CN112762941A - 一种基于移动行为特征的轨迹压缩方法 - Google Patents

Abstract

本发明提供一种基于移动行为特征的轨迹压缩方法，包括：获取轨迹的采集点；若当前采集点为起点，则将其视为特征点并保存，同时将上一特征点赋值为当前采集点的值；否则计算当前采集点相对上一采集点和上一特征点的方位角变化量，并计算当前采集点的速度变化率；如果方位角变化量的较大值和速度变化率都小于对应的预设阈值，则不作处理；否则视为特征点并保存，同时将上一特征点赋值为当前采集点的值；最后将上一采集点赋值为当前采集点的值，继续对当前采集点的下一采集点执行以上步骤。相较于现有技术，本发明捕获特征点更准确，且能够保存急加速、急减速、急转向等情景下的行驶状态信息。

Description

一种基于移动行为特征的轨迹压缩方法

技术领域

本发明涉及轨迹压缩技术领域，尤其涉及一种基于移动行为特征的轨迹压缩方法。

背景技术

物联网技术的发展和移动终端的普及，产生海量的移动行为特征数据。根据移动行为特征数据可以监控用户的行踪，以及评估和干预用户的驾驶行为等，提高车辆安全驾驶水平。海量的移动行为特征数据不仅提高了存储和传输的成本，而且增加了数据挖掘和轨迹监控等应用的处理复杂度。因此必须对海量数据进行压缩处理，同时为数据挖掘和轨迹监控等应用提供高质量数据。

现有的轨迹压缩方法主要包括基于距离的线段简化方法和基于路网匹配方法。基于距离的线段简化方法是通过保留满足一定距离条件的重要特征点；基于路网匹配方法是将定位数据与数字地图相结合，将定位数据映射到对应路网位置，然而该方法是基于“轨迹总是沿着路网最短路径行驶”的假设，现实运行轨迹受复杂外界环境影响往往无法满足该假设。以上两种轨迹压缩方法由于方法本身的原因，多关注压缩率和压缩精度，容易丢失速度和方向发生变化的特征点，进而无法检测到不稳定的驾驶行为特征点。

发明内容

鉴于以上现有技术的不足，本发明的目的在于提供一种基于移动行为特征的轨迹压缩方法，以满足压缩后的特征数据在轨迹跟踪、驾驶风险评估、安全驾驶等中的进一步挖掘应用。

为了实现以上目的，本发明采用一种基于移动行为特征的轨迹压缩方法，包括以下步骤：

步骤1，获取轨迹的采集点，对所述采集点进行预处理；

步骤2，针对预处理后的采集点，判断当前采集点是否为轨迹起点，如果所述当前采集点是轨迹起点，则将所述当前采集点视为特征点并保存，同时将上一特征点赋值为当前采集点的值，跳转执行步骤4；否则分别计算所述当前采集点相对上一采集点和上一特征点的方位角变化量，并计算所述当前采集点相对上一采集点的速度变化率；所述特征点即移动对象在运行过程中方向或速度的变化超过对应阈值的点；

步骤3，计算所述当前采集点分别相对于上一采集点和上一特征点的两个方位角变化量的较大值，如果所述方位角变化量的较大值和速度变化率都小于对应的预设阈值，则将不作处理；否则将所述当前采集点视为特征点并保存，同时将所述上一特征点赋值为当前采集点的值；

步骤4，将所述上一采集点赋值为当前采集点的值，继续对所述当前采集点的下一采集点执行以上所有步骤。

进一步地，在一种实现方式中，所述采集点包含车载终端号和移动行为特征属性，所述移动行为特征属性包括经度、纬度、方位角、速度和时间戳。

进一步地，在一种实现方式中，所述步骤1包括：

识别并滤除所述采集点中的属性缺失数据、停留点重复数据和位移异常数据；

其中，所述属性缺失数据，指所述移动行为特征属性包含空值字段的数据；具体的，本发明中，所述属性缺失数据，指由于定位设备信号被遮挡或干扰，导致采集信息不完整，例如经度、纬度都为缺省值0的数据，所述属性确实数据对挖掘分析没有贡献。所述停留点重复数据，指对同一位置信息重复采集的数据；具体的，本发明中，所述停留点重复数据为例如由于临时停留，车载终端仍然不断上传数据的轨迹点。所述位移异常数据，指经纬度产生GPS定位漂移的轨迹点数据。具体的，本发明中，所述位移异常数据为例如由于定位设备信号干扰，导致采集的位置信息与真实位置信息产生较大偏移的轨迹点。

