CN113052265B - 基于特征选择的移动对象轨迹简化方法 - Google Patents
基于特征选择的移动对象轨迹简化方法 Download PDFInfo
- Publication number
- CN113052265B CN113052265B CN202110454815.7A CN202110454815A CN113052265B CN 113052265 B CN113052265 B CN 113052265B CN 202110454815 A CN202110454815 A CN 202110454815A CN 113052265 B CN113052265 B CN 113052265B
- Authority
- CN
- China
- Prior art keywords
- track
- speed
- moving object
- trajectory
- section
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于特征选择的移动对象轨迹简化方法，包含以下步骤：采用DBSCAN密度聚类算法对移动对象的轨迹数据进行处理，得到轨迹的速度区间；根据速度区间对移动对象的轨迹进行划分，得到与速度区对应的轨迹段；对每个轨迹段进行特征分析、选择简化算法，并对该轨迹段的轨迹数据进行简化处理；将每个轨迹段的简化结果合并、得到移动对象的轨迹简化结果。本发明提出的基于特征选择的移动对象轨迹简化方法，先根据速度特征划分轨迹段，然后在轨迹段内进行方向特征判断或距离特征判断，从而选择适合各轨迹段的简化算法，实现执行时间和误差度量的优化，提升简化效果。
Description
技术领域
本发明属于计算机应用技术领域，具体设计一种基于特征选择的移动对象轨迹简化方法。
背景技术
移动对象轨迹化简算法的研究是移动对象数据库研究领域的一个重要组成部分，它是伴随着移动电子产品的日益升级和普及而逐步产生和发展起来的，广泛应用于运动目标的跟踪定位、环境监测以及交通管理、基于位置的社交网络(LBSN)，路线导航轨迹推荐，目的地预测和用户的行为分析等许多领域。
智能手机、车载导航系统和可穿戴设备中的GPS传感器通常产生大量的原始轨迹，增加了数据存储、传输和数据分析的成本。轨迹数据简化压缩是通过减少轨迹数据量以降低存储器空间，从而提高数据传输、存储和处理效率的方法，根据特定的算法减少冗余和存储空间，同时尽可能少地丢失信息或重新组织数据。目前的移动对象轨迹简化算法分为离线简化和在线简化。以往的简化算法中大多依赖轨迹的几何特性(例如轨迹点位置之间的关系,轨迹点方向角度之间的关系)，这些几何特性都可以用轨迹点的相对位置展现出来，而针对移动对象的速度这一重要特征的研究还不是很完善。
随着大数据技术在分析应用方面有效性的凸显，怎样设计出能够准确且高效率地存储轨迹的信息的轨迹简化优化算法是近几年重要的研究问题。
发明内容
为了能够准确、高效率地存储移动对象的轨迹信息，本发明提供了一种基于特征选择的移动对象轨迹简化方法。
本发明提供的基于特征选择的移动对象轨迹简化方法，具体包含以下步骤：
S1、采用DBSCAN密度聚类算法对移动对象的轨迹数据进行处理，得到轨迹的速度区间；
S2、根据速度区间对移动对象的轨迹进行划分，得到与速度区对应的轨迹段；
S3、对每个轨迹段进行特征分析、选择简化算法，并对该轨迹段的轨迹数据进行简化处理；
S4、将每个轨迹段的简化结果合并、得到移动对象的轨迹简化结果。
可选的，设定时间间隔、采集移动对象的轨迹点p的数据，形成原始轨迹数据集。
可选的，所述轨迹点p的数据包含位置数据和速度数据。
可选的，对采集的原始轨迹数据集进行清洗，去除不合理的轨迹点，得到所述移动对象的轨迹T(p1,p2,...,pn)，其中，pn表示所述移动对象的第n个轨迹点。
可选的，步骤S1中，所述DBSCAN密度聚类算法用于对轨迹点p的速度数据进行处理。
可选的，步骤S2中，对所述移动对象的轨迹进行速度特征分析：
对于所述移动对象的轨迹T(p1,p2,...,pn)，计算相邻两个轨迹点p的平均速度，生成移动对象的速度标签Tv＝(L1,L2,...,Ln-1)，Ln-1表示所述移动对象的第n-1个速度值；计算速度标签Tv的基尼系数，公式如下：
