CN112801131A - 一种基于密度聚类的语义轨迹匿名区域构建方法 - Google Patents
一种基于密度聚类的语义轨迹匿名区域构建方法 Download PDFInfo
- Publication number
- CN112801131A CN112801131A CN202011498909.6A CN202011498909A CN112801131A CN 112801131 A CN112801131 A CN 112801131A CN 202011498909 A CN202011498909 A CN 202011498909A CN 112801131 A CN112801131 A CN 112801131A
- Authority
- CN
- China
- Prior art keywords
- track
- semantic
- user
- anonymous
- vehicle
- 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.)
- Pending
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
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明将车辆轨迹聚类与轨迹数据的隐私保护结合起来,建立了一种基于密度聚类的语义轨迹匿名区域构建方法;首先根据改进的DBSCAN算法得到车辆轨迹密度大小,根据车辆轨迹密度大小选择相应的构建匿名区域的技术方法;对于车辆轨迹密度小于给定阈值α的轨迹集,对该轨迹集直接进行泛化处理,泛化处理后的轨迹集所在的区域就构成了匿名区域;对于车辆轨迹密度大于等于给定阈值α和轨迹间语义相似性大于等于给定阈值β的轨迹集,在该轨迹集基础上构建维诺图单元模型,选取相应的匿名集用户后,进一步构建匿名区域。本方法能够提高匿名区域构建的精度范围,减少轨迹信息失真率,有效保护用户的隐私。
Description
技术领域
本发明涉及车辆轨迹数据挖掘及隐私保护领域,具体为一种基于密度聚类的语义轨迹匿名区域构建方法。
背景技术
随着大数据技术的广泛应用,可以收集到的轨迹数据越来越丰富。通过对车辆轨迹数据进行聚类分析,可以为用户提供个性化服务。现有的轨迹分析方法大多采用聚类的方式,分析轨迹数据间的相似性和差异性来挖掘移动对象的运动规律,从而为用户提供相应的基于位置的服务。但值得注意的是,用户在享受位置服务的同时,还要承担隐私泄露的风险,因此,相应的位置隐私保护法应运而生。现有的基于位置的隐私保护方法主要有空间匿名法、加密法、假位置法等,其中,空间匿名法中构建匿名区域法是目前轨迹隐私保护领域中的一个主流技术。然而,现有的构建匿名区域的方法虽然可以有效地保护用户的隐私,但存在匿名区域构建范围精度低、轨迹信息失真等问题。在构建匿名区域过程中,匿名区域面积过大会消耗查询时间,降低数据准确性;匿名区域面积过小可能又达不到隐私保护的效果。因此,面对丰富的语义轨迹信息,如何高效地构建语义轨迹匿名区域是目前亟需解决的问题。
发明内容
针对现有技术中存在的问题,本发明提供一种基于密度聚类的语义轨迹匿名区域构建方法,能够高效构建语义轨迹匿名区域,提高匿名区域的精度范围,有效地保护用户的隐私。
为达到上述目的,本发明采用如下技术方案:
一种基于密度聚类的语义轨迹匿名区域构建方法,具体包括以下步骤:
步骤1)、轨迹数据预处理:将从车载传感器设备获得到的最原始的车辆轨迹数据进行降维处理;
步骤2)、使用改进的DBSCAN算法获取车辆轨迹密度,创建用户集N,计算用户集N中的轨迹点总数,得到车辆轨迹密度;
步骤3)、创建用户集N,计算用户集N中的轨迹间语义相似性,将语义相似性大于等于阈值β的轨迹点视为符合隐私保护要求的语义相似性轨迹点;
步骤4)、比较车辆轨迹密度大小,选择合适的匿名区域构建方式;
步骤5)、根据车辆密度大小和轨迹语义相似性大小的比较结果,构建得到相应的匿名区域。
进一步的,从车载传感器设备获得最原始的车辆轨迹数据,提取轨迹中的时空序列,包括车辆的经度和纬度信息、车辆的行驶速度和方向信息,移除其中的异常数据,得到原始轨迹集;然后获取轨迹语义信息,得到语义轨迹数据;之后对得到的语义轨迹数据进行降维处理。
进一步的,语义轨迹是指在原始轨迹的基础上,加上该轨迹的语义信息。包括车辆轨迹密度、车辆周围敏感建筑物数、车辆所处道路信息以及用户自定义语义信息等。
进一步的,通过高斯投影坐标转换工具将语义轨迹中的经纬度坐标转化为大地极坐标,从而完成高斯投影。
