CN113806463A - 一种基于时空金字塔匹配的轨迹相似度计算方法 - Google Patents
一种基于时空金字塔匹配的轨迹相似度计算方法 Download PDFInfo
- Publication number
- CN113806463A CN113806463A CN202111039235.8A CN202111039235A CN113806463A CN 113806463 A CN113806463 A CN 113806463A CN 202111039235 A CN202111039235 A CN 202111039235A CN 113806463 A CN113806463 A CN 113806463A
- Authority
- CN
- China
- Prior art keywords
- time
- coding
- space
- similarity
- spatial
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 19
- 235000019580 granularity Nutrition 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 22
- 230000002123 temporal effect Effects 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000007493 shaping process Methods 0.000 claims description 3
- 230000011664 signaling Effects 0.000 description 8
- 238000000691 measurement method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004883 computer application Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 231100001263 laboratory chemical safety summary Toxicity 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/29—Geographical information databases
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (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)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于时空金字塔匹配的轨迹相似度计算方法,包括以下步骤:S1、根据用户号码和给定时间查询,获取用户原始轨迹数据;S2、对原始轨迹数据预处理;S3、基于Google S2算法,对经纬度进行空间编码,并根据不同时间粒度,建立时间编码;S4、对每个时间粒度以及空间粒度,计算每个时空粒度下的轨迹相似度;S5、对不同的时空粒度赋予不同权重,计算总相似度。
Description
技术领域
本发明涉及时空数据分析及挖掘技术领域,更具体的说是涉及一种基于时空金字塔匹配的轨迹相似度计算方法。
背景技术
目前,随着物联网技术以及移动互联网的飞速发展,无处不在的定位装置如传感器、GPS定位装置、智能卡等产生的了海量的轨迹数据。轨迹挖掘已经成为计算机应用中城市计算领域的研究热点。基于移动用户的轨迹挖掘能够为社会公共安全领域、智能交通领域、人口统计部门等提供关键的技术支撑。这背后就是依靠时空大数据应用技术的支撑。
移动用户轨迹数据主要来源于被授权“定位”权限的APP的GPS轨迹数据以及运营商的移动信令数据。GPS轨迹数据是主动式数据,即只有在用户触发的情况下,才能产生数据,这些数据通过用户端的浏览器、电脑客户端软件、手机App等最终汇聚在互联网企业中。这就决定了互联网数据只能是片段式的,而且样本覆盖受到用户群体喜好偏差的影响。另外,由于企业间的竞争等因素,这些数据难以融为一体,分析利用这些数据容易形成片面倾向性结果,而移动信令数据更加客观、全面、长期持续在线,数据应用结果更加科学可信。由于GPS数据是均匀采样,而移动信令轨迹数据是非均匀采样,这就造成了无法用传统的欧式距离、巴氏距离等度量方法直接用来度量基于移动信令的轨迹相似度。DTW距离是根据动态规划的方法计使得两个序列中所有对应点的距离之和最小,虽然不受到轨迹点数是否相同的限制,但是计算复杂度高;最长公共子序列LCSS方法对噪声不敏感,但是和DTW类似,只考虑了轨迹的序列性,而没有考虑轨迹的时间特性。Frechet距离是一种基于空间路径相似度描述方法,其着重将路径空间距离考虑进去,使得其对于有一定空间时序的曲线相似度评价效率相比之下较高,对于信令轨迹数据,存在乒乓效应(短时间内轨迹点在相邻基站之间飘移),该方法并不适用于信令数据。
因此,针对移动信令数据,本发明提出一种计算复杂度低、同时考虑轨迹的时间性和空间性的轨迹相似度度量方法。
发明内容
有鉴于此,本发明提供了一种基于时空金字塔匹配的轨迹相似度计算方法;基于Google S2编码将城市将经纬度转换成前缀匹配优化的字符串,从而实现城市地理信息网格化,并利用网格建立空间索引,其优势在于利用网格一方面能够快速基于距离对空间位置信息进行检索,另外一方面在一定程度上降低了基于基站的位置信息的噪声;本发明提出一种基于时空金字塔匹配的轨迹相似性测量方法,其核心思想是在时间和空间维度上对轨迹进行不同粒度上的划分,根据不同的时空粒度赋予不同的权重,粒度越粗权重越大,粒度越细权重越小,因此我们的方法同时考虑了轨迹的时间特性和空间特性。