其中，n-1表示速度标签Tv中的速度值总数量；Li表示速度标签Tv中第i个速度值；N(Li)表示速度标签Tv中速度值等于Li的速度值个数。
可选的，步骤S2中，所述轨迹划分的计算如下：
使用最小Ginisplit将速度标签Tv划分为两段和其中，N＝n-1，表示速度标签Tv中的速度值总数量；N1表示速度标签/>中的速度值总数量；N2表示速度标签/>中的速度值总数量；且N1+N2＝N。
可选的，步骤S3中，对每个轨迹段进行方向特征分析，具体方法如下：
测量轨迹段中每个轨迹点的切斜，与该轨迹段的起始轨迹点和终止轨迹点的连接线的夹角，计算得到该轨迹段的平均角度值，以及对应夹角大于平均角度值的轨迹点数量；
当对应夹角大于平均角度值的轨迹点数量超过该轨迹段中轨迹点数量的一半，则该轨迹段的方向变化频繁、并采用Angular算法对该轨迹段进行简化；
当对应夹角大于平均角度值的轨迹点数量不超过该轨迹段中轨迹点数量的一半，则该轨迹段的方向变化不频繁、并对该轨迹段进行距离特征分析。
可选的，所述距离特征分析具体方法如下：
在轨迹段的低速区间中，计算相邻两个轨迹点的距离；
当相邻两个轨迹点的距离低于5m，则轨迹点密集、并采用平均采用算法对该轨迹段进行简化；
当相邻两个轨迹点的距离不低于5m，则轨迹点不密集，并采用TD-TR算法对该轨迹段进行简化。
可选的，所述低速区间为轨迹段内速度位于0-22km/h的轨迹。
与现有技术相比，本发明提供的基于特征选择的移动对象轨迹简化方法将速度特征、方向特征和距离特征相结合、对移动对象进行轨迹简化，实现对运行时间、空间误差、速度误差、SED误差的进一步优化，避免的采用单一算法对移动对象进行整条轨迹进行简化，误差较大的问题。
附图说明
图1为本发明所述基于特征选择的移动对象轨迹简化方法流程图；
图2为本发明所述基于特征选择的移动对象轨迹简化方法示意图。
具体实施方式
以下结合附图，通过详细说明较佳的具体实施例对本发明作进一步介绍。
在采用本发明提供的轨迹简化方法处理移动对象轨迹数据之前，首先对移动对象的轨迹点p进行数据，形成原始轨迹数据集。采集的时间间隔可以设置在1-5s；采集的轨迹点p的数据包含位置数据和速度数据。然后对采集的对采集的原始轨迹数据集进行清洗，去除不合理的轨迹点，得到所述移动对象的轨迹T(p1,p2,...,pn)，其中，pn表示所述移动对象的第n个轨迹点。一般，当采集的轨迹点的速度超过350km/h，则认为该轨迹点上数据不合理，应当去除。
图1为本发明所述基于特征选择的移动对象轨迹简化方法流程图。本发明提供的移动对象轨迹简化方法用于对所述移动对象的轨迹T(p1,p2,...,pn)进行处理，具体步骤如下。
采用DBSCAN密度聚类算法对移动对象轨迹点p的速度数据进行处理，得到轨迹的速度区间，根据速度区间对移动对象的轨迹进行划分，得到与速度区对应的轨迹段。具体的，对所述移动对象的轨迹进行速度特征分析：对于所述移动对象的轨迹T(p1,p2,...,pn)，计算相邻两个轨迹点p的平均速度，生成移动对象的速度标签Tv＝(L1,L2,...,Ln-1)，Ln-1表示所述移动对象的第n-1个速度值；计算速度标签Tv的基尼系数，公式如下：
其中，n-1表示速度标签Tv中的速度值总数量；Li表示速度标签Tv中第i个速度值；N(Li)表示速度标签Tv中速度值等于Li的速度值个数。
所述轨迹划分的计算如下：
使用最小Ginisplit将速度标签Tv划分为两段和其中，N＝n-1，表示速度标签Tv中的速度值总数量；N1表示速度标签/>中的速度值总数量；N2表示速度标签/>中的速度值总数量；且N1+N2＝N。
继续对每个轨迹段进行方向特征分析或距离特征分析，并选择相应的简化算法对该轨迹段的轨迹数据进行简化处理。具体的，对每个轨迹段进行方向特征分析，具体方法如下：测量轨迹段中每个轨迹点的切斜，与该轨迹段的起始轨迹点和终止轨迹点的连接线的夹角，计算得到该轨迹段的平均角度值，以及对应夹角大于平均角度值的轨迹点数量；当对应夹角大于平均角度值的轨迹点数量超过该轨迹段中轨迹点数量的一半，则该轨迹段的方向变化频繁、并采用Angular算法对该轨迹段进行简化；当对应夹角大于平均角度值的轨迹点数量不超过该轨迹段中轨迹点数量的一半，则该轨迹段的方向变化不频繁、并对该轨迹段进行距离特征分析。