进一步的,步骤2)中具体包括以下步骤:
2.1创建用户集N;
2.1.1当用户Ui请求当前位置时,首先以用户Ui的当前轨迹点为中心,计算Ui当前轨迹点的Ep邻域。Ep邻域在本文中指用户Ui一定半径内的区域;
2.1.2 Ep邻域计算方式如下:
其中,μ表示平均值,σ表示标准差,q表示用户Ui当前语义轨迹点数与轨迹中的总点数之比,q∈[0,1],erf-1(x)表示误差函数。
2.1.3将符合用户Ui的Ep邻域范围内的语义轨迹添加到用户集N中;
2.2根据步骤2.1.3得到以用户Ui为中心的用户集N,去除其中的异常离群点,计算用户集N中的轨迹总点数,得到车辆轨迹密度。
进一步的,步骤3)中具体步骤包括:计算用户集N中的轨迹点与用户Ui轨迹点之间的语义相似性;
轨迹语义相似性计算方式如下:
其中,z表示比较的语义内容,sem(A)和sem(B)表示轨迹向量A和轨迹向量B的语义值,||Sem(A)||和||Sem(B)||表示轨迹向量A和轨迹向量B语义值的范数。取值越接近1,表示A和B两个轨迹向量的语义相似度越高;取值越接近0,表示A和B两个轨迹向量的语义相似度越低。
进一步的,将语义相似性大于等于阈值β的轨迹点视为符合轨迹隐私保护要求的语义相似性轨迹点;将语义相似性小于阈值β的轨迹点视为不符合轨迹隐私保护要求的语义相似性轨迹点。
进一步的,步骤4)中如果得到的用户Ui附近的车辆轨迹密度大于等于阈值α,则进行以下步骤:
4.2.1提取步骤2.1.3得到的用户集N中每条轨迹的用户Uk,k=(0,1,...i,...n),即上述原始轨迹定义中轨迹向量Pi中的分量Ui,构成一个离散点集合UT=(U1,U2,...Ut),t为集合UT中用户的个数;
4.2.2将集合UT中的每个点与其周围的n-1个点做连线,对每一条连线做中垂线,得到以用户Uk为基点的用户集维诺图单元模型。
进一步的,步骤4)中如果得到的用户Ui附近的车辆轨迹密度小阈值α,则对用户Ui轨迹的语义信息进行泛化处理,具体包括以下步骤:
4.3.1对用户Ui的原始轨迹中的车辆标识以及它的语义轨迹序列进行泛化处理;
4.3.2将泛化处理过的Ep邻域内的用户Uk,k=(0,1,..i,...n),所在的区域构成匿名区域。
进一步的,步骤5)中选取匿名集用户,构建语义匿名区域,具体包括以下步骤:
5.1根据步骤4.2生成的用户集维诺图单元模型作为初始查找范围,在起点用户Ui周围进行广度优先搜索;
5.1.1结合步骤3,计算轨迹语义相似性,找到符合与用户Ui的轨迹语义相似性大于等于阈值β的用户Uj;若得到的用户Uj轨迹与用户Ui轨迹语义相似度小于阈值β,则返回步骤3;
5.1.2计算用户Ui轨迹与每个符合语义相似性的用户Uj轨迹之间的距离,生成匿名区域;
5.2得到以用户Ui当前位置为中心点的语义轨迹匿名区域。
进一步的,维诺图单元模型是由一组用直线连接相邻两个用户Up,Uq,p,q∈[0,n]的垂直平分线组成的连续多边形组成。
进一步的,泛化处理是指将不同的用户轨迹数据进行归一化表示,即对于车辆轨迹密度小于阈值α的用户集的属性值进行归一化处理,使得攻击者无法区分用户的真实位置。
进一步的,匿名区域是指通过隐私保护方法将用户的真实轨迹区域转换为匿名区域,从而最大限度抵御攻击者的攻击。
与现有技术相比,本发明具有以下有益的技术效果:
本发明将车辆轨迹聚类与轨迹数据的隐私保护结合起来,建立了一种基于密度聚类的语义轨迹匿名区域构建方法;首先根据改进的DBSCAN算法得到车辆轨迹密度大小,根据车辆轨迹密度大小选择相应的构建匿名区域的技术方法;对于车辆轨迹密度小于给定阈值α的轨迹集,对该轨迹集直接进行泛化处理,泛化处理后的轨迹集所在的区域就构成了匿名区域;对于车辆轨迹密度大于等于给定阈值α和轨迹间语义相似性大于等于给定阈值β的轨迹集,在该轨迹集基础上构建维诺图单元模型,选取相应的匿名集用户后,进一步构建匿名区域,继而实现高效地进行匿名区域的构建。
附图说明
图1为本发明实例中所述方法的流程图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1所示,本发明一种基于密度聚类的语义轨迹匿名区域构建方法具体包括如下步骤:
本发明一种基于密度聚类的语义轨迹匿名区域构建方法,涉及以下定义:
用户:在本实施例中,每个车辆视为一个用户,第i辆车即为第i个用户,用Ui表示。
原始轨迹:由一定时间间隔内的时空采样点的集合组成的单条轨迹,定义为tr={P1,P2,...,Pm},其中,Pi=(Ui,xi,yi,vi,diri,ti),i∈[0,m],m为轨迹tr中点的个数,Pi表示第i个轨迹点在ti时刻的位置为xi,yi),在ti时刻的速度和方向为vi,diri),Ui表示第i个车辆的身份标识,即用户Ui。