为了实现上述目的,本发明采用如下技术方案:
一种基于时空金字塔匹配的轨迹相似度计算方法,所述方法包括以下步骤:
S1、根据用户号码和给定时间查询,获取用户原始轨迹数据;
S2、对原始轨迹数据预处理;
S3、基于Google S2算法,对经纬度进行空间编码,并根据不同时间粒度,建立时间编码;
S4、对每个时间粒度以及空间粒度,计算每个时空粒度下的轨迹相似度;
S5、对不同的时空粒度赋予不同权重,计算总相似度。
优选的,所述步骤S1具体包括:
用户在给定时间段内的轨迹数据Tr为:
Tr={(pi,ti),1≤i≤n,ti<ti+1}
其中,pi为用户在ti时刻的位置,pi=(loni,lati),loni为用户经度,lati为用户纬度。
优选的,所述步骤S2具体包括:
按照时间排序、去除冗余数据、去噪、去除乒乓数据。
优选的,所述步骤S3具体包括:
S31、采用Google S2的地图网格化技术将经纬度pi=(loni,lati)转化为网格,进行空间编码,不同的层级,空间编码也不相同,例如点(116.34511,39.949147)的11级的编码为“51496a4”,15级的编码为“51496a3ec”;
S32、根据不同时间粒度,依据下列公式对时间进行编码
其中temporalScale为时间粒度,t为一天中的长整形时间,t∈[0,86400),单位为秒。
S33、时空编码,利用空间编码和时间编码,每个位置点(pi,ti)编码为 为该位置点在第s层的空间编码,是第l层的时间编码。经过3D 时空编码后,用户的轨迹可以表示为其中 n为位置点数,S为空间层数,L为时间层数。
优选的,所述步骤S4具体包括:
S41、记P和Q分别为两条轨迹,位置点数分别为n和m,
S42、时间金字塔匹配:
则在第l层,轨迹P和Q的相似度可以表示为
S43、空间金字塔匹配:
优选的,所述步骤S5具体包括:
轨迹P和Q的相似度为:
其中,ω1表示第l层时间编码上的权重,ωl的计算方法为:
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于时空金字塔匹配模型的轨迹相似度计算方法;基于Google S2编码将城市将经纬度转换成前缀匹配优化的字符串,从而实现城市地理信息网格化,并利用网格建立空间索引,其优势在于利用网格一方面能够快速基于距离对空间位置信息进行检索,另外一方面在一定程度上降低了基于基站的位置信息的噪声;本发明提出一种基于时空金字塔匹配的轨迹相似性测量方法,其核心思想是在时间和空间维度上对轨迹进行不同粒度上的划分,根据不同的时空粒度赋予不同的权重,粒度越粗权重越大,粒度越细权重越小,因此我们的方法同时考虑了轨迹的时间特性和空间特性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的流程结构示意图。
图2附图为本发明提供的地图网格化结构示意图。
图3附图为本发明提供的准确率对比示意图。
图4附图为本发明提供的时间消耗对比示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于时空金字塔匹配的轨迹相似度计算方法,所述方法包括以下步骤:
S1、根据用户号码和给定时间查询,获取用户原始轨迹数据;
S2、对原始轨迹数据预处理;
S3、基于Google S2算法,对经纬度进行空间编码,并根据不同时间粒度,建立时间编码;
S4、对每个时间粒度以及空间粒度,计算每个时空粒度下的轨迹相似度;
S5、对不同的时空粒度赋予不同权重,计算总相似度。
为进一步优化上述技术方案,步骤S1具体包括:
用户在给定时间段内的轨迹数据Tr为:
Tr={(pi,ti),1≤i≤n,ti<ti+1}
其中,pi为用户在ti时刻的位置,pi=(loni,lati),loni为用户经度,lati为用户纬度。
为进一步优化上述技术方案,步骤S2具体包括:
按照时间排序、去除冗余数据、去噪、去除乒乓数据。
为进一步优化上述技术方案,步骤S3具体包括:
S31、采用Google S2的地图网格化技术将经纬度pi=(loni,lati)转化为网格,进行空间编码;
S32、根据不同时间粒度,依据下列公式对时间进行编码
其中temporalScale为时间粒度,t为一天中的长整形时间,t∈[0,86400),单位为秒。
S33、时空编码,利用空间编码和时间编码,每个位置点(pi,ti)编码为 为该位置点在第s层的空间编码,是第l层的时间编码。经过3D 时空编码后,用户的轨迹可以表示为其中 n为位置点数,S为空间层数,L为时间层数。
为进一步优化上述技术方案,步骤S4具体包括:
S41、记P和Q分别为两条轨迹,位置点数分别为n和m,
S42、时间金字塔匹配:
则在第l层,轨迹P和Q的相似度可以表示为
S43、空间金字塔匹配:
为进一步优化上述技术方案,步骤S5具体包括:
轨迹P和Q的相似度为:
其中,ω1表示第l层时间编码上的权重,ωl的计算方法为:
图3附图为本申请的计算准确率与其他计算方式准确率的对比图,其中 STPM为本申请的计算准确率,从图中可以直观的得出,本申请的准确率要明显优于现有技术的准确率。
图4附图为本申请与现有技术的计算时间消耗对比图,其中STPM为本发明的方法,从该图可以看出,随着位置点数的增加,STPM的时间消耗比较稳定,而其他方法如DTW、LCSS、Frechet等方法随着位置点数的增加其时间消耗呈指数增长趋势,证明本发明的方法具有较低的计算复杂度。
