CN112801131A - 一种基于密度聚类的语义轨迹匿名区域构建方法 - Google Patents

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

一种基于密度聚类的语义轨迹匿名区域构建方法

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U_i请求当前位置时，首先以用户U_i的当前轨迹点为中心，计算U_i当前轨迹点的E_p邻域。E_p邻域在本文中指用户U_i一定半径内的区域；

2.1.2 E_p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U_i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U_i的E_p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U_i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U_i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U_i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U_k，k＝(0，1，...i，...n)，即上述原始轨迹定义中轨迹向量P_i中的分量U_i，构成一个离散点集合U_T＝(U₁，U₂，...U_t)，t为集合U_T中用户的个数；

4.2.2将集合U_T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U_k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U_i附近的车辆轨迹密度小阈值α，则对用户U_i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U_i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E_p邻域内的用户U_k，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U_i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U_i的轨迹语义相似性大于等于阈值β的用户U_j；若得到的用户U_j轨迹与用户U_i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U_i轨迹与每个符合语义相似性的用户U_j轨迹之间的距离，生成匿名区域；

5.2得到以用户U_i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U_p，U_q，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U_i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，...，P_m}，其中，P_i＝(U_i，x_i，y_i，v_i，dir_i，t_i)，i∈[0，m]，m为轨迹tr中点的个数，P_i表示第i个轨迹点在t_i时刻的位置为x_i，y_i)，在t_i时刻的速度和方向为v_i，dir_i)，U_i表示第i个车辆的身份标识，即用户U_i。

原始轨迹集：记为D＝{tr₁，tr₂，...，tr_n}，tr_i，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Str_j＝{tr_j，Sem_k}，k∈[0，n]，Str_j表示第j条携带语义信息的轨迹，Sem_k表示语义轨迹Str_j上的k个语义条目。

语义轨迹集：记为D_s＝{Str₁，Str₂，...，Str_s}，D_s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U_i请求当前位置时，首先以用户U_i的当前轨迹点为中心，计算U_i当前轨迹点的E_p邻域。E_p邻域在本文中指用户U_i一定半径内的区域；

2.1.2在本实施例中，E_p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U_i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U_i的E_p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U_i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U_i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U_i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U_k，k＝(0，1，...i，...n)，即上述原始轨迹定义中轨迹向量P_i中的分量U_i，构成一个离散点集合U_T＝(U₁，U₂，...U_t)，t为集合U_T中用户的个数；

4.2.2将集合U_T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U_k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U_p，U_q，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U_i附近的车辆轨迹密度小于阈值α，对用户U_i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U_i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E_p邻域内的用户U_k，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U_i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U_i的轨迹语义相似性大于等于阈值β的用户U_j；若得到的用户U_j轨迹与用户U_i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U_i轨迹与每个符合语义相似性的用户U_j轨迹之间的距离，生成匿名区域；

5.2得到以用户U_i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U_i请求当前位置时，首先以用户U_i的当前轨迹点为中心，计算U_i当前轨迹点的E_p邻域。E_p邻域在本文中指用户U_i一定半径内的区域；

2.1.2 E_p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U_i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U_i的E_p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U_i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。

6.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3)中具体步骤包括：计算用户集N中的轨迹点与用户U_i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。

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U_i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U_k，k＝(0，1，...i，...n)，即上述原始轨迹定义中轨迹向量P_i中的分量U_i，构成一个离散点集合U_T＝(U₁，U₂，...U_t)，t为集合U_T中用户的个数；

4.2.2将集合U_T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U_k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U_i附近的车辆轨迹密度小阈值α，则对用户U_i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U_i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E_p邻域内的用户U_k，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U_i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U_i的轨迹语义相似性大于等于阈值β的用户U_j；若得到的用户U_j轨迹与用户U_i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U_i轨迹与每个符合语义相似性的用户U_j轨迹之间的距离，生成匿名区域；

5.2得到以用户U_i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U_p，U_q，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。

Images