进一步地，在一种实现方式中，所述步骤1中对停留点重复数据的识别包括：

步骤1-1，根据采集点的速度字段为零的连续次数判断采集点是否为停留点；

步骤1-2，若所述采集点的速度字段为零的连续次数大于或等于预设连续阈值，则将所述采集点视为停留点并滤除；

步骤1-3，若所述采集点的速度字段为零的连续次数小于预设连续阈值，则结束所述对停留点重复数据的识别。

进一步地，在一种实现方式中，所述步骤1中对位移异常数据的识别和滤除包括：

步骤1-4，判断所述当前采集点是否为轨迹起点；

步骤1-5，若所述当前采集点是轨迹起点，则结束对所述位移异常数据的识别；

步骤1-6，若所述当前采集点不是轨迹起点，则根据所述当前采集点和上一采集点的平均速度和时间差估算位移距离d_i：

其中，v_i为当前采集点的速度、v_i-1为上一采集点的速度，Δt为当前采集点与上一采集点的时间差；

步骤1-7，计算所述当前采集点和上一采集点的经纬度距离d′_i：

d′_i＝R*Arccos[cosβ_i-1*cosβ_i*cos(α_i-1-α_i)+sinβ_i-1*sinβ_i]

其中，α_i-1为上一采集点P_i-1的经度，β_i-1为上一采集点P_i-1的纬度，α_i为当前采集点P_i的经度，β_i为当前采集点P_i的纬度，R为地球半径；所述上一采集点即第i-1个采集点P_i-1，所述当前采集点即第i个采集点；

步骤1-8，结合所述位移距离d_i和经纬度距离d′_i，根据以下公式，计算所述当前采集点P_i的位移比例系数k_i：

k_i＝d′_i/d_i

如果所述位移比例系数k_i大于或等于预设系数阈值，则将所述当前采集点视为位移异常点并丢弃；

如果所述位移比例系数k_i小于预设系数阈值，则结束对所述位移异常数据的识别。

本发明中，若定位设备信号被遮挡或干扰，容易导致所得的经纬度数据发生漂移。通常经纬度漂移的测量点距离原始轨迹较远。因此在设置所述预设系数阈值时，不可设置过小，因为过小的系数阈值容易导致由于定位设备自身精度误差造成的测量点丢失。具体的，本发明中所述预设系数阈值取正整数，建议取值范围为[10，20]。

进一步地，在一种实现方式中，所述步骤2包括：

步骤2-1，判断所述当前采集点是否为轨迹起点；

步骤2-2，若所述当前采集点是轨迹起点，则将所述当前采集点视为特征点，并将上一特征点赋值为所述当前采集点的值，跳转执行所述步骤4；

步骤2-3，若所述当前采集点不是轨迹起点，计算相邻采集点的方位角变化量，即所述当前采集点相对于上一采集点的方位角变化量，所述当前采集点相对于上一采集点的方位角变化量用于表示轨迹方向的局部变化；

步骤2-4，计算所述当前采集点相对于上一特征点的方位角变化量，所述当前采集点相对于上一特征点的方位角变化量用于表示轨迹方向的累积变化；

步骤2-5，计算所述当前采集点相对于上一采集点的速度变化率。

进一步地，在一种实现方式中，所述步骤2-3包括计算相邻采集点的方位角变化量：

根据以下公式，计算轨迹上的相邻采集点的方位角变化量，即第i个采集点P_i相对于第i-1个采集点P_i-1的方位角变化量：

其中，azm(P_i)为当前采集点的方位角，即第i个采集点P_i的方位角，azm(P_i-1)为上一采集点的方位角，即第i-1个采集点P_i-1的方位角；以采集点作为定位点时，定位点的方位角即从定位点指北方向起，沿着顺时针旋转至行驶方向所旋转的角度，方位角的取值范围为[0°，360°)，指北方向为0°。

进一步地，在一种实现方式中，所述步骤2-4包括计算当前采集点相对于上一特征点的方位角变化量：

轨迹上的点P_i、P_i+1、...、点P_k中，假设第i个采集点P_i是上一特征点，将第k个采集点P_k作为当前采集点，所述第k个采集点P_k相对于第i个采集点P_i的方位角变化量，即当前采集点相对于上一特征点的方位角变化量的表示公式如下：