因此,本发明具有以下优点:
根据不同的时空粒度赋予不同的权重,粒度越粗权重越大,粒度越细权重越小,因此我们的方法同时考虑了轨迹的时间特性和空间特性。
基于信令的轨迹数据受终端设备、信号强度、运营商等因素的影响具有低采样率、采样不均匀、噪声大等特征,本发明所提出的算法充分考虑了这些因素,利用不同空间粒度和时间粒度的权重组合来衡量轨迹之间的相似性,因此能够容忍低采样率、采样不均匀以及噪声带来的影响。
LCSS、DTW、Frechet、EDR、ERP等轨迹相似度计算方法都需要计算两两位置点的球面距离,其计算复杂度为O(|P|×|Q|),|P|和|Q|分别为轨迹P和轨迹Q 的长度。时空金字塔匹配的计算复杂度为O(L×S),其中L和S分别为时间和空间的层级数量,与轨迹长度无关,因此计算复杂度远远低于常用算法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于时空金字塔匹配的轨迹相似度计算方法,其特征在于,所述方法包括以下步骤:
S1、根据用户号码和给定时间查询,获取用户原始轨迹数据;
S2、对原始轨迹数据预处理;
S3、基于GoogleS2算法,对经纬度进行空间编码,并根据不同时间粒度,建立时间编码;
S4、对每个时间粒度以及空间粒度,计算每个时空粒度下的轨迹相似度;
S5、对不同的时空粒度赋予不同权重,计算总相似度。
2.根据权利要求1所述的一种基于时空金字塔匹配的轨迹相似度计算方法,其特征在于,所述步骤S1具体包括:
用户在给定时间段内的轨迹数据Tr为:
Tr={(pi,ti),1≤i≤n,ti<ti+1}
其中,pi为用户在ti时刻的位置,pi=(loni,lati),loni为用户经度,lati为用户纬度。
3.根据权利要求1所述的一种基于时空金字塔匹配的轨迹相似度计算方法,其特征在于,所述步骤S2具体包括:
按照时间排序、去除冗余数据、去噪、去除乒乓数据。
5.根据权利要求1所述的一种基于时空金字塔匹配的轨迹相似度计算方法,其特征在于,所述步骤S4具体包括:
S41、记P和Q分别为两条轨迹,位置点数分别为n和m,
S42、时间金字塔匹配:
则在第l层,轨迹P和Q的相似度可以表示为
S43、空间金字塔匹配:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111039235.8A CN113806463B (zh) | 2021-09-06 | 2021-09-06 | 一种基于时空金字塔匹配的轨迹相似度计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111039235.8A CN113806463B (zh) | 2021-09-06 | 2021-09-06 | 一种基于时空金字塔匹配的轨迹相似度计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113806463A true CN113806463A (zh) | 2021-12-17 |
CN113806463B CN113806463B (zh) | 2023-04-28 |
Family
ID=78894737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111039235.8A Expired - Fee Related CN113806463B (zh) | 2021-09-06 | 2021-09-06 | 一种基于时空金字塔匹配的轨迹相似度计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113806463B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529348A (zh) * | 2022-02-22 | 2022-05-24 | 携程旅游网络技术(上海)有限公司 | 车辆行驶路径计费方法、系统、设备及存储介质 |
CN115169526A (zh) * | 2022-05-20 | 2022-10-11 | 北京信息科技大学 | 一种基于深度学习的基站表示学习方法、系统及存储介质 |
CN115495678A (zh) * | 2022-11-21 | 2022-12-20 | 中南大学 | 一种基于稀疏蜂窝信令数据的共乘匹配方法、系统及设备 |
CN116304560A (zh) * | 2023-01-17 | 2023-06-23 | 北京信息科技大学 | 基于多尺度增强对比学习的轨迹表征模型训练方法、表征方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110222727A1 (en) * | 2010-03-10 | 2011-09-15 | Vinay Sharma | Object Localization Using Tracked Object Trajectories |
CN105243148A (zh) * | 2015-10-25 | 2016-01-13 | 西华大学 | 一种基于签到数据的时空轨迹相似性度量方法及系统 |
CN105740833A (zh) * | 2016-02-03 | 2016-07-06 | 北京工业大学 | 一种基于深度序列的人体行为识别方法 |
CN106709419A (zh) * | 2016-11-18 | 2017-05-24 | 中山大学 | 一种基于显著轨迹空间信息的视频人体行为识别方法 |