原始轨迹集:记为D={tr1,tr2,...,trn},tri,i∈[0,n],表示原始轨迹集D中的第i条原始轨迹,n为集合中原始轨迹的条数。
语义轨迹:在原始轨迹的基础上,加上该轨迹的语义信息。包括辆轨迹密度、车辆周围敏感建筑物数、车辆所处道路信息以及用户自定义语义信息等。记为Strj={trj,Semk},k∈[0,n],Strj表示第j条携带语义信息的轨迹,Semk表示语义轨迹Strj上的k个语义条目。
语义轨迹集:记为Ds={Str1,Str2,...,Strs},Ds表示由语义轨迹组成的集合,s为集合中语义轨迹的条数。
匿名区域:通过隐私保护方法将用户的真实轨迹区域转换为匿名区域,从而最大限度抵御攻击者的攻击。
步骤1,轨迹数据预处理;
1.1从车载传感器设备获得最原始的车辆轨迹数据,提取轨迹中的时空序列,包括车辆的经度和纬度信息、车辆的行驶速度和方向信息,移除其中的异常数据,得到原始轨迹集。
1.2获取轨迹数据的语义信息,得到语义轨迹集;
1.3采用高斯投影对语义轨迹数据进行降维处理;
步骤2,使用改进的DBSCAN算法获取车辆轨迹密度;
2.1创建用户集N;
2.1.1当用户Ui请求当前位置时,首先以用户Ui的当前轨迹点为中心,计算Ui当前轨迹点的Ep邻域。Ep邻域在本文中指用户Ui一定半径内的区域;
2.1.2在本实施例中,Ep邻域计算方式如下:
其中,μ表示平均值,σ表示标准差,q表示用户Ui当前语义轨迹点数与轨迹中的总点数之比,q∈[0,1],erf-1(x)表示误差函数。
2.1.3将符合用户Ui的Ep邻域范围内的语义轨迹添加到用户集N中;
2.2根据步骤2.1.3得到以用户Ui为中心的用户集N,去除其中的异常离群点,计算用户集N中的轨迹总点数,得到车辆轨迹密度;
步骤3,计算轨迹间语义相似性;
根据步骤2.1.3得到的用户集N,计算用户集N中的轨迹点与用户Ui轨迹点之间的语义相似性;
轨迹语义相似性计算方式如下:
其中,z表示比较的语义内容,sem(A)和sem(B)表示轨迹向量A和轨迹向量B的语义值,||Sem(A)||和||Sem(B)||表示轨迹向量A和轨迹向量B语义值的范数。取值越接近1,表示A和B两个轨迹向量的语义相似度越高;取值越接近0,表示A和B两个轨迹向量的语义相似度越低。在本实施例中,将语义相似性大于等于阈值β的轨迹点视为符合隐私保护要求的语义相似性轨迹点;将语义相似性小于阈值β的轨迹点视为不符合隐私保护要求的语义相似性轨迹点。
步骤4,比较车辆轨迹密度大小;
4.1将步骤2得到的车辆轨迹密度与设定的轨迹密度阈值α作比较;
4.2如果得到的用户Ui附近的车辆轨迹密度大于等于阈值α,构建用户集维诺图单元模型;
4.2.1提取步骤2.1.3得到的用户集N中每条轨迹的用户Uk,k=(0,1,...i,...n),即上述原始轨迹定义中轨迹向量Pi中的分量Ui,构成一个离散点集合UT=(U1,U2,...Ut),t为集合UT中用户的个数;
4.2.2将集合UT中的每个点与其周围的n-1个点做连线,对每一条连线做中垂线,得到以用户Uk为基点的用户集维诺图单元模型;在本实施例中,维诺图单元模型是由一组用直线连接相邻两个用户Up,Uq,p,q∈[0,n]的垂直平分线组成的连续多边形组成;
4.3如果得到的用户Ui附近的车辆轨迹密度小于阈值α,对用户Ui轨迹的语义信息进行泛化处理;在本实施例中,泛化处理是指将不同的用户轨迹数据进行归一化表示。即对于车辆轨迹密度小于阈值α的用户集的属性值进行归一化处理,使得攻击者无法区分用户的真实位置;
4.3.1对用户Ui的原始轨迹中的车辆标识以及它的语义轨迹序列进行泛化处理;
4.3.2将泛化处理过的Ep邻域内的用户Uk,k=(0,1,...i,...n),所在的区域构成匿名区域;
步骤5,选取匿名集用户;
5.1根据步骤4.2生成的用户集维诺图单元模型作为初始查找范围,在起点用户Ui周围进行广度优先搜索;
5.1.1结合步骤3,计算轨迹语义相似性,找到符合与用户Ui的轨迹语义相似性大于等于阈值β的用户Uj;若得到的用户Uj轨迹与用户Ui轨迹语义相似度小于阈值β,则返回步骤3;
5.1.2计算用户Ui轨迹与每个符合语义相似性的用户Uj轨迹之间的距离,生成匿名区域;
5.2得到以用户Ui当前位置为中心点的语义轨迹匿名区域。
Claims (13)
1.一种基于密度聚类的语义轨迹匿名区域构建方法,其特征在于,具体包括以下步骤:
步骤1)、轨迹数据预处理:将从车载传感器设备获得到的最原始的车辆轨迹数据进行降维处理;
步骤2)、使用改进的DBSCAN算法获取车辆轨迹密度,创建用户集N,计算用户集N中的轨迹点总数,得到车辆轨迹密度;
步骤3)、创建用户集N,计算用户集N中的轨迹间语义相似性,将语义相似性大于等于阈值β的轨迹点视为符合轨迹隐私保护要求的语义相似性轨迹点;
步骤4)、比较车辆轨迹密度大小,选择合适的匿名区域构建方式;
步骤5)、根据车辆密度大小和轨迹语义相似性大小的比较结果,构建得到相应的匿名区域。
2.根据权利要求1所述的一种基于密度聚类的语义轨迹匿名区域构建方法,其特征在于,从车载传感器设备获得最原始的车辆轨迹数据,提取轨迹中的时空序列,包括车辆的经度和纬度信息、车辆的行驶速度和方向信息,移除其中的异常数据,得到原始轨迹集;然后获取轨迹语义信息,得到语义轨迹数据;之后对得到的语义轨迹数据进行降维处理。
3.根据权利要求2所述的一种基于密度聚类的语义轨迹匿名区域构建方法,其特征在于,语义轨迹是指在原始轨迹的基础上,加上该轨迹的语义信息。包括车辆轨迹密度、车辆周围敏感建筑物数、车辆所处道路信息以及用户自定义语义信息等。
4.根据权利要求2所述的一种基于密度聚类的语义轨迹匿名区域构建方法,其特征在于,通过高斯投影坐标转换工具将语义轨迹中的经纬度坐标转化为大地极坐标,从而完成高斯投影。
5.根据权利要求1所述的一种基于密度聚类的语义轨迹匿名区域构建方法,其特征在于,步骤2)中具体包括以下步骤:
2.1创建用户集N;
2.1.1当用户Ui请求当前位置时,首先以用户Ui的当前轨迹点为中心,计算Ui当前轨迹点的Ep邻域。Ep邻域在本文中指用户Ui一定半径内的区域;
2.1.2 Ep邻域计算方式如下:
其中,μ表示平均值,σ表示标准差,q表示用户Ui当前语义轨迹点数与轨迹中的总点数之比,q∈[0,1],erf-1(x)表示误差函数。
2.1.3将符合用户Ui的Ep邻域范围内的语义轨迹添加到用户集N中;
2.2根据步骤2.1.3得到以用户Ui为中心的用户集N,去除其中的异常离群点,计算用户集N中的轨迹总点数,得到车辆轨迹密度。
7.根据权利要求6所述的一种基于密度聚类的语义轨迹匿名区域构建方法,其特征在于,将语义相似性大于等于阈值β的轨迹点视为符合轨迹隐私保护要求的语义相似性轨迹点。将语义相似性小于阈值β的轨迹点视为不符合轨迹隐私保护要求的语义相似性轨迹点。
8.根据权利要求1所述的一种基于密度聚类的语义轨迹匿名区域构建方法,其特征在于,步骤4)中如果得到的用户Ui附近的车辆轨迹密度大于等于阈值α,则进行以下步骤:
4.2.1提取步骤2.1.3得到的用户集N中每条轨迹的用户Uk,k=(0,1,...i,...n),即上述原始轨迹定义中轨迹向量Pi中的分量Ui,构成一个离散点集合UT=(U1,U2,...Ut),t为集合UT中用户的个数;
4.2.2将集合UT中的每个点与其周围的n-1个点做连线,对每一条连线做中垂线,得到以用户Uk为基点的用户集维诺图单元模型。
9.根据权利要求1所述的一种基于密度聚类的语义轨迹匿名区域构建方法,其特征在于,步骤4)中如果得到的用户Ui附近的车辆轨迹密度小阈值α,则对用户Ui轨迹的语义信息进行泛化处理,具体包括以下步骤:
4.3.1对用户Ui的原始轨迹中的车辆标识以及它的语义轨迹序列进行泛化处理;
4.3.2将泛化处理过的Ep邻域内的用户Uk,k=(0,1,...i,...n),所在的区域构成匿名区域。
10.根据权利要求1所述的一种基于密度聚类的语义轨迹匿名区域构建方法,其特征在于,步骤5)中选取匿名集用户,构建语义匿名区域,具体包括以下步骤:
5.1根据步骤4.2生成的用户集维诺图单元模型作为初始查找范围,在起点用户Ui周围进行广度优先搜索;
5.1.1结合步骤3,计算轨迹语义相似性,找到符合与用户Ui的轨迹语义相似性大于等于阈值β的用户Uj;若得到的用户Uj轨迹与用户Ui轨迹语义相似度小于阈值β,则返回步骤3;
5.1.2计算用户Ui轨迹与每个符合语义相似性的用户Uj轨迹之间的距离,生成匿名区域;
5.2得到以用户Ui当前位置为中心点的语义轨迹匿名区域。
11.根据权利要求8所述的一种基于密度聚类的语义轨迹匿名区域构建方法,其特征在于,维诺图单元模型是由一组用直线连接相邻两个用户Up,Uq,p,q∈[0,n]的垂直平分线组成的连续多边形组成。
12.根据权利要求8所述的一种基于密度聚类的语义轨迹匿名区域构建方法,其特征在于,泛化处理是指将不同的用户轨迹数据进行归一化表示,即对于车辆轨迹密度小于阈值α的用户集的属性值进行归一化处理,使得攻击者无法区分用户的真实位置。
