CN111328403A - 基于使用加权置信度值允许的质量指标改进的轨迹匹配 - Google Patents
基于使用加权置信度值允许的质量指标改进的轨迹匹配 Download PDFInfo
- Publication number
- CN111328403A CN111328403A CN201880006700.8A CN201880006700A CN111328403A CN 111328403 A CN111328403 A CN 111328403A CN 201880006700 A CN201880006700 A CN 201880006700A CN 111328403 A CN111328403 A CN 111328403A
- Authority
- CN
- China
- Prior art keywords
- quality
- low
- trajectories
- trajectory
- pairs
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/396—Determining accuracy or reliability of position or pseudorange measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/0009—Transmission of position information to remote stations
- G01S5/0045—Transmission from base station to mobile station
- G01S5/0054—Transmission from base station to mobile station of actual mobile position, i.e. position calculation on base station
Abstract
提供了一种用于根据阈值迭代匹配多个用户的多个时空轨迹的系统。所述系统包括至少一个处理器,用于:接收基于位置数据生成的多个第一时空轨迹和多个第二时空轨迹。使用质量分类器将所述多个第一时空轨迹分类为第一低质量轨迹和第一高质量轨迹,将所述多个第二时空轨迹分类为第二低质量轨迹和第二高质量轨迹,所述处理器识别多个高质量轨迹对和多个低质量对;与每个对相关联,所述对具有指示视差的置信度值;调整所述置信度值;将所有时空轨迹重新输入到所述质量分类器中,所述时空轨迹是低质量对或高质量轨迹对的一部分,所述对的经调整的置信度值低于所述阈值。
Description
背景技术
本发明在其一些实施例中涉及改进基于用户的位置的轨迹匹配,更具体地,但不限于,涉及基于轨迹匹配置信度改进基于用户的位置的轨迹匹配。
由于定位技术的普遍性,用户现在能够保持一份有关其位置的记录,以作为一种“位置日记”。如果没有某种方法来构造数据,采集大量数据可能变得不可管理。使用来自电信网络(GSM、CDMA和LTE)的测量报告(measurement report,简称MR)数据的定位方法已经引起电信行业的浓厚研究兴趣。与基于全球定位系统(global positioning system,简称GPS)的定位相比,基于MR的定位系统具有诸如能效、可用性和改进的网络覆盖的某些优点。因此,利用Telco大数据的基于MR的定位是对GPS的良好补充,可提供更好的基于位置的服务体验,而无需额外开销。此外,还有基于MR大数据分析的各种潜在应用。此类应用的示例包括:辅助技术,适用于记忆和视力障碍人群;旅游导向服务,改善博物馆和画廊内的用户体验;室内/室外游戏;店内广告;优惠券分发;以及健康和日常生活监测应用。
发明内容
本发明的目的在于提供一种用于基于用户位置数据的时空轨迹匹配的系统和方法。
前述和其它目的通过独立权利要求的特征来实现。根据从属权利要求、说明书以及附图,进一步的实现方式是显而易见的。
根据本发明第一方面,提供一种用于根据阈值迭代匹配多个用户的多个时空轨迹的系统,所述系统包括:至少一个处理器和质量分类器,所述至少一个处理器用于:接收基于由不同跟踪系统收集的位置数据生成的多个第一时空轨迹和多个第二时空轨迹;所述质量分类器用于:将所述多个第一时空轨迹分类为第一低质量轨迹和第一高质量轨迹,将所述多个第二时空轨迹分类为第二低质量轨迹和第二高质量轨迹;通过在所述第一高质量轨迹与所述第二高质量轨迹之间进行匹配来识别多个高质量轨迹对;通过在所述第一低质量轨迹与所述第二低质量轨迹之间进行匹配来识别多个低质量轨迹对;与所述多个低质量轨迹对中的每一个和所述多个高质量轨迹对中的每一个相关联,所述质量轨迹对具有指示相应对的视差的置信度值;调整所述多个低质量轨迹对和所述多个高质量轨迹对中的至少一些的所述置信度值;将所有时空轨迹重新输入到所述质量分类器中,所述时空轨迹是低质量轨迹对或高质量轨迹对的一部分,所述质量轨迹对的经调整的置信度值低于所述阈值。
根据本发明第二方面,提供一种用于根据阈值迭代匹配多个用户的多个时空轨迹的方法,所述方法包括:接收基于由不同跟踪系统收集的位置数据生成的多个第一时空轨迹和多个第二时空轨迹;使用质量分类器将所述多个第一时空轨迹分类为第一低质量轨迹和第一高质量轨迹,将所述多个第二时空轨迹分类为第二低质量轨迹和第二高质量轨迹;通过在所述第一高质量轨迹与所述第二高质量轨迹之间进行匹配来识别多个高质量轨迹对;通过在所述第一低质量轨迹与所述第二低质量轨迹之间进行匹配来识别多个低质量轨迹对;与所述多个低质量轨迹对中的每一个和所述多个高质量轨迹对中的每一个相关联,所述质量轨迹对具有指示相应对的视差的置信度值;调整所述多个低质量轨迹对和所述多个高质量轨迹对中的至少一些的所述置信度值;将所有时空轨迹重新输入到所述质量分类器中,所述时空轨迹是低质量轨迹对或高质量轨迹对的一部分,所述质量轨迹对的经调整的置信度值低于所述阈值。
在本发明第一和第二方面的第一种可能的实现方式中,可选地,所述处理器用于输出所述多个高质量轨迹对、所述多个低质量轨迹对以及相应的置信度值。
在本发明第一和第二方面的另一种可能的实现方式中,可选地,所述质量分类器通过以下方式对所述多个第一和第二时空轨迹中的每一个进行分类:计算所述多个第一和第二时空轨迹中的每一个的置信度值和相应的形状描述符得分;使用预定启发式方法来组合所述多个第一和第二时空轨迹中的每一个的所述形状描述符得分。
在本发明第一和第二方面的另一种可能的实现方式中,所述处理器还用于通过对所述多个低质量轨迹对和所述多个高质量轨迹对执行机器学习过程来调整所述多个置信度值。
在本发明第一和第二方面的另一种可能的实现方式中,可选地,所述机器学习过程还包括以下迭代过程:使用分类器根据相应的置信度值对所述多个高质量轨迹对和低质量轨迹对进行分类;根据所述分类调整所述多个高质量轨迹对和低质量轨迹对的所述置信度值;检查每个调整后的置信度值的收敛条件,当所有调整后的置信度值满足所述收敛条件时,输出所述调整后的置信度值。
在本发明第一和第二方面的另一种可能的实现方式中,所述质量分类器还用于:通过具有一系列形状描述符得分的第一过滤器对所述第一低质量轨迹进行评估;基于所述评估,丢弃所述第一低质量轨迹的某些轨迹。
在本发明第一和第二方面的另一种可能的实现方式中,所述质量分类器还用于:通过具有一系列形状描述符得分的第二过滤器对所述第二低质量轨迹进行评估;基于所述评估,丢弃所述第二低质量轨迹的某些轨迹。