CN107766406A (zh) * | 2017-08-29 | 2018-03-06 | 厦门理工学院 | 一种采用时间优先搜索的轨迹相似性连接查询方法 |
US20200057935A1 (en) * | 2017-03-23 | 2020-02-20 | Peking University Shenzhen Graduate School | Video action detection method based on convolutional neural network |
CN111400620A (zh) * | 2020-03-27 | 2020-07-10 | 东北大学 | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 |
CN111475596A (zh) * | 2020-04-05 | 2020-07-31 | 中国人民解放军国防科技大学 | 一种基于多层级轨迹编码树的子段相似性匹配方法 |
CN111523577A (zh) * | 2020-04-13 | 2020-08-11 | 南京烽火星空通信发展有限公司 | 一种基于改进的lcss算法的海量轨迹相似度计算方法 |
CN112561948A (zh) * | 2020-12-22 | 2021-03-26 | 中国联合网络通信集团有限公司 | 基于时空轨迹的伴随轨迹识别方法、设备及存储介质 |
CN112861605A (zh) * | 2020-12-26 | 2021-05-28 | 江苏大学 | 基于时空混合特征的多人步态识别方法 |
-
2021
- 2021-09-06 CN CN202111039235.8A patent/CN113806463B/zh not_active Expired - Fee Related
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110222727A1 (en) * | 2010-03-10 | 2011-09-15 | Vinay Sharma | Object Localization Using Tracked Object Trajectories |
CN105243148A (zh) * | 2015-10-25 | 2016-01-13 | 西华大学 | 一种基于签到数据的时空轨迹相似性度量方法及系统 |
CN105740833A (zh) * | 2016-02-03 | 2016-07-06 | 北京工业大学 | 一种基于深度序列的人体行为识别方法 |
CN106709419A (zh) * | 2016-11-18 | 2017-05-24 | 中山大学 | 一种基于显著轨迹空间信息的视频人体行为识别方法 |
US20200057935A1 (en) * | 2017-03-23 | 2020-02-20 | Peking University Shenzhen Graduate School | Video action detection method based on convolutional neural network |
CN107766406A (zh) * | 2017-08-29 | 2018-03-06 | 厦门理工学院 | 一种采用时间优先搜索的轨迹相似性连接查询方法 |
CN111400620A (zh) * | 2020-03-27 | 2020-07-10 | 东北大学 | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 |
CN111475596A (zh) * | 2020-04-05 | 2020-07-31 | 中国人民解放军国防科技大学 | 一种基于多层级轨迹编码树的子段相似性匹配方法 |
CN111523577A (zh) * | 2020-04-13 | 2020-08-11 | 南京烽火星空通信发展有限公司 | 一种基于改进的lcss算法的海量轨迹相似度计算方法 |
CN112561948A (zh) * | 2020-12-22 | 2021-03-26 | 中国联合网络通信集团有限公司 | 基于时空轨迹的伴随轨迹识别方法、设备及存储介质 |
CN112861605A (zh) * | 2020-12-26 | 2021-05-28 | 江苏大学 | 基于时空混合特征的多人步态识别方法 |
Non-Patent Citations (5)
Title |
---|
I. ATMOSUKARTO 等: "Action Recognition Using Discriminative Structured Trajectory Groups" * |
L. SHAO 等: "Spatio-Temporal Laplacian Pyramid Coding for Action Recognition" * |
张杰: "基于时空金字塔联合特征的交互行为分析与系统设计" * |
王崇科 等: "视频剪辑查询结合时空金字塔匹配的视频检索方法" * |
黄晓晖 等: "一种基于深度图去噪与时空特征提取的动作识别方法" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529348A (zh) * | 2022-02-22 | 2022-05-24 | 携程旅游网络技术(上海)有限公司 | 车辆行驶路径计费方法、系统、设备及存储介质 |
CN115169526A (zh) * | 2022-05-20 | 2022-10-11 | 北京信息科技大学 | 一种基于深度学习的基站表示学习方法、系统及存储介质 |