13.根据权利要求1所述的一种基于密度聚类的语义轨迹匿名区域构建方法,其特征在于,匿名区域是指通过隐私保护方法将用户的真实轨迹区域转换为匿名区域,从而最大限度抵御攻击者的攻击。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011498909.6A CN112801131A (zh) | 2020-12-17 | 2020-12-17 | 一种基于密度聚类的语义轨迹匿名区域构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011498909.6A CN112801131A (zh) | 2020-12-17 | 2020-12-17 | 一种基于密度聚类的语义轨迹匿名区域构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112801131A true CN112801131A (zh) | 2021-05-14 |
Family
ID=75806923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011498909.6A Pending CN112801131A (zh) | 2020-12-17 | 2020-12-17 | 一种基于密度聚类的语义轨迹匿名区域构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801131A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113949988A (zh) * | 2021-09-29 | 2022-01-18 | 卓尔智联(武汉)研究院有限公司 | 一种位置保护方法和系统,及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016145595A1 (en) * | 2015-03-16 | 2016-09-22 | Nokia Technologies Oy | Method and apparatus for discovering social ties based on cloaked trajectories |
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 |
US20200019815A1 (en) * | 2018-07-16 | 2020-01-16 | Here Global B.V. | Clustering for k-anonymity in location trajectory data |
CN111259444A (zh) * | 2020-01-16 | 2020-06-09 | 长安大学 | 一种融合隐私保护的轨迹数据标签聚类方法 |
-
2020
- 2020-12-17 CN CN202011498909.6A patent/CN112801131A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016145595A1 (en) * | 2015-03-16 | 2016-09-22 | Nokia Technologies Oy | Method and apparatus for discovering social ties based on cloaked trajectories |
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 |
US20200019815A1 (en) * | 2018-07-16 | 2020-01-16 | Here Global B.V. | Clustering for k-anonymity in location trajectory data |
CN111259444A (zh) * | 2020-01-16 | 2020-06-09 | 长安大学 | 一种融合隐私保护的轨迹数据标签聚类方法 |
Non-Patent Citations (2)
Title |
---|
郭旭东;吴英杰;杨文进;王晓东;: "隐私保护轨迹数据发布的l-差异性算法", 计算机工程与应用, no. 02 * |