在本发明第一和第二方面的另一种可能的实现方式中,可选地,识别多个低质量轨迹对还包括:计算两个距离矩阵,每个距离矩阵对应于预定距离度量,其中每个矩阵中的每个条目包含相应一对低质量轨迹之间的距离;对于每个第一低质量轨迹:创建两个排序,所述排序根据所述两个距离矩阵中的每一个的相应行或相应列确定;根据所述两个排序中的每一个内的值的分布,选择要与所述第一低质量轨迹配对的第二低质量轨迹。
在本发明第一和第二方面的另一种可能的实现方式中,可选地,一个预定距离度量是公制距离度量,第二预定距离度量是序列模式匹配相似性度量。
在本发明第一和第二方面的另一种可能的实现方式中,可选地,一个预定距离度量是豪斯多夫距离度量,第二预定距离度量是最长公共子序列(longest commonsubsequence,简称LCSS)度量。
在本发明第一和第二方面的另一种可能的实现方式中,可选地,一个预定距离度量是豪斯多夫距离度量,第二预定距离度量是改进的序列加权比对(improved sequenceweighted alignment,简称ISWALE)度量。
在本发明第一和第二方面的另一种可能的实现方式中,可选地,所述系统还包括存储器,所述存储器用于存储所述高质量轨迹对和低质量轨迹对以及相应的置信度值和相应的距离。
在研究下文附图和详细描述之后,本发明的其它系统、方法、特征和优点对于本领域技术人员来说是或变得显而易见的。希望所有这些其它系统、方法、特征和优点包含在本说明书中,在本发明的范围内,并且受所附权利要求的保护。
除非另有定义,否则本文所用的所有技术和科学术语都具有与本发明普通技术人员公知的含义相同的含义。尽管与本文所描述的方法和材料类似或者相同的方法和材料可以用于本发明实施例的实践或测试,但下文只描述示例性的方法和/或材料。若存在冲突,则以包括定义在内的专利说明书为准。另外,材料、方法以及示例都只是用于说明,并非必要限定。
附图说明
此处仅作为示例,结合附图描述了本发明的一些实施例。现在具体结合附图,需要强调的是所示的项目作为示例,为了说明性地讨论本发明的实施例。这样,根据附图说明,如何实践本发明实施例对本领域技术人员而言是显而易见的。
在附图中:
图1示出了本发明的一些实施例提供的时空轨迹匹配系统中的组件的示例性布局;
图2示出了本发明的一些实施例提供的计算模块的子模块之间的数据流的示例性描述;
图3示出了本发明的一些实施例提供的质量分类器组件之间的数据流的示例性描述;
图4示出了本发明的一些实施例提供的分别用于OTT和MR轨迹的第一和第二过滤器的描述的示例性数据流;
图5示出了本发明的一些实施例提供的低质量轨迹匹配子模块的示例性数据流;
图6示出了本发明的一些实施例提供的ML置信度调整子模块组件之间的示例性数据流;
图7示出了本发明的一些实施例的模拟结果的描述。
具体实施方式
本发明在其一些实施例中涉及用户位置跟踪,更具体地,但不限于,涉及通过基于位置的轨迹匹配执行的用户位置跟踪。
根据本发明的一些实施例,提供系统和方法,过程借助这些系统和方法针对用户的基于位置的轨迹执行基于位置的轨迹匹配,所述基于位置的轨迹来自各种来源。
根据本发明的一些实施例,提供一种系统,所述系统应用于基于位置的轨迹匹配,包括用于根据阈值迭代匹配多个用户的多个时空轨迹的系统。所述多个时空轨迹可以包括基于由不同跟踪系统收集的位置数据生成的多个第一时空轨迹和多个第二时空轨迹。所述多个第一时空轨迹可以包括来自以下来源的顶部(over the top,简称OTT)轨迹,例如用户设备中的全球导航卫星系统(global navigation satellite system,简称GNSS)接收机(例如,GPS接收机)或位置应用程序编程接口(application programming interface,简称API)(例如,基于GPS、无线网络或网络小区报告用户位置的Google位置API),所述多个第二时空轨迹可以包括来自移动网络用户位置的测量报告(measurement report,简称MR)轨迹,可以使用几何或指纹匹配算法计算。
匹配OTT和MR轨迹由于几个原因而成为一项难题,所述原因包括:未包含相同的国际移动用户识别码(international mobile subscriber identity,简称IMSI);在同一区域中有数千(或数百万)个用户移动,从而产生非常相似的OTT和MR轨迹;存在与相同用户相关的不同时间戳和采样率。使用MR用户路由而不是OTT用户路由,或除OTT用户路由之外使用MR用户路由,可能是基于位置的应用的必要特征。例如,OTT数据可以依赖于诸如卫星可用性之类的基础设施和/或内部和外部机构策略。一系列应用可以从所述系统受益:用户定位产品(适用于室内外场景);辅助技术,适用于记忆和视力障碍人群;旅游导向服务,改善博物馆和画廊内的用户体验;室内/室外游戏;店内广告;优惠券分发;以及健康和日常生活监测应用。例如,在照看老年人方面,允许移动设备自动确定他们是否已经偏离其正常作息会触发向其看护人发送的通知。
本文所述的系统可以通过以下方式改进匹配OTT/MR轨迹的已知解决方案,即基于机器学习聚类对位置数据进行结构化处理并将其分类为经常遍历的路由。
根据本发明的一些实施例,所述系统包括在处于改进OTT/MR轨迹匹配目的的基于机器学习的反馈回路中相关的几个组件。
根据本发明的一些实施例,包括质量分类器的组件负责将作为输入接收的所述多个时空轨迹分类为高质量轨迹和低质量轨迹。可选地,阈值可以作为输入从例如使用本文所述系统的服务提供商处接收。可选地,所述分类通过使用包括密集度和延展度测量的形状描述符评估所述轨迹的方式执行。所述质量分类器还可以负责使用两个不同的过滤器来过滤和丢弃轨迹:第一过滤器,适用于OTT轨迹,通过使用形状描述符得分;第二过滤器,适用于MR轨迹,通过使用时态数据得分。
可选地,原始OTT/MR轨迹根据会话标识符(会话ID)进行预处理和存储,以转换为高效可计算形式。
可选地,由所述质量分类器分类为高质量轨迹的OTT和MR轨迹使用朴素匹配算法进行匹配,由所述质量分类器分类为低质量轨迹的OTT和MR轨迹使用基于两个距离度量(在本文中也可以称为“相似性度量”)的匹配方法进行匹配,具体方式是通过生成两个距离矩阵,所述每个矩阵包含低质量OTT轨迹与低质量MR轨迹之间的相应距离。需要注意的是,如果两个轨迹的距离更远,则其相似性会降低,反之亦然。因此,考虑到两个轨迹之间的相似性可通过逆运算与距离互换,据此术语“距离”和“相似性”是可以互换的。
可选地,一个距离度量是诸如豪斯多夫距离之类的公制度量,第二距离度量是序列模式匹配相似性度量,例如最长公共子序列(longest common subsequence,简称LCSS)度量或改进的序列加权比对(improved sequence weighted alignment,简称ISWALE)度量。
可选地,所述匹配方法通过以下方式与每个低质量OTT轨迹匹配,即针对所述OTT轨迹创建两个排序以及检查每个排序内MR轨迹的分布情况,所述匹配方法选择要与相应OTT轨迹匹配的MR轨迹。
可选地,对于每对匹配的OTT/MR轨迹,计算置信度值,其中所述置信度值表示相应匹配对的视差。根据本发明的一些实施例,用于计算置信度值的置信度度量可以基于以下任一项:最大似然度量(maximum likelihood metric,简称MLM)和左-右一致性(left-right consistency,简称LC),如由X.Hu和P.Mordohai于2012年11月在《IEEE模式分析与机器智能汇刊》第2121至2133页中发表的“关于立体视觉的置信度度量的量化评估”所述。