其中，P_j为第j个采集点，P_j-1为第j-1个采集点，即第j个采集点P_j的上一采集点，j的取值范围为[i+1，k]。

进一步地，在一种实现方式中，所述步骤2-5包括：

根据以下公式，计算所述当前采集点相对上一采集点的速度变化率a：

其中，v_i为当前采集点的车速，v_i-1为上一采集点的车速，t_i为当前采集点的采集时刻，t_i-1为上一采集点的采集时刻。

进一步地，在一种实现方式中，所述步骤2，包括：

计算所述当前采集点与上一采集点的方位角变化量，得到车辆行驶方向的局部变化；本发明中，通过本步骤能够避免某瞬间在同向或异向上方向变化超过阈值的特征点丢失。

计算所述当前采集点与上一特征点的方位角变化量，得到车辆距离上一特征点位置行驶方向的累计变化。本发明中，通过本步骤能够避免某时段内方向渐变超过阈值的特征点丢失。

由以上技术方案可知，本发明实施例提供一种基于移动行为特征的轨迹压缩方法，包括：步骤1，获取轨迹的采集点，对所述采集点进行预处理；步骤2，针对预处理后的采集点，判断当前采集点是否为轨迹起点，如果所述当前采集点是轨迹起点，则将所述当前采集点视为特征点并保存，同时将上一特征点赋值为当前采集点的值，跳转执行步骤4；否则分别计算所述当前采集点相对上一采集点和上一特征点的方位角变化量，并计算所述当前采集点相对上一采集点的速度变化率；所述特征点即移动对象在运行过程中方向或速度的变化超过对应阈值的点；步骤3，计算所述当前采集点分别相对于上一采集点和上一特征点的两个方位角变化量的较大值，如果所述方位角变化量的较大值和速度变化率都小于对应的预设阈值，则将不作处理；否则将所述当前采集点视为特征点并保存，同时将所述上一特征点赋值为当前采集点的值；步骤4，将所述上一采集点赋值为当前采集点的值，继续对所述当前采集点的下一采集点执行以上所有步骤。

现有的轨迹压缩方法大多从位置距离或路网匹配角度关注移动物体的轨迹跟踪和展示，却很容易丢失轨迹的重要属性信息例如速度和方向，进而无法对轨迹数据进行准确地挖掘分析。而采用本发明所提供的一种基于移动行为特征的轨迹压缩方法，本发明从移动物体的行为特征角度出发，实现轨迹数据的过滤和在线压缩，保留移动物体的重要行为特征数据，从而为评估和监管驾驶行为等应用提供高质量数据。具体的，本发明不仅计算轨迹相邻点方向变化还计算方向的累积变化，这样既可以准确捕获到方向发生明显变化的特征点，又避免丢失方向发生持续缓慢变化的特征点。同时对于急加速、急减速、急转向等情景下单位速度发生很大变化时的采集点会将其视为特征点，将采集的行驶状态信息保留下来。

具体的，本发明能够取得以下有益效果：

1.该方法首次过滤待压缩的数据，过滤属性缺失数据、停留点重复数据和位移数据，以此剔除无效的干扰数据；

2.该压缩方法支持实时在线压缩，具有线性时间复杂度，且辅助缓存少。

3.从移动对象的行为特征角度，对轨迹进行压缩，不仅降低了存储代价，还为为驾驶风险估、安全驾驶等挖掘应用提供重要的行为特征数据。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例部分提供的一种基于移动行为特征的轨迹压缩方法的工作流程示意图；

图2是本发明实施例部分提供的一种基于移动行为特征的轨迹压缩方法中车辆在各个采集点的方位角变化量示意图；

图3是本发明实施例部分提供的一种基于移动行为特征的轨迹压缩方法中原始轨迹的运输路线示意图；

图4a是本发明实施例部分提供的一种基于移动行为特征的轨迹压缩方法在不同驾驶风格条件的压缩率对比示意图；

图4b是本发明实施例部分提供的一种基于移动行为特征的轨迹压缩方法在不同驾驶风格条件的计算效率对比示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明实施例公开一种基于移动行为特征的轨迹压缩方法，本方法应用于运输企业配送车辆或公共汽车。配送车辆和公共汽车都具有载量大、停站点多等特点。驾驶人的急加速、急减速、急转向等行为将直接对物品或乘客造成损害。本发明实施例提供的基于移动行为特征的轨迹压缩方法，根据移动方向和速度两方面行为特征变化，例如急转向、急加减速，对轨迹进行压缩，不仅降低了存储代价，而且为检测驾驶人的危险驾驶行为保留了重要特征数据。

如图1所示，本发明实施例提供一种基于移动行为特征的轨迹压缩方法，该实施例是基于南京某农业生产基地市内配送的运行轨迹，包括以下步骤：

步骤1，获取轨迹的采集点，对所述采集点进行预处理；

步骤2，针对预处理后的采集点，判断当前采集点是否为轨迹起点，如果所述当前采集点是轨迹起点，则将所述当前采集点视为特征点并保存，同时将上一特征点赋值为当前采集点的值，跳转执行步骤4；否则分别计算所述当前采集点相对上一采集点和上一特征点的方位角变化量，并计算所述当前采集点相对上一采集点的速度变化率；所述特征点即移动对象在运行过程中方向或速度的变化超过对应阈值的点；