霍峥;崔洪雷;贺萍;: "基于语义位置保护的轨迹隐私保护的k-CS算法", 计算机应用, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113949988A (zh) * | 2021-09-29 | 2022-01-18 | 卓尔智联(武汉)研究院有限公司 | 一种位置保护方法和系统,及存储介质 |
CN113949988B (zh) * | 2021-09-29 | 2024-01-05 | 卓尔智联(武汉)研究院有限公司 | 一种位置保护方法和系统,及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105760780B (zh) | 基于路网的轨迹数据隐私保护方法 | |
Gu et al. | Bikemate: Bike riding behavior monitoring with smartphones | |
CN109993212B (zh) | 社交网络图片分享中的位置隐私保护方法、社交网络平台 | |
CN109104696B (zh) | 一种基于差分隐私的移动用户的轨迹隐私保护方法及系统 | |
CN111259444B (zh) | 一种融合隐私保护的轨迹数据标签聚类方法 | |
CN106441316A (zh) | 一种基于历史数据的单点路网匹配方法 | |
CN110956062B (zh) | 轨迹路线生成方法、设备及计算机可读存储介质 | |
Li et al. | A cloaking algorithm based on spatial networks for location privacy | |
CN112801131A (zh) | 一种基于密度聚类的语义轨迹匿名区域构建方法 | |
Gupta | Some issues for location dependent information system query in mobile environment | |
Narain et al. | The perils of user tracking using zero-permission mobile apps | |
CN111797433A (zh) | 一种基于差分隐私的lbs服务隐私保护方法 | |
CN113946867A (zh) | 基于空间影响力的位置隐私保护方法 | |
CN114139198A (zh) | 基于层次k匿名身份替换的人脸生成隐私保护方法 | |
CN111259434B (zh) | 轨迹数据发布中针对个人偏好位置的隐私保护方法 | |
Zhao et al. | A privacy-preserving trajectory publication method based on secure start-points and end-points | |
Pan et al. | Detection of dummy trajectories using convolutional neural networks | |
Wen et al. | Privacy preserving trajectory data publishing with personalized differential privacy | |
WO2021114615A1 (zh) | 行为风险识别的可视化方法、装置、设备及存储介质 | |
Ding et al. | VVS: Fast Similarity Measuring of FoV-Tagged Videos | |
Zhou et al. | Trajectory protection scheme based on fog computing and K-anonymity in IoT | |
Zhang et al. | A Local Differential Privacy Trajectory Protection Method Based on Temporal and Spatial Restrictions for Staying Detection | |
Chen et al. | A differential privacy based (k-ψ)-anonymity method for trajectory data publishing | |
CN111967504B (zh) | 带重要点约束的相似轨迹判断方法 | |
CN111263362B (zh) | 基于密度分布的k-匿名位置隐私保护方法及系统 |
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 |