可选地,向系统用户输出所有匹配的OTT/MR对和相关联的置信度值。例如,所述系统用户可以是在紧急情况下使用所述匹配轨迹定位人群的服务提供商。
可选地,机器学习(machine learning,简称ML)过程用于调整至少一些所说匹配的OTT/MR轨迹的置信度值。根据本发明的一些实施例,使用基于随机决策树分类器(也可以称为随机森林)的MR方法以分类至少一些所述OTT/MR匹配对的匹配正确性,使用迭代自适应增强法(也可以称为Adaboost)调整匹配的OTT/MR对的置信度值。可选地,收敛条件确定何时停止所述置信度值的调整过程。
根据本发明的一些实施例,将作为调整后的置信度值低于所述阈值的OTT/MR匹配对的一部分的OTT和MR轨迹重新输入到所述质量分类器中,以进行另一循环的轨迹匹配。
本发明的一些实施例可以展现出若干优点,总体来讲,在任何先前解决方案中均为展现出这些优点:
可扩展性;
无IMSI要求;
相对较低的计算复杂度;
对噪声轨迹具有鲁棒性。
与现有替代方法相比,本发明的一些实施例的模拟提高了准确性和效率。与先前针对测试数据集使用的轨迹匹配方法相比,所有测试数据集的准确性提高了至少10%,同时处理速度提升了至少1.3倍。
一些现有解决方案在一定程度上解决了用户位置跟踪场景,但与本发明的一些实施例相比,每种方案都存在局限性和缺点。现有解决方案包括:
1、一种使用定位单元设备在卫星隐蔽环境中确定用户位置的系统。所述系统的主要缺点是需要确保此类设备的可用性;
2、一种用于计算轨迹之间相似性的系统,所述系统根据用户指定为输入轨迹的感兴趣的地理位置集发挥作用,计算由所述用户指定的所述感兴趣的地理位置集与GPS日志中的相应地理位置集之间的近端相似性。所述系统的局限性是每个用户的地理位置集是有限的;
3、一种用于基于车辆轨迹相似性的异常检测的系统,所述系统具有较高的计算复杂度鲁棒性,但存在噪声轨迹的情况下性能较差;
4、一种需要GPS数据的系统,所述系统对其在例如室内或隧道等各种场景下的可行性提出质疑;
5、在由F.Zhu、C.Luo、M.Yuan、Y.Zhu、Z.Zhang、T.Gu、K.Deng、W.Rao和J.Zeng于2016年10月28日在CIKM'16第25届信息和知识管理国际会议论文集第439至448页中发表的“基于Telco大数据的城市规模定位”中,描述了一种可扩展方法,然后所述可扩展方法依赖于OTT和MR数据的可用IMSI。
在详细解释本发明的至少一个实施例之前,应当理解,本发明不必将其应用限于下面描述中阐述的和/或在附图和/或举例中说明的部件和/或方法的结构和布置的细节。本发明可以有其它实施例或可以采用各种方式实践或执行。
本发明可以是系统、方法和/或计算机程序产品。所述计算机程序产品可以包括具有计算机可读程序指令的一个(或多个)计算机可读存储介质,所述指令用于使处理器执行本发明的各个方面。
所述计算机可读存储介质可以是有形设备,所述有形设备可以保存和存储指令执行设备使用的指令。例如,所述计算机可读存储介质可以是但不限于电子存储设备、磁性存储设备、光存储设备、电磁存储设备、半导体存储设备或这几者的任意合适组合。
可以从计算机可读存储介质中将此处描述的计算机可读程序指令下载到各个计算/处理设备上,或通过网络下载到外部计算机或外部存储设备上,所述网络如因特网、局域网、广域网和/或无线网。
所述计算机可读程序指令可以完全在用户电脑上执行或部分在用户电脑上执行,或作为独立的软件包,部分在用户电脑上执行部分在远端电脑上执行,或完全在远端电脑或服务器上执行。在后面的场景中,远端电脑可以通过任何类型的网络与用户电脑连接,包括局域网(local area network,简称LAN)或广域网(wide area network,简称WAN),或者可以(例如,使用因特网服务提供方提供的因特网)在外部电脑上建立所述连接。在一些实施例中,包括可编程逻辑电路、现场可编程门阵列(field programmable gate array,简称FPGA)或可编程逻辑阵列(programmable logic array,简称PLA)等的电子电路可以利用计算机可读程序指令的状态信息执行所述计算机可读程序指令以个性化所述电子电路,以便执行本发明的各方面。
此处,结合本发明实施例的方法、装置(系统)以及计算机程序产品的流程图和/或框图描述本发明的各方面。应当理解,流程图和/或框图的每个框以及流程图和/或框图中的框的组合可以由计算机可读程序指令来实现。
附图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。此时,流程图或框图中的每个框都可以代表一个模块、分段或部分指令,所述部分指令包括一个或多个用于实现特定逻辑功能的可执行指令。在一些替代实现方式中,所述框中提出的功能可不按图中提出的顺序进行。例如,事实上,连续展示的两个框可以大体上同时执行,或者有时候可以按照相反的顺序执行,这取决于所涉及的功能。还应注意的是,框图和/或流程图中每一个框以及框图和/或流程图中框的组合可以由基于专用硬件的系统执行,所述系统执行指定的功能或动作,或者执行专用硬件和计算机指令的组合。
现参考图1,该图示出了本发明的一些实施例提供的时空轨迹匹配系统中的系统组件的描述。所述系统用于匹配用户位置的OTT和MR轨迹,所述用户位置可用于各种应用。例如,所述系统的一实施例可以位于电信公司的服务器中和/或部分实现为云服务,可以将数据输入到用于在紧急情况下定位残疾人或老年人的应用中。
所述系统包括I/O接口100,可以接收OTT轨迹、MR轨迹和阈值,可以输出匹配的OTT/MR对和相关联的置信度值。所述系统包括计算模块102,负责根据所述阈值迭代匹配所述多个OTT和MR轨迹的功能。可选地,所述系统包括至少一个处理器104,用于执行源自计算模块的指令。可选地,所述系统包括存储器106,以便存储OTT和MR轨迹、置信度值以及在OTT和MR轨迹匹配期间计算的数据等数据。可选地,所述系统包括一个投影式显示器108,用于显示与用户请求有关的OTT/MR轨迹匹配和/或输出的结果。可选地,从所述计算模块定向到所述I/O接口的输出被输出到所述投影式显示器中。假定各种系统组件可以作为软件和/或固件实现。
另请参考图2,该图描述了本发明的一些实施例提供的计算模块的子模块之间的数据流。可选地,质量分类器200通过所述I/O接口100(如图1所示)接收包括OTT和MR轨迹以及用户偏好的数据。所述质量分类器可以将OTT和MR轨迹分类为高质量轨迹和低质量轨迹。所述质量分类器可以对低质量OTT和MR轨迹使用指定的过滤器,以便修剪和丢弃低质量较低的轨迹。接下来,如202中所示,分离高质量轨迹和低质量轨迹。如204中所示,将高质量轨迹输入到高质量轨迹匹配子模块中。根据本发明的一些实施例,所述高质量轨迹匹配子模块采用由最长公共子序列(longest common subsequence,简称LCSS)、实时序列编辑距离(edit distance on real sequence,简称EDR)或实数代价编辑距离(edit distance withreal penalty,简称ERP)任一项功能组成的匹配过程,如由L.Chen、M.T.和V.Oria于2005年6月14日在SIGMOD’05第491至502页发表的“关于移动对象轨迹的稳健、快速的相似性搜索”中所述,其中选择要使用的序列模式匹配相似性度量可以取决于与现有噪声和/或所接收轨迹图的其它已知质量有关的度量质量。