所述距离特征分析具体方法如下：在轨迹段的低速区间中，即速度位于0-22km/h的轨迹部分，计算相邻两个轨迹点的距离；当相邻两个轨迹点的距离低于5m，则轨迹点密集、并采用平均采用算法对该轨迹段进行简化；当相邻两个轨迹点的距离不低于5m，则轨迹点不密集，并采用TD-TR算法对该轨迹段进行简化。将每个轨迹段的简化结果合并、得到移动对象的轨迹简化结果，如图2所示。图2为本发明所述基于特征选择的移动对象轨迹简化算法示意图；其中，所述移动对象的轨迹T根据轨迹点的速度数据得到轨迹的速度区间，进而得到与速度区间对应的轨迹段sub-T1，ε为该轨迹段采用的简化算法的阈值，不同的轨迹段的阈值可以不同，最后通过合并(merge)得到简化轨迹simplified trajectoryT'.；v1、v2表示对应的轨迹段内部的速度分布；sub-T1、sub-T2表示根据速度v1、v2划分成的轨迹段；ε1表示轨迹段sub-T1对应的阈值，ε2表示轨迹段sub-T2对应的阈值；sub-T1'表示使用阈值ε1的简化轨迹，sub-T2'表示使用阈值ε2的简化轨迹，Merge表示将轨迹段的合并，simplifiedtrajectoryT'表示完整的简化轨迹
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (5)
1.一种基于特征选择的移动对象轨迹简化方法，其特征在于，包含以下步骤：
S1、采用DBSCAN密度聚类算法对移动对象的轨迹数据进行处理，得到轨迹的速度区间；设定时间间隔、采集移动对象的轨迹点p的数据，形成原始轨迹数据集；对采集的原始轨迹数据集进行清洗，去除不合理的轨迹点，得到所述移动对象的轨迹T(p1,p2,...,pn)，其中，pn表示所述移动对象的第n个轨迹点；
S2、根据速度区间对移动对象的轨迹进行划分，得到与速度区对应的轨迹段；
对所述移动对象的轨迹进行速度特征分析包括：
对于所述移动对象的轨迹T(p1,p2,...,pn)，计算相邻两个轨迹点p的平均速度，生成移动对象的速度标签Tv＝(L1,L2,...,Ln-1)，Ln-1表示所述移动对象的第n-1个速度值；计算速度标签Tv的基尼系数，公式如下：
其中，n-1表示速度标签Tv中的速度值总数量；Li表示速度标签Tv中第i个速度值；N(Li)表示速度标签Tv中速度值等于Li的速度值个数；
所述轨迹划分的计算如下：
使用最小Ginisplit将速度标签Tv划分为两段和其中，N＝n-1，表示速度标签Tv中的速度值总数量；N1表示速度标签/>中的速度值总数量；N2表示速度标签/>中的速度值总数量；且N1+N2＝N；
S3、对每个轨迹段进行特征分析、选择简化算法，并对该轨迹段的轨迹数据进行简化处理；
对每个轨迹段进行方向特征分析，具体方法如下：
测量轨迹段中每个轨迹点的切斜，与该轨迹段的起始轨迹点和终止轨迹点的连接线的夹角，计算得到该轨迹段的平均角度值，以及对应夹角大于平均角度值的轨迹点数量；
当对应夹角大于平均角度值的轨迹点数量超过该轨迹段中轨迹点数量的一半，则该轨迹段的方向变化频繁、并采用Angular算法对该轨迹段进行简化；
当对应夹角大于平均角度值的轨迹点数量不超过该轨迹段中轨迹点数量的一半，则该轨迹段的方向变化不频繁、并对该轨迹段进行距离特征分析；
S4、将每个轨迹段的简化结果合并、得到移动对象的轨迹简化结果。
2.如权利要求1所述的基于特征选择的移动对象轨迹简化方法，其特征在于，所述轨迹点p的数据包含位置数据和速度数据。
3.如权利要求2所述的基于特征选择的移动对象轨迹简化方法，其特征在于，步骤S1中，所述DBSCAN密度聚类算法用于对轨迹点p的速度数据进行处理。
4.如权利要求1所述的基于特征选择的移动对象轨迹简化方法，其特征在于，所述距离特征分析具体方法如下：
在轨迹段的低速区间中，计算相邻两个轨迹点的距离；
当相邻两个轨迹点的距离低于5m，则轨迹点密集、并采用平均采用算法对该轨迹段进行简化；
当相邻两个轨迹点的距离不低于5m，则轨迹点不密集，并采用TD-TR算法对该轨迹段进行简化。