步骤3，计算所述当前采集点分别相对于上一采集点和上一特征点的两个方位角变化量的较大值，如果所述方位角变化量的较大值和速度变化率都小于对应的预设阈值，则将不作处理；否则将所述当前采集点视为特征点并保存，同时将所述上一特征点赋值为当前采集点的值；具体的，本实施例中，所述方位角变化量的最大值max(|Δ_azm(P_i|P_i-1)|，|Δ_azm(P_i|P_j)|)小于预设角度阈值θ₁，且当前的速度变化率a小于预设速度变化阈值θ₂，则将不作处理。其中，P_i表示第i个采集点，P_i-1表示第i-1个采集点。

此外，本实施例中，所述步骤3中的方位角变化量可能为正值也可能为负值，因此，本步骤中计算当前采集点分别相对上一采集点或上一特征点的方位角变化量的绝对值的最大值。

本实施例中，通过所述步骤3，既可以把局部方向变化明显的采集点保留下，又可以把方向缓慢变化达到的累计方向变化的采集点保留下来。

预设角度阈值θ₁的设置根据实际需求而定，推荐设置预设角度阈值θ₁∈[10°，30°]；若预设角度阈值θ₁设置太小，移动行为特征变化不明显的采集点被保存，影响压缩率；若预设角度阈值θ₁设置过大，容易导致丢失重要的轨迹点，压缩后的轨迹失真。

推荐设置预设速度变化阈值θ₂∈[2.5m/s²，4.4m/s²]，根据ECE标准运输车辆最大制动减速度不超过4.4m/s²，同时运输车辆的正常行驶情况下速度变化率一般不超过2.5m/s²。

进一步地，所述步骤3中上一采集点和上一特征点作为辅助参照点，也是本发明中需要的辅助缓存。进一步地，所述的一种基于移动行为特征的轨迹压缩方法，支持实时在线压缩。

步骤4，将所述上一采集点赋值为当前采集点的值，继续对所述当前采集点的下一采集点执行以上所有步骤。

本实施例所述的一种基于移动行为特征的轨迹压缩方法中，所述采集点包含车载终端号和移动行为特征属性，本实施例中，所述移动行为特征属性包括但不限于经度、纬度、方位角、速度和时间戳。

本实施例所述的一种基于移动行为特征的轨迹压缩方法中，所述步骤1包括：

识别并滤除所述采集点中的属性缺失数据、停留点重复数据和位移异常数据；

其中，所述属性缺失数据，指所述移动行为特征属性包含空值字段的数据；所述停留点重复数据，指对同一位置信息重复采集的数据；所述位移异常数据，指经纬度产生GPS定位漂移的轨迹点数据。

本实施例所述的一种基于移动行为特征的轨迹压缩方法中，所述步骤1中对停留点重复数据的识别包括：

步骤1-1，根据采集点的速度字段为零的连续次数判断采集点是否为停留点；

步骤1-2，若所述采集点的速度字段为零的连续次数大于或等于预设连续阈值，则将所述采集点视为停留点并滤除；本实施例中，所述预设连续阈值的推荐值为5，不建议取值为2或10以上。如果所述预设连续阈值为2，则容易丢失急减速情况的特征点；如果所述预设连续阈值为10以上，则需要通过步骤2和步骤3进行计算滤除，进而导致计算量的增加。

步骤1-3，若所述采集点的速度字段为零的连续次数小于预设连续阈值，则结束所述对停留点重复数据的识别。

本实施例所述的一种基于移动行为特征的轨迹压缩方法中，所述步骤1中对位移异常数据的识别和滤除包括：

步骤1-4，判断所述当前采集点是否为轨迹起点；

步骤1-5，若所述当前采集点是轨迹起点，则结束对所述位移异常数据的识别；

步骤1-6，若所述当前采集点不是轨迹起点，则根据所述当前采集点和上一采集点的平均速度和时间差估算位移距离d_i：

其中，v_i为当前采集点的速度、v_i-1为上一采集点的速度，Δt为当前采集点与上一采集点的时间差；

步骤1-7，计算所述当前采集点和上一采集点的经纬度距离d′_i：

d′_i＝R*Arccos[cosβ_i-1*cosβ_i*cos(α_i-1-α_i)+sinβ_i-1*sinβ_i]