可选地,低质量OTT和MR轨迹输入到轨迹预处理子模块206中,所述轨迹预处理子模块206将原始OTT和MR轨迹数据格式转换为更容易计算的形式。例如,OTT和MR轨迹可以如下给出的原始文本格式接收:(sessionID,timestampi,longitudei,latitudei)i=1...N,其中N是轨迹中的任意点数。根据本发明的一些实施例,为了提高效率,由于MR数据量可能非常大,使用Javascript对象表示法(Javascript obiect notation,简称JSON)格式的存储器106按会话ID分组轨迹并将其保存到文件中。所述轨迹预处理可以使用现有应用来执行。
可选地,所述轨迹预处理子模块根据相应的会话ID值将预处理后的低质量OTT和MR轨迹输入到低质量轨迹匹配子模块208中,从而匹配低质量OTT和MR轨迹。可选地,所述低质量轨迹匹配子模块将匹配的OTT/MR对输入到匹配数据评估子模块210中,所述匹配数据评估子模块210计算每个匹配的OTT/MR轨迹对的置信度值,所述置信度值可根据MLM或LC度量计算。所述低质量轨迹匹配子模块可以使用所述存储器106来存储所有匹配的OTT/MR对和相应的置信度值。此外,所述匹配数据评估子模块可以在系统用户请求时通过所述I/O接口100输出匹配的OTT/MR对和相应的置信度值。所述轨迹数据存储子模块可以将匹配的OTT/MR对和相应的置信度值输入到ML置信度调整子模块212中,所述ML置信度调整子模块212使用ML过程来调整置信度值。根据本发明的一些实施例,所述ML过程根据相应的置信度值迭代分类OTT/MR匹配对,根据所述分类调整置信度值,在收敛条件下检查所述调整后的置信度值。所述ML过程可以继续重新输入OTT和MR轨迹,以便在新的匹配循环中重新匹配,这些轨迹是匹配的OTT/MR对的一部分,所述匹配的OTT/MR对的调整后的置信值低于所述阈值。可选地,所述系统可以设置为执行匹配循环直到满足预定条件,例如,直到所有OTT轨迹被匹配,或者直到匹配循环的预定数量或OTT/MR匹配对置信度值的百分比高于所述阈值。
另请参考图3,该图描述了本发明的一些实施例提供的质量分类器组件之间的数据流。如300处所示,所述质量分类器计算每个OTT和MR轨迹的形状描述符得分。
可选地,所使用的形状描述符是密集度和延展度函数,定义如下。轨迹t给出为一个二维坐标序列,每个坐标序列都有一个时间戳,因此可以几何映射为一条线。密集度t,在此表示为C(t),测量密度或形状的紧密性,其中圆形可能是最紧凑的形状,密集度为1,定义为:其中P表示定义为指定t的轨迹点数的周界t,S表示由t映射的几何形状下的区域(即,t的整数)。延展度t,在此表示为E(t),测量由t映射的几何形状的明确取向,定义为:其中ei表示包含几何映射t的多边形形状的边缘,αi表示所述多边形形状的相应边缘与x轴之间的角度。
接下来,如302中所示,所述质量分类器根据启发式方法分类OTT和MR轨迹,根据本发明的一些实施例,将给定的OTT轨迹q和MR轨迹r分类如下:
接下来参考304,在304中,根据所述第一和第二过滤器过滤低质量轨迹,如果发现质量较低,则丢弃所述低质量轨迹;如306中所示,未丢弃的经分类OTT和MR轨迹可以从所述质量分类器输出到所述预处理模块202。
另请参考图4,该图示出了分别用于OTT和MR轨迹的第一和第二过滤器的示例性数据流,如304中所示。如400中所示,OTT轨迹可以逐个输入到OTT过滤器中;如402中所示,可以对C采用预定义的密集度阈值。如果当前轨迹密集度高于所述密集度阈值,则如404中所示,可以对E采用预定义的延展度阈值。如果所述当前轨迹延展度高于所述延展度阈值,则如406中所示,可以采用预定义的不同网格数阈值,其中包括在大小想等的方形网格内计算多个轨迹坐标,如果所述当前轨迹坐标占用的网格数小于所述不同网格数,则不丢弃和输出所述轨迹,如408中所示。
接下来,如410所示,MR轨迹可以逐个输入到所述MR过滤器中;如412所示,时间窗平均值可以应用于当前MR轨迹。所述时间窗平均值通过以下方式发挥作用,即滑动预定义大小的时间窗,并用其平均值代替所述时间窗内的所有MR轨迹点。这样做的目的是提高鲁棒性和处理速度。接下来,如414中所示,OTT数据窗口过滤可以应用于所述当前MR轨迹,包括过滤掉所述当前MR轨迹的点,所述点不在OTT轨迹的任何OTT数据点的预定义大小的任何时间间隔内,其中所述OTT轨迹的会话ID与所述当前MR轨迹相同。接下来,如416中所示,应用不同点数阈值,根据本发明的一些实施例,这包括丢弃不包含至少两个点的所有MR轨迹;如418中所示,最后一步包括输出所有剩余MR轨迹。
接下来,请参考图5,该图描述了低质量轨迹匹配子模块的一实施例,包括融合前过程和融合过程,使用两个距离度量,所述距离度量包括公制距离度量和序列模式匹配相似性(sequence pattern matching similarity,简称SPMS)度量。根据本发明的一些实施例,所述公制度量包括豪斯多夫距离度量,所述豪斯多夫距离度量虽不是数学定义的距离,但可以度量集合之间的相似性,定义为:
dH(X,Y)=max{supx∈x(infy∈Y(d(x,y))),infx∈x(supv∈Y(d(x,y)))},其中,X、Y表示集合,d表示欧几里德距离等逐点距离度量,inf和sup分别表示下确界函数和上确界函数。OTT和MR轨迹对可以从豪斯多夫距离的角度显示拓扑相似性,但从序列匹配的角度看却不相似,反之亦然,因此两个距离度量的合并可以正确地匹配嘈杂的OTT和MR轨迹。
现参考图5,根据本发明的一些实施例,该图示出了低质量轨迹匹配子模块208的示例性数据流。如500中所示,所述低质量轨迹匹配子模块可以从所述轨迹预处理子模块202接收非匹配的OTT和MR轨迹,如502中所示,可以对每个OTT轨迹应用匹配过程。接下来,如504中所示,可以计算所述当前OTT轨迹与具有相同会话ID的所有MR轨迹之间的豪斯多夫距离和SPMS距离。可选地,如506中所示,距离所述当前OTT轨迹最近的两个MR轨迹,根据豪斯多夫距离和SPMS距离表示为OTTcurr,其检查如下。分别根据豪斯多夫和SPMS使用两个预定义常数KH、KSPMS以及最近和第二近的MR轨迹表示,然后根据本发明的一些实施例,执行以下伪代码:
逻辑上,如果所述两个最近的MR轨迹都接近OTTCurr且所述第二近的轨迹比所述最近的轨迹更密集,则优选所述第二近的轨迹。
可选地,如508中所示,对于每个OTT轨迹,根据所述SPMS距离选择三个最近的MR轨迹;如510中所示,执行可靠性检查。根据本发明的一些实施例,可靠性检查检验所述当前OTT轨迹与和所选MR轨迹之间的所述SPMS距离分布。如果所选MR轨迹紧密排列,则SPMS会被视为不可靠。使用两个预定常数R1、R2表示,然后根据本发明的一些实施例,SPMS仅在以下条件下被视为可靠:
可选地,如果所述SPMS度量被视为可靠,如512中所示,则执行以下伪代码:
根据本发明的一些实施例,如果所述SPMS度量被视为不可靠,如514中所示,则使用两个预定常数q、Dq表示,执行以下伪代码:
select q nearest MR trajectories to the current OTT trajectory
根据本发明的一些实施例,所述SPMS度量可以包括LCSS度量或ISWALE度量。
