录时间相差28秒,而预设阈值为90秒,所以该两个轨迹点是符合重叠轨迹点的定义。tr1和tr2中的其它轨迹点也通过这种方法进行判断,从而确定重叠轨迹点的数量,进而计算出tr1和tr2之间的相似度。
305、根据每个目标轨迹子集中不同轨迹之间的相似度与预设相似度阈值分别对每个目标轨迹子集中的轨迹进行聚类,得到聚类结果。
在本实施例中,步骤305与上述步骤204的具体内容相类似,可参考上述步骤204中的相关描述,具体此处不再赘述。
可选的,本实施例还可以包括:
306、根据该聚类结果查找与用户输入的查询轨迹存在关联关系的轨迹。
在本实施例中,对轨迹进行聚类得到聚类结果的最终目的是根据轨迹之间的相似度将轨迹分成不同的多个类,每个类中的任意两条轨迹之间的相似度均能达到一定程度,即存在关联关系。当用户需要进行轨迹查询时,便可以根据聚类结果快速输出用户输入的查询轨迹存在关联关系的轨迹,该查询轨迹是原来的目标轨迹集合中的一条轨迹。
在一个具体的应用场景中,上述用户可以是交通或者刑侦等各种部门的警察,其输入的查询轨迹可以是已到案的某个犯案人员或者是犯案对象被记录下来的轨迹,存在关联关系的轨迹可能有多种不同的情况。例如,在刑侦应用场景中,存在关联关系的轨迹可能是犯罪同伙与到案的犯案人员结伴同行时被记录的轨迹,也有可能是不法分子尾随跟踪犯案对象时,不法分子被记录下来的轨迹,还有可能是犯罪团伙人员在犯案后前后逃离犯案现场时被记录下来的轨迹,这些关联轨迹可以为警方提供案情分析上的帮助。
在本实施例中,采用数据切片技术和签名技术来实现以较高的概率将目标轨迹集合中位置数据相似度较高的轨迹分到相同的目标轨迹子集,提供了一种从空间维度上对轨迹进行粗聚类的可行方案。进一步的,由于本方案中,在相同的区域中被采集得到的轨迹点的位置信息是相同的,所以轨迹之间的相似度可以采用目标相似度计算函数进行计算,目标相似度计算函数与现有的轨迹相似度计算函数相比较,目标相似度计算函数不需要计算不同轨迹的轨迹点之间的时间和空间上的距离关系,只需要计算不同轨迹的轨迹点之间的重叠程度,从而降低了轨迹相似度的计算难度。在现有的轨迹相似度计算场景中,由于轨迹点大多是根据GPS设备生成的,轨迹点可以是任意的坐标,所以轨迹点在空间位置上很难重叠,无法采用目标相似度计算函数进行轨迹相似度计算,而本方案中的轨迹点是根据不同的区域进行采集的,在相同的区域中被采集得到的轨迹点的位置信息是相同的,因此轨迹点在空间位置上的重叠具备了可行性,因此可采用目标相似度计算函数进行轨迹相似度计算,降低轨迹相似度的计算难度。
上文对本申请实施例提供的轨迹聚类的方法进行了描述,下面对本申请实施例提供的轨迹聚类设备进行描述。
图6是本申请实施例所提供的轨迹聚类设备60的示意图,该轨迹聚类设备60可以包括:
获取单元601,用于获取目标轨迹集合,该目标轨迹集合中包括多条轨迹,每条轨迹包括多个轨迹点,每个轨迹点携带位置信息和时间信息,在相同的区域中被采集得到的轨迹点的位置信息是相同的;
划分单元602,用于根据该目标轨迹集合中每条轨迹的位置数据将该目标轨迹集合中的轨迹进行划分,得到多个目标轨迹子集,所述目标轨迹集合中任意两条轨迹划分到同一个目标轨迹子集的概率与该两条轨迹对应的位置数据之间的相似度相关联;
计算单元603,用于分别计算每个目标轨迹子集中不同轨迹之间的相似度;
聚类单元604,用于根据每个目标轨迹子集中不同轨迹之间的相似度与预设相似度阈值分别对每个目标轨迹子集中的轨迹进行聚类,得到聚类结果,所述聚类结果用于指示不同轨迹之间是否存在关联关系。
可选的,作为一个实施例,划分单元602可以进一步包括:
预处理模块6021,用于对目标轨迹集合中每条轨迹的位置数据进行预处理,得到第一处理结果,每条轨迹的位置数据是该轨迹包括的多个轨迹点的位置信息的集合,所述第一处理结果用于表示所述目标轨迹集合中不同轨迹对应的位置数据之间的相似度;
划分模块6022,用于根据该第一处理结果和预设划分策略将所述目标轨迹集合中的轨迹进行划分,得到多个目标轨迹子集。
可选的,作为一个实施例,预处理模块6021具体可以用于:
按照预设切片规则对所述目标轨迹集合中每条轨迹的位置数据进行切片,以将每条轨迹的位置数据转换为对应的位置数据切片集合,每条轨迹对应的位置数据切片集合是根据该轨迹包括的多个轨迹点的位置信息与偏序关系生成的,所述偏序关系表示该轨迹包括的轨迹点的变化顺序;
根据所述每条轨迹对应的位置数据切片集合生成目标签名矩阵,所述目标签名矩阵用于表示所述目标轨迹集合中不同轨迹对应的位置数据切片集合之间的相似度,所述目标签名矩阵为所述第一处理结果中的一种。
可选的,作为一个实施例,预处理模块6021具体可以用于:
根据所述每条轨迹对应的位置数据切片集合生成目标特征矩阵,所述目标特征矩阵用于表示每条轨迹对应的位置数据切片集合中包含的位置数据切片;根据minhash算法和所述目标特征矩阵生成所述目标签名矩阵。