其中，α_i-1为上一采集点P_i-1的经度，β_i-1为上一采集点P_i-1的纬度，α_i为当前采集点P_i的经度，β_i为当前采集点P_i的纬度，R为地球半径；所述上一采集点即第i-1个采集点P_i-1，所述当前采集点即第i个采集点；

步骤1-8，结合所述位移距离d_i和经纬度距离d′_i，根据以下公式，计算所述当前采集点P_i的位移比例系数k_i：

k_i＝d′_i/d_i

如果所述位移比例系数k_i大于或等于预设系数阈值，则将所述当前采集点视为位移异常点并丢弃；

如果所述位移比例系数k_i小于预设系数阈值，则结束对所述位移异常数据的识别。

具体的，本实施例中，所述步骤1中获取的采集点，若为第一次采集上传的点，则不进行预处理。系数阈值取正整数，建议取值范围为[10，20]。

例如，车辆在城市道路限速为50km/h(或13.9m/s)，公路为70km/h(或19.4m/s)，假设v_i-1＝0，v_i＝19.4，相邻采集点的时间间隔通常取值为[1，10]秒，假设当前采集点与上一采集点的时间差Δt＝5，那么位移距离d_i＝97。

当所述系数阈值为10时，则当前采集的点与上一采集点计算的经纬度距离大于970m，则当前采集点被视为异常点。普通的定位设备的定位精度通常为几米甚至几十米。如果系数阈值设置过小，例如系数阈值取为2，容易导致由于定位设备自身精度误差造成的测量点丢失；而阈值设置过大，不能充分发挥过滤异常点的作用。

本实施例所述的一种基于移动行为特征的轨迹压缩方法中，所述步骤2包括：

步骤2-1，判断所述当前采集点是否为轨迹起点；具体的，本实施例中，根据当前采集点所在的车载终端是否为上电后上传的第一个轨迹点，若是，则将所述当前采集点视为轨迹起点。

步骤2-2，若所述当前采集点是轨迹起点，则将所述当前采集点视为特征点，并将上一特征点赋值为所述当前采集点的值，跳转执行所述步骤4；

步骤2-3，若所述当前采集点不是轨迹起点，计算相邻采集点的方位角变化量，即所述当前采集点相对于上一采集点的方位角变化量，所述当前采集点相对于上一采集点的方位角变化量用于表示轨迹方向的局部变化；

步骤2-4，计算所述当前采集点相对于上一特征点的方位角变化量，所述当前采集点相对于上一特征点的方位角变化量用于表示轨迹方向的累积变化；

步骤2-5，计算所述当前采集点相对于上一采集点的速度变化率。

本实施例所述的一种基于移动行为特征的轨迹压缩方法中，所述步骤2-3包括计算相邻采集点的方位角变化量：

根据以下公式，计算轨迹上的相邻采集点的方位角变化量，即第i个采集点P_i相对于第i-1个采集点P_i-1的方位角变化量：

其中，azm(P_i)为当前采集点的方位角，即第i个采集点P_i的方位角，azm(P_i-1)为上一采集点的方位角，即第i-1个采集点P_i-1的方位角；以采集点作为定位点时，定位点的方位角即从定位点指北方向起，沿着顺时针旋转至行驶方向所旋转的角度，方位角的取值范围为[0°，360°)，指北方向为0°。

具体的，本实施例中，当第i个采集点P_i相对于第i-1个采集点P_i-1的方位角变化量Δ_azm(P_i|P_i-1)＞0时，表明第i个采集点P_i的行驶方向相对第i-1个采集点P_i-1产生了顺时针的变化，变化的角度大小为Δ_azm(P_i|P_i-1)；

当第i个采集点P_i相对于第i-1个采集点P_i-1的方位角变化量Δ_azm(P_i|P_i-1)＜0时，表明第i个采集点P_i的行驶方向相对第i-1个采集点P_i-1产生了逆时针的变化，变化的角度大小为-Δ_azm(P_i|P_i-1)；

当第i个采集点P_i相对于第i-1个采集点P_i-1的方位角变化量Δ_azm(P_i|P_i-1)＝0时，表明第i个采集点P_i的行驶方向与第i-1个采集点P_i-1相同。

本实施例所述的一种基于移动行为特征的轨迹压缩方法中，所述步骤2-4包括计算当前采集点相对于上一特征点的方位角变化量：

轨迹上的点P_i、P_i+1、...、点P_k中，假设第i个采集点P_i是上一特征点，将第k个采集点P_k作为当前采集点，所述第k个采集点P_k相对于第i个采集点P_i的方位角变化量，即当前采集点相对于上一特征点的方位角变化量的表示公式如下：