对于两个字符串R、S,所述LCSS度量以递归方式定义为:
其中,ε用作相似性阈值,表示小于ε的相应轨迹点之间的距离将相似性提高了1。
可选地,所述SPMS度量作为改进的SWALE度量实现。与所述LCSS度量不同,SWALE根据预定义阈值ε来补偿或缩短轨迹之间的计算距离。逻辑上,如果选择适当的ε,则SWALE可以通过增加相似性得分差异来强力分离正确匹配的对和错误匹配的对。计算两个轨迹R、S之间的相似性时,所述ISWALE度量不仅考虑时间维度,还考虑空间维度。所述ISWALE度量基于预定义的空间和时间间隔,计算在空间和时间维度内的OTT与MR轨迹点之间的不同欧几里德距离的补偿和代价。
所述ISWALE定义如下:
在删除第一坐标的情况下,使用R=(r1...rm),S=(s1...sm)和rest(R)表示为R。使用RD表示补偿,使用PMR表示MR代价,使用POTT表示OTT代价,使用Ci,i=1...4表示四个预定常数,根据本发明的一些实施例,所述四个预定常数分别等于9、15、30和40。使用T(ri)表示ri的时间戳。分别使用ε、ω、E和Ω表示空间阈值下限、时间阈值下限、空间阈值上限以及时间阈值上限。使用Fi表示:
Fi=max{SWALE(rest(R),S)+POTT,SWALE(R,rest(S),R)+PMR×Ci},
i=1,..,4
然后:
接下来,参考图6,该图示出了所述ML置信度调整子模块212组件之间的示例性数据流。根据本发明的一些实施例,所述ML置信度调整子模块在随机森林数据集上实现Adaboost方法(自适应增强)。根据本发明的一些实施例,所述ML置信度调整子模块执行迭代,通过所述迭代,OTT/MR对根据相应置信度值进行分类,所述分类用于调整置信度值。
根据本发明的一些实施例,如600中所示,匹配的OTT/MR对和相应置信度值由所述ML置信度调整子模块接收。可选地,如602中所示,使用Adaboost和随机森林组合根据OTT/MR对的相应置信度值对所述OTT/MR对进行分类。接下来,如604中所示,可以根据所述分类的结果调整置信度值。例如,如果OTT/MR对的分类方法类似于具有相对较高置信度值的其它OTT/MR对,则可上调所述OTT/MR对的所述置信度值。可选地,在调整所述置信度值之后,如606中所示,检查收敛条件。如果当前存在不满足所述收敛条件的调整后的置信度值,则在602处通过重新分类执行其它迭代;如果所有调整后的置信度值都满足所述收敛条件,则可以应用所述阈值,如608中所示。所述阈值的应用可以包括过滤作为OTT/MR匹配对的一部分的所有OTT和MR轨迹,所述OTT/MR匹配对的相应调整后的置信度值低于所述阈值。可选地,如610中所示,通过将所述过滤后剩余的OTT和MR轨迹重新输入到所述质量分类器进行其它轨迹匹配迭代,可以输出所述OTT和MR轨迹。
另请参考图7,该图描述了本发明的一些实施例的模拟结果。对small Chengdu、big Chengdu和big Chengdu 2数据集进行了测试。small Chengdu由16,000条原始OTT轨迹和310,000条原始MR轨迹组成。big Chengdu由180,000条原始OTT轨迹和3,300,000条原始MR轨迹组成,big Chengdu 2由40,300条原始OTT轨迹和1,740,000条原始MR轨迹组成。
如700中所示,正确的OTT/MR匹配百分比显示在表中。与单独的ISWALE或豪斯多夫度量相比,一种与图5中所述方法类似的融合方法在所有三个数据集中的表现都相当好。
根据本发明的一些实施例,应用可以接收用户请求,例如老人和/或病人的监护人可以通过移动电话应用报告人员失踪,所述移动电话应用可以联系服务器,所述服务器可以是计算机终端和/或云应用。所述服务器可以从数据存储器106中选择与所述失踪人员的帐户相关的已知OTT轨迹,然后所述服务器可以使用所述计算模块102匹配所述已知OTT轨迹与在特定时间范围内跟踪的MR轨迹。接下来,所述服务器可以处理匹配的OTT轨迹,以便使用已知标志描述所述匹配的OTT轨迹。最后,所述服务器可以将所述已知标志输出到所述投影式显示器108,例如所述监护人的笔记本电脑屏幕和/或手机屏幕。例如,所述失踪人员可能在GPS信号受阻的地点,或者可能携带不具备GPS功能的手机,但由于系统正在跟踪MR信号,因此仍可定位到所述失踪人员。
在研究下文附图和详细描述之后,本发明的其它系统、方法、特征和优点对于本领域技术人员来说是或变得显而易见的。希望所有这些其它系统、方法、特征和优点包含在本说明书中,在本发明的范围内,并且受所附权利要求的保护。
对本发明各个实施例的描述只是为了说明的目的,而这些描述并不旨在穷举或限于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下,本领域技术人员可以清楚理解许多修改和变化。相比于市场上可找到的技术,选择此处使用的术语可最好地解释本实施例的原理、实际应用或技术进步,或使本领域其他技术人员理解此处公开的实施例。
预计在本申请专利成熟的期间,将开发许多相关的系统、方法和计算机程序,术语轨迹匹配的范围旨在先验地包括所有这些新技术。
本文所使用的术语“约”是指±10%。
术语“包括”、“包含”、“具有”以及其变化形式表示“包含但不限于”。这个术语包括了术语“由……组成”以及“本质上由……组成”。
短语“主要由…组成”意指组成物或方法可以包含额外成分和/或步骤,但前提是所述额外成分和/或步骤不会实质上改变所要求的组成物或方法的基本和新颖特性。
除非上下文中另有明确说明,此处使用的单数形式“一个”和“所述”包括复数含义。例如,术语“化合物”或“至少一个化合物”可以包含多个化合物,包含其混合物。
此处使用的词“示例性的”表示“作为一个例子、示例或说明”。任何“示例性的”实施例并不一定理解为优先于或优越于其它实施例,和/或并不排除其它实施例特点的结合。
此处使用的词语“可选地”表示“在一些实施例中提供且在其它实施例中没有提供”。本发明的任意特定的实施例可以包含多个“可选的”特征,除非这些特征相互矛盾。
在整个本申请案中,本发明的各种实施例可以范围格式呈现。应理解,范围格式的描述仅为了方便和简洁起见,并且不应该被解释为对本发明范围的固定限制。因此,对范围的描述应被认为是已经具体地公开所有可能的子范围以及所述范围内的个别数值。例如,对例如从1到6的范围的描述应被认为是已经具体地公开子范围,例如从1到3、从1到4、从1到5、从2到4、从2到6、从3到6等,以及所述范围内的个别数字,例如1、2、3、4、5和6。不管范围的宽度如何,这都适用。
当此处指出一个数字范围时,表示包含了在指出的这个范围内的任意所列举的数字(分数或整数)。短语“在第一个所指示的数和第二个所指示的数范围内”以及“从第一个所指示的数到第二个所指示的数范围内”可在这里互换使用,表示包括第一个和第二个所指示的数以及二者之间所有的分数和整数。
应了解,为简洁起见,在单独实施例的上下文中描述的本发明的某些特征还可以组合提供于单个实施例中。相反地,为简洁起见,在单个实施例的上下文中描述的本发明的各个特征也可以单独地或以任何合适的子组合或作为本发明的任何合适的其它实施例提供。在各个实施例的上下文中描述的某些特征未视为那些实施例的基本特征,除非没有这些元素,所述实施例无效。
Claims (13)
1.一种用于根据阈值迭代匹配多个用户的多个时空轨迹的系统,其特征在于,包括:
至少一个处理器和质量分类器;