可选的,作为一个实施例,计算单元603具体可以用于:采用目标相似度计算函数分别计算每个目标轨迹子集中不同轨迹之间的相似度,所述目标相似度计算函数是根据两条轨迹的轨迹点重叠程度计算轨迹相似度的函数。
可选的,作为一个实施例,上述预设划分策略包括局部敏感哈希LSH算法。
可选的,作为一个实施例,轨迹聚类设备60还可以包括:
查找单元605,用于根据聚类结果查找与用户输入的查询轨迹存在关联关系的轨迹。
可选的,上述轨迹点可以是由多个目标位置传感器采集的,其中,不同的目标位置传感器对应不同的区域。
可选的,所述聚类单元604具体可以用于:把每个目标轨迹子集划分为多个目标轨迹子子集;其中,每个包含至少两条轨迹的目标轨迹子子集中,任意两个轨迹之间的相似度大于所述预设相似度阈值。
图7是本申请实施例所提供的轨迹聚类设备70的示意图,如图7所示:
轨迹聚类设备70可以包括一个或多个处理器701,可选的,轨迹聚类设备70还可以包括存储器702和对外接口703。处理器701、存储器702和对外接口703通过通信总线相连。
处理器701可以是一个通用中央处理器(CPU),微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
存储器702可以是只读存储器(ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(EEPROM)、只读光盘(CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器702可以是独立存在,通过总线与处理器701相连接。存储器702也可以和处理器701集成在一起。
对外接口703可以用于获取外部数据,例如,在本实施例中,对外接口703可以用于获取目标轨迹集合。
其中,所述存储器702用于存储执行本申请方案的应用程序代码,并由处理器701来控制执行。所述处理器701用于执行所述存储器702中存储的应用程序代码。
在具体实现中,处理器701可以包括一个或多个CPU,每个CPU可以是一个单核(single-core)处理器,也可以是一个多核(multi-Core)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
可选的,轨迹聚类设备70还可以包括用户接口704。
该用户接口704可以包括显示器,以及键盘、鼠标触摸板或者触摸屏等点击设备,例如:该轨迹聚类设备包括显示器和键盘,键盘可用于用户输入查询轨迹,以控制该轨迹聚类设备执行用户命令,显示器可用于显示该轨迹聚类设备查找到的与用户输入的查询轨迹存在关联关系的轨迹数量以及这些轨迹的具体信息。
作为本实施例的另一种形式,提供一种计算机可读存储介质,其上存储有指令,该指令被执行时执行上述方法实施例中轨迹聚类设备的方法。
作为本实施例的另一种形式,提供一种包含指令的计算机程序产品,该指令被执行时执行上述方法实施例中轨迹聚类设备的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
本领域普通技术人员可以理解上述实施例的各种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,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
以上对本申请实施例所提供的轨迹聚类的方法以及轨迹聚类设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (18)
1.一种轨迹聚类的方法,其特征在于,包括:
获取目标轨迹集合,所述目标轨迹集合中包括多条轨迹,每条轨迹包括多个轨迹点,每个轨迹点携带位置信息和时间信息,在相同的区域中被采集得到的轨迹点的位置信息是相同的;
根据所述目标轨迹集合中每条轨迹的位置数据将所述目标轨迹集合中的轨迹进行划分,得到多个目标轨迹子集,所述目标轨迹集合中任意两条轨迹划分到同一个目标轨迹子集的概率与该两条轨迹对应的位置数据之间的相似度相关联;
分别计算每个目标轨迹子集中不同轨迹之间的相似度;
根据每个目标轨迹子集中不同轨迹之间的相似度与预设相似度阈值分别对每个目标轨迹子集中的轨迹进行聚类,得到聚类结果,所述聚类结果用于指示不同轨迹之间是否存在关联关系。
2.根据权利要求1所述的方法,其特征在于,根据所述目标轨迹集合中每条轨迹的位置数据将所述目标轨迹集合中的轨迹进行划分,包括:
对所述目标轨迹集合中每条轨迹的位置数据进行预处理,得到第一处理结果,每条轨迹的位置数据是该轨迹包括的多个轨迹点的位置信息的集合,所述第一处理结果用于表示所述目标轨迹集合中不同轨迹对应的位置数据之间的相似度;
根据所述第一处理结果和预设划分策略将所述目标轨迹集合中的轨迹进行划分,得到所述多个目标轨迹子集。