其中，P_j为第j个采集点，P_j-1为第j-1个采集点，即第j个采集点P_j的上一采集点，j的取值范围为[i+1，k]。

由以上公式可知，当前点相对上一特征点的方位角变化量代表的是当前点相对上一特征点的累积方向变化。点P_i、P_i+1、...、P_k-1、P_k，假设相邻点方位角变化量均小于等于180，即|azm(P_j)-azm(P_j-1)|≤180(i+1≤j≤k)，则：

Δ_azm(P_k|P_i)＝azm(P_k)-azm(P_i)

＝azm(P_k)-azm(P_k-1)+(azm(P_k-1)-azm(P_i))

＝Δ_azm(P_k|P_k-1)+(azm(P_k-1)-azm(P_k-2)+azm(P_k-2)-azm(P_i))，

依此类推，可以得到

同理可得相邻点方位角变化量大于180或小于-180的情况。

本实施例所述的一种基于移动行为特征的轨迹压缩方法中，所述步骤2-5包括：

根据以下公式，计算所述当前采集点相对上一采集点的速度变化率a：

其中，v_i为当前采集点的车速，v_i-1为上一采集点的车速，t_i为当前采集点的采集时刻，t_i-1为上一采集点的采集时刻。

具体的，本实施例中，由所述步骤2-3和步骤2-4可知，该压缩方法不仅计算相邻点方向变化还计算方向的累积变化，这样可以准确捕获到方向发生明显变化的特征点，同时也避免丢失方向发生持续缓慢变化的特征点。而所述步骤2-5表示在急加速、急减速、急转向等情景下单位速度发生很大变化时的采集点会视为特征点，将采集的行驶状态信息保留下来。

具体的，本实施例中，用于计算所述方位角变化量和速度变化率的数据均来自同一车载终端。每辆车会按照时间序列采集数据，多车辆是存在同时采集数据后上传的场景。采集好的信息和采集的车载终端号作为一个消息体上传，因此根据车载终端号可以判断是属于哪一个车辆的采集点。这样即使有多辆车同时采集，也不会出现混乱。本实施例中，每个所述车辆对应一个车载终端。

本实施例中，如图2所示，即使车辆在点E、D、E、F保持缓慢方向变化，通过计算当前采集点与上一特征点的方向累计变化，也能把超过方向阈值变化的特征点捕获到，从而保证压缩后仍能保持运行轨迹的基本形状。

计算相邻采集点的速度变化率，从而避免某瞬间速度变化超过阈值的特征点丢失。

通过以上方向和速度两方面的行为特征计算，对车辆运输轨迹进行压缩，可以有效的保留车辆的移动行为特征信息。

本实施例所述的一种基于移动行为特征的轨迹压缩方法中，所述步骤2，包括：

计算所述当前采集点与上一采集点的方位角变化量，得到车辆行驶方向的局部变化；

计算所述当前采集点与上一特征点的方位角变化量，得到车辆距离上一特征点位置行驶方向的累计变化。

本发明的压缩方法使用Java编程语言实现，使用的JDK版本为jdk1.8.0_102。实验的硬件平台为Intel Core i7@3.6GHz CPU和和8GB RAM的台式机，操作系统为64位Window7系统。图3是本发明实验的原始轨迹，图4a和图4b是本发明选取激进型和适中型两种驾驶风格的司机在同一运行轨迹上的压缩对比图。激进型是指油门、刹车开度大，方向盘控制不稳定，驾驶行为表现较为激进；适中型是指油门、刹车开度适中，访问盘控制稳定，驾驶行为表现稳妥、平顺。图4a中的压缩率是指激进型和适中型两名配送司机于2020年6月期间在同一配送路线上同一运输车辆的所有运行轨迹压缩率的平均值，同理运行时间也是对应的压缩方法运行时间的平均值。由图4b的实验结果可以看出，适中型驾驶风格的运行轨迹压缩率达到81.7％，激进型驾驶风格的运行轨迹压缩率达到72.3％，运行时间都是几毫秒，计算效率高。实验结果也表明压缩率会随移动行为特征的不同而不同，这为驾驶行为评估、安全驾驶等挖掘应用提供重要的行为特征数据。