所述至少一个处理器用于:
接收基于由不同跟踪系统收集的位置数据生成的多个第一时空轨迹和多个第二时空轨迹;
所述质量分类器用于:将所述多个第一时空轨迹分类为第一低质量轨迹和第一高质量轨迹,将所述多个第二时空轨迹分类为第二低质量轨迹和第二高质量轨迹;
所述处理器还用于:
通过在所述第一高质量轨迹与所述第二高质量轨迹之间进行匹配来识别多个高质量轨迹对;通过在所述第一低质量轨迹与所述第二低质量轨迹之间进行匹配来识别多个低质量轨迹对;与所述多个低质量轨迹对中的每一个和所述多个高质量轨迹对中的每一个相关联,所述质量轨迹对具有指示相应对的视差的置信度值;
调整所述多个低质量轨迹对和所述多个高质量轨迹对中的至少一些的所述多个置信度值;
将所有时空轨迹重新输入到所述质量分类器中,所述时空轨迹是低质量轨迹对或高质量轨迹对的一部分,所述质量轨迹对的经调整的置信度值低于所述阈值。
2.根据权利要求1所述的系统,其特征在于,所述处理器还用于输出所述多个高质量轨迹对、所述多个低质量轨迹对以及相应的置信度值。
3.根据权利要求1所述的系统,其特征在于,所述质量分类器用于通过以下方式对所述多个第一和第二时空轨迹中的每一个进行分类:
计算所述多个第一和第二时空轨迹中的每一个的置信度值和相应的形状描述符得分;
使用预定启发式方法来组合所述多个第一和第二时空轨迹中的每一个的所述形状描述符得分。
4.根据前述权利要求任一项所述的系统,其特征在于,所述处理器还用于通过进一步对所述多个低质量轨迹对和所述多个高质量轨迹对执行机器学习过程来调整所述多个置信度值。
5.根据权利要求4所述的系统,其特征在于,所述机器学习过程还包括以下迭代过程:
使用分类器根据相应的置信度值对所述多个高质量轨迹对和低质量轨迹对进行分类;
根据所述分类调整所述多个高质量轨迹对和低质量轨迹对的所述置信度值;
检查每个调整后的置信度值的收敛条件,当所有调整后的置信度值满足所述收敛条件时,输出所述调整后的置信度值。
6.根据前述权利要求任一项所述的系统,其特征在于,所述质量分类器还用于:
通过具有一系列形状描述符得分的第一过滤器对所述第一低质量轨迹进行评估;
基于所述评估,丢弃来自所述第一低质量轨迹的轨迹。
7.根据前述权利要求任一项所述的系统,其特征在于,所述质量分类器还用于:通过具有一系列时态数据得分的第二过滤器对所述第二低质量轨迹进行评估;
基于所述评估,丢弃来自所述第二低质量轨迹的轨迹。
8.根据前述权利要求任一项所述的系统,其特征在于,所述处理器用于通过以下方式识别多个低质量轨迹对:
计算两个距离矩阵,每个距离矩阵对应于预定距离度量,其中每个矩阵中的每个条目包含相应一对低质量轨迹之间的距离;
对于每个第一低质量轨迹:
创建两个排序,所述排序根据所述两个距离矩阵中的每一个的相应行或相应列确定;
根据所述两个排序中的每一个内的值的分布,选择要与所述第一低质量轨迹配对的第二低质量轨迹。
9.根据权利要求8所述的系统,其特征在于,一个预定距离度量是公制距离度量,第二预定距离度量是序列模式匹配相似性度量。
10.根据权利要求9所述的系统,其特征在于,一个预定距离度量是豪斯多夫距离度量,第二预定距离度量是最长公共子序列(longest common subsequence,简称LCSS)度量。
11.根据权利要求9所述的系统,其特征在于,一个预定距离度量是豪斯多夫距离度量,第二预定距离度量是改进的序列加权比对(improved sequence weighted alignment,简称ISWALE)度量。
12.根据前述权利要求任一项所述的系统,其特征在于,还包括存储器,所述存储器用于存储所述高质量轨迹对和低质量轨迹对以及相应的置信度值和相应的距离。
13.一种用于根据阈值迭代匹配多个用户的多个时空轨迹的方法,其特征在于,包括:
接收基于由不同跟踪系统收集的位置数据生成的多个第一时空轨迹和多个第二时空轨迹;
使用质量分类器将所述多个第一时空轨迹分类为第一低质量轨迹和第一高质量轨迹,将所述多个第二时空轨迹分类为第二低质量轨迹和第二高质量轨迹;
通过在所述第一高质量轨迹与所述第二高质量轨迹之间进行匹配来识别多个高质量轨迹对;
通过在所述第一低质量轨迹与所述第二低质量轨迹之间进行匹配来识别多个低质量轨迹对;
与所述多个低质量轨迹对中的每一个和所述多个高质量轨迹对中的每一个相关联,所述质量轨迹对具有指示相应对的视差的置信度值;
调整所述多个低质量轨迹对和所述多个高质量轨迹对中的至少一些的所述置信度值;
将所有时空轨迹重新输入到所述质量分类器中,所述时空轨迹是低质量轨迹对或高质量轨迹对的一部分,所述质量轨迹对的经调整的置信度值低于所述阈值。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2018/078247 WO2020078540A1 (en) | 2018-10-16 | 2018-10-16 | Improved trajectory matching based on use of quality indicators empowered by weighted confidence values |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111328403A true CN111328403A (zh) | 2020-06-23 |
CN111328403B CN111328403B (zh) | 2023-09-29 |
Family
ID=63896170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880006700.8A Active CN111328403B (zh) | 2018-10-16 | 2018-10-16 | 基于使用加权置信度值允许的质量指标改进的轨迹匹配 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11889382B2 (zh) |
EP (1) | EP3853789A1 (zh) |
CN (1) | CN111328403B (zh) |
WO (1) | WO2020078540A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112230253A (zh) * | 2020-10-13 | 2021-01-15 | 电子科技大学 | 基于公共切片子序列的轨迹特征异常检测方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487865B (zh) * | 2021-07-02 | 2022-07-22 | 江西锦路科技开发有限公司 | 一种高速公路行驶车辆信息采集系统及方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070010940A1 (en) * | 2005-07-05 | 2007-01-11 | Containertrac, Inc. | Automatic past error corrections for location and inventory tracking |
US20100332125A1 (en) * | 2005-07-05 | 2010-12-30 | Containertrac, Inc. | Automatic correction of past position errors for location and inventory tracking |