3.根据权利要求2所述的方法,其特征在于,对所述目标轨迹集合中每条轨迹的位置数据进行预处理,包括:
按照预设切片规则对所述目标轨迹集合中每条轨迹的位置数据进行切片,以将每条轨迹的位置数据转换为对应的位置数据切片集合,每条轨迹对应的位置数据切片集合是根据该轨迹包括的多个轨迹点的位置信息与偏序关系生成的,所述偏序关系表示该轨迹包括的轨迹点的变化顺序;
根据所述每条轨迹对应的位置数据切片集合生成目标签名矩阵,所述目标签名矩阵用于表示所述目标轨迹集合中不同轨迹对应的位置数据切片集合之间的相似度,所述目标签名矩阵为所述第一处理结果中的一种。
4.根据权利要求3所述的方法,其特征在于,根据所述每条轨迹对应的位置数据切片集合生成目标签名矩阵,包括:
根据所述每条轨迹对应的位置数据切片集合生成目标特征矩阵,所述目标特征矩阵用于表示每条轨迹对应的位置数据切片集合中包含的位置数据切片;
根据minhash算法和所述目标特征矩阵生成所述目标签名矩阵。
5.根据权利要求1所述的方法,其特征在于,分别计算每个目标轨迹子集中不同轨迹之间的相似度,包括:
采用目标相似度计算函数分别计算每个目标轨迹子集中不同轨迹之间的相似度,所述目标相似度计算函数是根据两条轨迹的轨迹点重叠程度计算轨迹相似度的函数。
6.根据权利要求2-4任一所述的方法,其特征在于,所述预设划分策略包括局部敏感哈希LSH算法。
7.根据权利要求1-5任一所述的方法,其特征在于,所述根据每个目标轨迹子集中不同轨迹之间的相似度与预设相似度阈值分别对每个目标轨迹子集中的轨迹进行聚类之后,所述方法还包括:
根据所述聚类结果查找与查询轨迹存在所述关联关系的轨迹,所述查询轨迹属于所述目标轨迹集合。
8.根据权利要求1-5任一所述的方法,其特征在于,所述轨迹点是由多个目标位置传感器采集的,其中,不同的目标位置传感器对应不同的区域。
9.根据权利要求1-5任一所述的方法,其特征在于,根据每个目标轨迹子集中不同轨迹之间的相似度与预设相似度阈值分别对每个目标轨迹子集中的轨迹进行聚类,包括:
把每个目标轨迹子集划分为多个目标轨迹子子集;其中,每个包含至少两条轨迹的目标轨迹子子集中,任意两条轨迹之间的相似度大于所述预设相似度阈值。
10.一种轨迹聚类设备,其特征在于,包括:
获取单元,用于获取目标轨迹集合,所述目标轨迹集合中包括多条轨迹,每条轨迹包括多个轨迹点,每个轨迹点携带位置信息和时间信息,在相同的区域中被采集得到的轨迹点的位置信息是相同的;
划分单元,用于根据所述目标轨迹集合中每条轨迹的位置数据将所述目标轨迹集合中的轨迹进行划分,得到多个目标轨迹子集,所述目标轨迹集合中任意两条轨迹划分到同一个目标轨迹子集的概率与该两条轨迹对应的位置数据之间的相似度相关联;
计算单元,用于分别计算每个目标轨迹子集中不同轨迹之间的相似度;
聚类单元,用于根据每个目标轨迹子集中不同轨迹之间的相似度与预设相似度阈值分别对每个目标轨迹子集中的轨迹进行聚类,得到聚类结果,所述聚类结果用于指示不同轨迹之间是否存在关联关系。
11.根据权利要求10所述的轨迹聚类设备,其特征在于,所述划分单元包括:
预处理模块,用于对所述目标轨迹集合中每条轨迹的位置数据进行预处理,得到第一处理结果,每条轨迹的位置数据是该轨迹包括的多个轨迹点的位置信息的集合,所述第一处理结果用于表示所述目标轨迹集合中不同轨迹对应的位置数据之间的相似度;
划分模块,用于根据所述第一处理结果和预设划分策略将所述目标轨迹集合中的轨迹进行划分,得到所述多个目标轨迹子集。
12.根据权利要求10所述的轨迹聚类设备,其特征在于,所述计算单元具体用于:
采用目标相似度计算函数分别计算每个目标轨迹子集中不同轨迹之间的相似度,所述目标相似度计算函数是根据两条轨迹的轨迹点重叠程度计算轨迹相似度的函数。
13.根据权利要求11所述的轨迹聚类设备,其特征在于,所述预设划分策略包括局部敏感哈希LSH算法。
14.根据权利要求10-13任一所述的轨迹聚类设备,其特征在于,所述轨迹聚类设备还包括:
查找单元,用于根据所述聚类结果查找与用户输入的查询轨迹存在所述关联关系的轨迹。
15.根据权利要求10-13任一所述的轨迹聚类设备,其特征在于,所述轨迹点是由多个目标位置传感器采集的,其中,不同的目标位置传感器对应不同的区域。
16.根据权利要求10-13任一所述的轨迹聚类设备,所述聚类单元具体用于:
把每个目标轨迹子集划分为多个目标轨迹子子集;其中,每个包含至少两条轨迹的目标轨迹子子集中,任意两个轨迹之间的相似度大于所述预设相似度阈值。
17.一种轨迹聚类设备,包括处理器,所述处理器与对外接口耦合,所述对外接口用于获取目标轨迹集合,所述处理器用于运行计算机程序或指令,使得所述轨迹聚类设备执行权利要求1至9中任一项所述的方法。