CN115495678A (zh) * | 2022-11-21 | 2022-12-20 | 中南大学 | 一种基于稀疏蜂窝信令数据的共乘匹配方法、系统及设备 |
CN116304560A (zh) * | 2023-01-17 | 2023-06-23 | 北京信息科技大学 | 基于多尺度增强对比学习的轨迹表征模型训练方法、表征方法及装置 |
CN116304560B (zh) * | 2023-01-17 | 2023-11-24 | 北京信息科技大学 | 一种轨迹表征模型训练方法、表征方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113806463B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113806463A (zh) | 一种基于时空金字塔匹配的轨迹相似度计算方法 | |
Song et al. | A novel convolutional neural network based indoor localization framework with WiFi fingerprinting | |
US10673968B2 (en) | Enhanced data collection and analysis facility | |
Xu et al. | A survey for mobility big data analytics for geolocation prediction | |
Nitsche et al. | Supporting large-scale travel surveys with smartphones–A practical approach | |
US20190392258A1 (en) | Method and apparatus for generating information | |
US9443511B2 (en) | System and method for recognizing environmental sound | |
CN104765873A (zh) | 用户相似度确定方法和装置 | |
US9429432B2 (en) | Systems and methods for defining a geographic position of an object or event based on a geographic position of a computing device and a user gesture | |
CN105307121B (zh) | 一种信息处理方法及装置 | |
US20110190008A1 (en) | Systems, methods, and apparatuses for providing context-based navigation services | |
CN110414732A (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
CN111028016A (zh) | 销量数据预测方法、装置以及相关设备 | |
CN104111073A (zh) | 一种识别地图数据中不准确路段的方法和装置 | |
CN110704491B (zh) | 数据查询方法和装置 | |
CN104661306A (zh) | 移动终端被动定位方法及系统 | |
CN115982468A (zh) | 一种结合用户周期性偏好和短期兴趣的兴趣点推荐方法 | |
CN115408618A (zh) | 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法 | |
CN111914109A (zh) | 一种基于深度度量学习的服装检索技术 | |
CN112541134A (zh) | 一种基于地理感知的序列位置推荐方法 | |
CN109889981B (zh) | 一种基于二分类技术的定位方法及系统 | |
CN116887396A (zh) | 位置预测模型的训练方法、终端定位方法及装置 | |
CN113706182A (zh) | 一种用户分类方法和装置 | |
CN110659580A (zh) | 一种快速认证身份信息的方法及装置 | |
RU2658876C1 (ru) | Способ и сервер для обработки данных датчика беспроводного устройства для создания вектора объекта, связанного с физическим положением |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220829 Address after: 100192 Beijing city Haidian District Qinghe small Camp Road No. 12 Applicant after: BEIJING INFORMATION SCIENCE AND TECHNOLOGY University Address before: 100192 No. 12, Xiaoying East Road, Haidian District, Beijing Applicant before: Li Li |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230428 |