JP2012007939A (ja) * | 2010-06-23 | 2012-01-12 | Aisin Aw Co Ltd | 軌跡情報生成装置、方法およびプログラム |
WO2013148940A1 (en) * | 2012-03-28 | 2013-10-03 | Pioneer Advanced Solutions, Inc. | Method for increasing waypoint accuracies for crowd-sourced routes |
CN104501807A (zh) * | 2014-12-30 | 2015-04-08 | 杭州云象网络技术有限公司 | 基于地磁场和历史定位轨迹的室内定位方法 |
US20150310137A1 (en) * | 2014-04-23 | 2015-10-29 | International Business Machines Corporation | Minimizing Uncertainty Envelopes in Trajectories of Evolving Ensemble Members |
CN105321380A (zh) * | 2014-07-31 | 2016-02-10 | 霍尼韦尔国际公司 | 基于传感器轨迹id更新phd过滤器中的强度 |
CN106461768A (zh) * | 2014-04-28 | 2017-02-22 | 三星电子株式会社 | 通过使用众包进行定位、绘图和数据管理的系统和方法 |
US20170286781A1 (en) * | 2016-04-05 | 2017-10-05 | Omni Al, Inc. | Trajectory cluster model for learning trajectory patterns in videos data |
CN107679558A (zh) * | 2017-09-19 | 2018-02-09 | 电子科技大学 | 一种基于度量学习的用户轨迹相似性度量方法 |
CN107807346A (zh) * | 2017-10-26 | 2018-03-16 | 南京华苏科技有限公司 | 基于ott与mr数据的自适应wknn室外定位方法 |
CN108133172A (zh) * | 2017-11-16 | 2018-06-08 | 北京华道兴科技有限公司 | 视频中运动对象分类的方法、车流量的分析方法及装置 |
CN108346158A (zh) * | 2017-01-22 | 2018-07-31 | 山东大学 | 基于主块数据关联的多目标跟踪方法及系统 |
WO2018150227A1 (en) * | 2017-02-17 | 2018-08-23 | Dataspark Pte, Ltd | Mobility gene for trajectory data |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPP375498A0 (en) | 1998-05-29 | 1998-06-18 | Small, David | A method for creating a network positioning system (NPS) |
US6622090B2 (en) * | 2000-09-26 | 2003-09-16 | American Gnc Corporation | Enhanced inertial measurement unit/global positioning system mapping and navigation process |
US7143083B2 (en) | 2001-06-12 | 2006-11-28 | Lucent Technologies Inc. | Method and apparatus for retrieving multimedia data through spatio-temporal activity maps |
US8542636B2 (en) * | 2010-01-04 | 2013-09-24 | Lili Qiu | Vehicular content distribution |
US9593957B2 (en) | 2010-06-04 | 2017-03-14 | Microsoft Technology Licensing, Llc | Searching similar trajectories by locations |
CN104657746B (zh) | 2015-01-29 | 2017-09-12 | 电子科技大学 | 一种基于车辆轨迹相似性的异常检测方法 |
US10121374B2 (en) * | 2016-06-10 | 2018-11-06 | Apple Inc. | Parking event detection and location estimation |
-
2018
- 2018-10-16 EP EP18789103.1A patent/EP3853789A1/en active Pending
- 2018-10-16 CN CN201880006700.8A patent/CN111328403B/zh active Active
- 2018-10-16 WO PCT/EP2018/078247 patent/WO2020078540A1/en unknown
-
2021
- 2021-04-15 US US17/231,856 patent/US11889382B2/en active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070010940A1 (en) * | 2005-07-05 | 2007-01-11 | Containertrac, Inc. | Automatic past error corrections for location and inventory tracking |
US20100332125A1 (en) * | 2005-07-05 | 2010-12-30 | Containertrac, Inc. | Automatic correction of past position errors for location and inventory tracking |
JP2012007939A (ja) * | 2010-06-23 | 2012-01-12 | Aisin Aw Co Ltd | 軌跡情報生成装置、方法およびプログラム |
WO2013148940A1 (en) * | 2012-03-28 | 2013-10-03 | Pioneer Advanced Solutions, Inc. | Method for increasing waypoint accuracies for crowd-sourced routes |