由以上技术方案可知，本发明实施例提供一种基于移动行为特征的轨迹压缩方法，包括：步骤1，获取轨迹的采集点，对所述采集点进行预处理；步骤2，针对预处理后的采集点，判断当前采集点是否为轨迹起点，如果所述当前采集点是轨迹起点，则将所述当前采集点视为特征点并保存，同时将上一特征点赋值为当前采集点的值，跳转执行步骤4；否则分别计算所述当前采集点相对上一采集点和上一特征点的方位角变化量，并计算所述当前采集点相对上一采集点的速度变化率；所述特征点即移动对象在运行过程中方向或速度的变化超过对应阈值的点；步骤3，计算所述当前采集点分别相对于上一采集点和上一特征点的两个方位角变化量的较大值，如果所述方位角变化量的较大值和速度变化率都小于对应的预设阈值，则将不作处理；否则将所述当前采集点视为特征点并保存，同时将所述上一特征点赋值为当前采集点的值；步骤4，将所述上一采集点赋值为当前采集点的值，继续对所述当前采集点的下一采集点执行以上所有步骤。

现有的轨迹压缩方法大多从位置距离或路网匹配角度关注移动物体的轨迹跟踪和展示，却很容易丢失轨迹的重要属性信息例如速度和方向，进而无法对轨迹数据进行准确地挖掘分析。而采用本发明所提供的一种基于移动行为特征的轨迹压缩方法，本发明从移动物体的行为特征角度出发，实现轨迹数据的过滤和在线压缩，保留移动物体的重要行为特征数据，从而为评估和监管驾驶行为等应用提供高质量数据。具体的，本发明不仅计算轨迹相邻点方向变化还计算方向的累积变化，这样既可以准确捕获到方向发生明显变化的特征点，又避免丢失方向发生持续缓慢变化的特征点。同时对于急加速、急减速、急转向等情景下单位速度发生很大变化时的采集点会将其视为特征点，将采集的行驶状态信息保留下来。

具体的，本发明能够取得以下有益效果：

1.该方法首次过滤待压缩的数据，过滤属性缺失数据、停留点重复数据和位移数据，以此剔除无效的干扰数据；

2.该压缩方法支持实时在线压缩，具有线性时间复杂度，且辅助缓存少。

3.从移动对象的行为特征角度，对轨迹进行压缩，不仅降低了存储代价，还为为驾驶风险估、安全驾驶等挖掘应用提供重要的行为特征数据。

具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的一种基于移动行为特征的轨迹压缩方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，ROM)或随机存储记忆体(random access memory，RAM)等。

本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中各个实施例之间相同相似的部分互相参见即可。以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (10)

1.一种基于移动行为特征的轨迹压缩方法，其特征在于，包括以下步骤：

步骤1，获取轨迹的采集点，对所述采集点进行预处理；

步骤2，针对预处理后的采集点，判断当前采集点是否为轨迹起点，如果所述当前采集点是轨迹起点，则将所述当前采集点视为特征点并保存，同时将上一特征点赋值为当前采集点的值，跳转执行步骤4；否则分别计算所述当前采集点相对上一采集点和上一特征点的方位角变化量，并计算所述当前采集点相对上一采集点的速度变化率；所述特征点即移动对象在运行过程中方向或速度的变化超过对应阈值的点；

步骤3，计算所述当前采集点分别相对于上一采集点和上一特征点的两个方位角变化量的较大值，如果所述方位角变化量的较大值和速度变化率都小于对应的预设阈值，则将不作处理；否则将所述当前采集点视为特征点并保存，同时将所述上一特征点赋值为当前采集点的值；

步骤4，将所述上一采集点赋值为当前采集点的值，继续对所述当前采集点的下一采集点执行以上所有步骤。

2.根据权利要求1所述的一种基于移动行为特征的轨迹压缩方法，其特征在于，所述采集点包含车载终端号和移动行为特征属性，所述移动行为特征属性包括经度、纬度、方位角、速度和时间戳。

3.根据权利要求1所述的一种基于移动行为特征的轨迹压缩方法，其特征在于，所述步骤1包括：

识别并滤除所述采集点中的属性缺失数据、停留点重复数据和位移异常数据；

其中，所述属性缺失数据，指所述移动行为特征属性包含空值字段的数据；所述停留点重复数据，指对同一位置信息重复采集的数据；所述位移异常数据，指经纬度产生GPS定位漂移的轨迹点数据。