18.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述程序被执行时实现如权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910936730.5A CN110826594B (zh) | 2019-09-29 | 2019-09-29 | 一种轨迹聚类的方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910936730.5A CN110826594B (zh) | 2019-09-29 | 2019-09-29 | 一种轨迹聚类的方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110826594A CN110826594A (zh) | 2020-02-21 |
CN110826594B true CN110826594B (zh) | 2022-08-09 |
Family
ID=69548524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910936730.5A Active CN110826594B (zh) | 2019-09-29 | 2019-09-29 | 一种轨迹聚类的方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826594B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402580B (zh) * | 2020-03-04 | 2022-03-01 | 杭州海康威视系统技术有限公司 | 车辆行驶轨迹预测方法、装置及电子设备 |
CN112102357B (zh) * | 2020-09-08 | 2023-07-25 | 杭州海康威视数字技术股份有限公司 | 轨迹调整方法、装置及设备、存储介质 |
CN113112857A (zh) * | 2020-11-05 | 2021-07-13 | 包赛花 | 智慧停车场车辆停放引导方法及人工智能服务器 |
CN112331361B (zh) * | 2020-11-06 | 2023-06-16 | 中国联合网络通信集团有限公司 | 一种密切接触者的确定方法及装置 |
CN112487234B (zh) * | 2020-11-25 | 2024-03-29 | 北京集光通达科技股份有限公司 | 基于分裂型层次聚类的轨迹分析方法、设备及存储介质 |
CN112465078B (zh) * | 2021-02-03 | 2021-04-16 | 成都点泽智能科技有限公司 | 跨摄像头行人轨迹处理方法、计算机设备及可读存储介质 |
CN113689162A (zh) * | 2021-07-29 | 2021-11-23 | 深圳市跨越新科技有限公司 | 基于轨迹的交通违章预警方法、装置、设备和存储介质 |
CN113807223B (zh) * | 2021-09-07 | 2024-04-09 | 南京中兴力维软件有限公司 | 人脸聚类子类合并方法、装置及设备 |
CN114494358B (zh) * | 2022-04-07 | 2022-06-21 | 中航信移动科技有限公司 | 一种数据处理方法、电子设备及存储介质 |
CN116450878B (zh) * | 2023-06-15 | 2023-09-05 | 北京瑞莱智慧科技有限公司 | 活动轨迹确定方法、装置、计算机设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942310A (zh) * | 2014-04-18 | 2014-07-23 | 厦门雅迅网络股份有限公司 | 基于时空模式的用户行为相似性挖掘方法 |
CN107133269A (zh) * | 2017-04-01 | 2017-09-05 | 中国人民解放军国防科学技术大学 | 基于移动目标的频繁位置轨迹生成方法及装置 |
CN108595539A (zh) * | 2018-04-04 | 2018-09-28 | 烟台海颐软件股份有限公司 | 一种基于大数据的行迹相似对象识别方法与系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9740977B1 (en) * | 2009-05-29 | 2017-08-22 | Videomining Corporation | Method and system for recognizing the intentions of shoppers in retail aisles based on their trajectories |
-
2019