US20150310137A1 (en) * | 2014-04-23 | 2015-10-29 | International Business Machines Corporation | Minimizing Uncertainty Envelopes in Trajectories of Evolving Ensemble Members |
CN106461768A (zh) * | 2014-04-28 | 2017-02-22 | 三星电子株式会社 | 通过使用众包进行定位、绘图和数据管理的系统和方法 |
CN105321380A (zh) * | 2014-07-31 | 2016-02-10 | 霍尼韦尔国际公司 | 基于传感器轨迹id更新phd过滤器中的强度 |
CN104501807A (zh) * | 2014-12-30 | 2015-04-08 | 杭州云象网络技术有限公司 | 基于地磁场和历史定位轨迹的室内定位方法 |
US20170286781A1 (en) * | 2016-04-05 | 2017-10-05 | Omni Al, Inc. | Trajectory cluster model for learning trajectory patterns in videos data |
CN108346158A (zh) * | 2017-01-22 | 2018-07-31 | 山东大学 | 基于主块数据关联的多目标跟踪方法及系统 |
WO2018150227A1 (en) * | 2017-02-17 | 2018-08-23 | Dataspark Pte, Ltd | Mobility gene for trajectory data |
CN107679558A (zh) * | 2017-09-19 | 2018-02-09 | 电子科技大学 | 一种基于度量学习的用户轨迹相似性度量方法 |
CN107807346A (zh) * | 2017-10-26 | 2018-03-16 | 南京华苏科技有限公司 | 基于ott与mr数据的自适应wknn室外定位方法 |
CN108133172A (zh) * | 2017-11-16 | 2018-06-08 | 北京华道兴科技有限公司 | 视频中运动对象分类的方法、车流量的分析方法及装置 |
Non-Patent Citations (1)
Title |
---|
王粟: "基于OTT的MR定位方法", 《电信工程技术与标准化》, pages 63 - 66 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112230253A (zh) * | 2020-10-13 | 2021-01-15 | 电子科技大学 | 基于公共切片子序列的轨迹特征异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210235232A1 (en) | 2021-07-29 |
CN111328403B (zh) | 2023-09-29 |
EP3853789A1 (en) | 2021-07-28 |
WO2020078540A1 (en) | 2020-04-23 |
US11889382B2 (en) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726658B (zh) | 人群计数及定位方法、系统、电子终端及存储介质 | |
US9349189B2 (en) | Occlusion resistant image template matching using distance transform | |
US11200424B2 (en) | Space-time memory network for locating target object in video content | |
CN109690624A (zh) | 用于视频分析的自动场景校准方法 | |
JP2022528176A (ja) | 人体検出用の方法及び装置 | |
KR20160010278A (ko) | 관심 지점을 표시하기 위한 방법 및 장치 | |
US11889382B2 (en) | Trajectory matching based on use of quality indicators empowered by weighted confidence values | |
JP6787624B2 (ja) | 音声指紋の照合のための方法、マシン可読媒体及びシステム | |
US20130041753A1 (en) | System and Method for Identifying a Path of a Billboard Audience Group and Providing Advertising Content Based on the Path | |
TW201738838A (zh) | 共乘路徑的計算方法及使用此方法的計算裝置與記錄媒體 | |
KR20170131662A (ko) | 시각적 피처들을 이용한 이미지들의 자동 연결 | |
Sawas et al. | Tensor methods for group pattern discovery of pedestrian trajectories | |
CN114495266A (zh) | 非站立姿态检测方法、装置、计算机设备及存储介质 | |
US11937146B2 (en) | High fidelity geolocation using machine learning | |
CN113762049B (zh) | 内容识别方法、装置、存储介质和终端设备 | |
Gueguen et al. | Mapping human settlements and population at country scale from VHR images | |
US11127199B2 (en) | Scene model construction system and scene model constructing method | |
Shen et al. | Robust regression based face recognition with fast outlier removal | |
CN112668532A (zh) | 基于多阶段混合注意网络的人群计数方法 | |
CN117218703A (zh) | 智能学情分析方法及系统 | |
CN106991684B (zh) | 前景提取方法及装置 | |
Maithil et al. | Semantic Segmentation of Urban Area Satellite Imagery Using DensePlusU-Net | |
CN112131904A (zh) | 基于图匹配的多目标跨镜追踪方法、装置、设备和介质 | |
US20190310342A1 (en) | Estimated User Location From Cellular Telephony Data | |
US11879744B2 (en) | Inferring left-turn information from mobile crowdsensing |
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 |