5.如权利要求4所述的基于特征选择的移动对象轨迹简化方法，其特征在于，所述低速区间为轨迹段内速度位于0-22km/h的轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110454815.7A CN113052265B (zh) | 2021-04-26 | 2021-04-26 | 基于特征选择的移动对象轨迹简化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110454815.7A CN113052265B (zh) | 2021-04-26 | 2021-04-26 | 基于特征选择的移动对象轨迹简化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113052265A CN113052265A (zh) | 2021-06-29 |
| CN113052265B true CN113052265B (zh) | 2024-04-05 |
Family
ID=76520588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110454815.7A Active CN113052265B (zh) | 2021-04-26 | 2021-04-26 | 基于特征选择的移动对象轨迹简化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052265B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114265409A (zh) * | 2021-12-24 | 2022-04-01 | 广州极飞科技股份有限公司 | 轨迹信息处理方法、装置及地面设备 |
| CN117874155A (zh) * | 2024-01-15 | 2024-04-12 | 中国共产党四川省委员会党校、四川行政学院(四川长征干部学院) | 基于速度未成熟随机值的移动对象轨迹简化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107622085A (zh) * | 2017-08-11 | 2018-01-23 | 河海大学 | 一种基于网格和密度的自适应轨迹聚类方法 |
| CN108961758A (zh) * | 2018-08-03 | 2018-12-07 | 东华理工大学 | 一种基于梯度提升决策树的路口展宽车道探测方法 |
| CN110288044A (zh) * | 2019-07-01 | 2019-09-27 | 上海海事大学 | 一种基于轨迹划分与优先队列的轨迹简化方法 |
| CN111539454A (zh) * | 2020-03-30 | 2020-08-14 | 武汉理工大学 | 一种基于元学习的车辆轨迹聚类方法及系统 |
| US10902337B1 (en) * | 2020-04-24 | 2021-01-26 | Jun Tang | Method and device of trajectory outlier detection, and storage medium thereof |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8929588B2 (en) * | 2011-07-22 | 2015-01-06 | Honeywell International Inc. | Object tracking |
-
2021
- 2021-04-26 CN CN202110454815.7A patent/CN113052265B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107622085A (zh) * | 2017-08-11 | 2018-01-23 | 河海大学 | 一种基于网格和密度的自适应轨迹聚类方法 |
| CN108961758A (zh) * | 2018-08-03 | 2018-12-07 | 东华理工大学 | 一种基于梯度提升决策树的路口展宽车道探测方法 |
| CN110288044A (zh) * | 2019-07-01 | 2019-09-27 | 上海海事大学 | 一种基于轨迹划分与优先队列的轨迹简化方法 |