4.根据权利要求3所述的一种基于移动行为特征的轨迹压缩方法，其特征在于，所述步骤1中对停留点重复数据的识别包括：

步骤1-1，根据采集点的速度字段为零的连续次数判断采集点是否为停留点；

步骤1-2，若所述采集点的速度字段为零的连续次数大于或等于预设连续阈值，则将所述采集点视为停留点并滤除；

步骤1-3，若所述采集点的速度字段为零的连续次数小于预设连续阈值，则结束所述对停留点重复数据的识别。

5.根据权利要求3所述的一种基于移动行为特征的轨迹压缩方法，其特征在于，所述步骤1中对位移异常数据的识别和滤除包括：

步骤1-4，判断所述当前采集点是否为轨迹起点；

步骤1-5，若所述当前采集点是轨迹起点，则结束对所述位移异常数据的识别；

步骤1-6，若所述当前采集点不是轨迹起点，则根据所述当前采集点和上一采集点的平均速度和时间差估算位移距离d_i：

其中，v_i为当前采集点的速度、v_i-1为上一采集点的速度，Δt为当前采集点与上一采集点的时间差；

步骤1-7，计算所述当前采集点和上一采集点的经纬度距离d′_i：

d′_i＝R*Arccos[cosβ_i-1*cosβ_i*cos(α_i-1-α_i)+sinβ_i-1*sinβ_i]

其中，α_i-1为上一采集点P_i-1的经度，β_i-1为上一采集点P_i-1的纬度，α_i为当前采集点P_i的经度，β_i为当前采集点P_i的纬度，R为地球半径；所述上一采集点即第i-1个采集点P_i-1，所述当前采集点即第i个采集点；

步骤1-8，结合所述位移距离d_i和经纬度距离d′_i，根据以下公式，计算所述当前采集点P_i的位移比例系数k_i：

k_i＝d′_i/d_i

如果所述位移比例系数k_i大于或等于预设系数阈值，则将所述当前采集点视为位移异常点并丢弃；

如果所述位移比例系数k_i小于预设系数阈值，则结束对所述位移异常数据的识别。

6.根据权利要求1所述的一种基于移动行为特征的轨迹压缩方法，其特征在于，所述步骤2包括：

步骤2-1，判断所述当前采集点是否为轨迹起点；

步骤2-2，若所述当前采集点是轨迹起点，则将所述当前采集点视为特征点，并将上一特征点赋值为所述当前采集点的值，跳转执行所述步骤4；

步骤2-3，若所述当前采集点不是轨迹起点，计算相邻采集点的方位角变化量，即所述当前采集点相对于上一采集点的方位角变化量，所述当前采集点相对于上一采集点的方位角变化量用于表示轨迹方向的局部变化；

步骤2-4，计算所述当前采集点相对于上一特征点的方位角变化量，所述当前采集点相对于上一特征点的方位角变化量用于表示轨迹方向的累积变化；

步骤2-5，计算所述当前采集点相对于上一采集点的速度变化率。

7.根据权利要求6所述的一种基于移动行为特征的轨迹压缩方法，其特征在于，所述步骤2-3包括计算相邻采集点的方位角变化量：

根据以下公式，计算轨迹上的相邻采集点的方位角变化量，即第i个采集点P_i相对于第i-1个采集点P_i-1的方位角变化量：

其中，azm(P_i)为当前采集点的方位角，即第i个采集点P_i的方位角，azm(P_i-1)为上一采集点的方位角，即第i-1个采集点P_i-1的方位角；以采集点作为定位点时，定位点的方位角即从定位点指北方向起，沿着顺时针旋转至行驶方向所旋转的角度，方位角的取值范围为[0°，360°)，指北方向为0°。

8.根据权利要求6所述的一种基于移动行为特征的轨迹压缩方法，其特征在于，所述步骤2-4包括计算当前采集点相对于上一特征点的方位角变化量：

轨迹上的点P_i、P_i+1、...、点P_k中，假设第i个采集点P_i是上一特征点，将第k个采集点P_k作为当前采集点，所述第k个采集点P_k相对于第i个采集点P_i的方位角变化量，即当前采集点相对于上一特征点的方位角变化量的表示公式如下：

其中，P_j为第j个采集点，P_j-1为第j-1个采集点，即第j个采集点P_j的上一采集点，j的取值范围为[i+1，k]。

9.根据权利要求6所述的一种基于移动行为特征的轨迹压缩方法，其特征在于，所述步骤2-5包括：

根据以下公式，计算所述当前采集点相对上一采集点的速度变化率a：

其中，v_i为当前采集点的车速，v_i-1为上一采集点的车速，t_i为当前采集点的采集时刻，t_i-1为上一采集点的采集时刻。

10.根据权利要求6所述的一种基于移动行为特征的轨迹压缩方法，其特征在于，所述步骤2，包括：

计算所述当前采集点与上一采集点的方位角变化量，得到车辆行驶方向的局部变化；

计算所述当前采集点与上一特征点的方位角变化量，得到车辆距离上一特征点位置行驶方向的累计变化。

Images