- 2019-09-29 CN CN201910936730.5A patent/CN110826594B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942310A (zh) * | 2014-04-18 | 2014-07-23 | 厦门雅迅网络股份有限公司 | 基于时空模式的用户行为相似性挖掘方法 |
CN107133269A (zh) * | 2017-04-01 | 2017-09-05 | 中国人民解放军国防科学技术大学 | 基于移动目标的频繁位置轨迹生成方法及装置 |
CN108595539A (zh) * | 2018-04-04 | 2018-09-28 | 烟台海颐软件股份有限公司 | 一种基于大数据的行迹相似对象识别方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110826594A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826594B (zh) | 一种轨迹聚类的方法、设备及存储介质 | |
US20220092881A1 (en) | Method and apparatus for behavior analysis, electronic apparatus, storage medium, and computer program | |
KR101029160B1 (ko) | 이미지 데이터베이스에 신규 이미지 및 이에 대한 정보를 추가하기 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체 | |
CN110168523A (zh) | 改变监测跨图查询 | |
US11204935B2 (en) | Similarity analyses in analytics workflows | |
CN109241223B (zh) | 行为行踪识别方法及系统 | |
KR101777238B1 (ko) | 영상 트렌드 검출 및 큐레이션을 위한 방법 및 시스템 | |
CN112131277B (zh) | 基于大数据的医疗数据异常分析方法、装置和计算机设备 | |
CN114973351B (zh) | 人脸识别方法、装置、设备及存储介质 | |
CN111767432B (zh) | 共现对象的查找方法和装置 | |
CN112232178A (zh) | 基于人像聚档的区域落脚点判定方法、系统、设备及介质 | |
CN110727756A (zh) | 时空轨迹数据的管理方法和装置 | |
CN103365886A (zh) | 车联网中的空间事件的查询方法和优化查询器 | |
KR20150056266A (ko) | 공장 운영 관리용 정형 및 비정형의 빅데이터 엔진 및 처리 방법 | |
CN111259282A (zh) | Url去重方法、装置、电子设备及计算机可读存储介质 | |
Ghuge et al. | Weighed query-specific distance and hybrid NARX neural network for video object retrieval | |
CN116383189A (zh) | 业务数据的处理方法、装置、计算机设备、存储介质 | |
CN115203354A (zh) | 一种车码轨迹预关联方法、装置、计算机设备及存储介质 | |
Wei et al. | Delle: Detecting latest local events from geotagged tweets | |
Basik et al. | Slim: Scalable linkage of mobility data | |
CN116610849A (zh) | 获取轨迹相似的移动对象的方法、装置、设备及存储介质 | |
Guo et al. | A group-based signal filtering approach for trajectory abstraction and restoration | |
CN115908853A (zh) | 目标检测方法、装置、设备及可读存储介质 | |
US20150066947A1 (en) | Indexing apparatus and method for search of security monitoring data | |
Zhu et al. | Approach to discovering companion patterns based on traffic data stream |
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 |