| CN111539454A (zh) * | 2020-03-30 | 2020-08-14 | 武汉理工大学 | 一种基于元学习的车辆轨迹聚类方法及系统 |
| US10902337B1 (en) * | 2020-04-24 | 2021-01-26 | Jun Tang | Method and device of trajectory outlier detection, and storage medium thereof |
Non-Patent Citations (2)
| Title |
|---|
| 杨彪 ; 杨智应 ; .一种基于速度的移动对象轨迹简化算法.计算机应用研究.2017,(第09期),全文. * |
| 王敏芬 ; .基于速度约束的轨迹划分方法.科技创新与应用.2013,(第26期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113052265A (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106840176B (zh) | Gps时空数据增量路网实时更新和轨迹匹配系统 | |
| CN110095127B (zh) | 一种基于分段的隐马尔可夫模型地图匹配方法 | |
| CN113052265B (zh) | 基于特征选择的移动对象轨迹简化方法 | |
| CN109241126B (zh) | 一种基于r*树索引的时空轨迹聚集模式挖掘算法 | |
| Yan et al. | SeTraStream: semantic-aware trajectory construction over streaming movement data | |
| CN110134126B (zh) | 轨迹匹配方法、装置、设备和介质 | |
| CN109708638B (zh) | 一种船舶轨迹点提取方法 | |
| CN110162997B (zh) | 基于插值点的匿名隐私保护方法 | |
| CN109063771A (zh) | 一种发现车辆可疑行为的方法、装置及设备 | |
| CN104484673A (zh) | 实时数据流模式识别应用的数据补全方法 | |
| CN112885099B (zh) | 用于确定车辆轨迹关键点的方法、装置及设备 | |
| CN110502596A (zh) | 一种基于行人轨迹特征的轨迹在线滑动窗口压缩方法 | |
| US20180192245A1 (en) | Extraction and Representation method of State Vector of Sensing Data of Internet of Things | |
| CN113587944B (zh) | 准实时的车辆行驶路线生成方法、系统及设备 | |
| CN115265555B (zh) | 基于隐马尔科夫的多噪声感知的地图匹配校正方法及系统 | |
| Li et al. | Spatio-temporal trajectory simplification for inferring travel paths | |
| CN108093213B (zh) | 一种基于视频监控的目标轨迹模糊数据融合方法 | |
| CN105915224A (zh) | 一种基于MapReduce的并行化轨迹压缩方法 | |
| Stylianou | Stay-point identification as curve extrema | |
| CN112762941A (zh) | 一种基于移动行为特征的轨迹压缩方法 | |
| CN107895103B (zh) | 一种轨迹数据清洗方法 | |
| CN110411450A (zh) | 一种用于压缩轨迹的地图匹配方法 | |
| CN116244356A (zh) | 异常轨迹检测方法、装置、电子设备及存储介质 | |
| CN116828397B (zh) | 一种轨迹信息的获取方法、装置、电子设备和存储介质 | |
| CN114091578A (zh) | 一种基于曲线长度距离的船舶轨迹聚类方法 |
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 |