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 PDF

Info

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
Application number
CN202111039235.8A
Other languages
English (en)
Other versions
CN113806463B (zh
Inventor
李莉
张建宇
戴帅夫
刘丙双
蒋志鹏
周模
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Information Science and Technology University
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202111039235.8A priority Critical patent/CN113806463B/zh
Publication of CN113806463A publication Critical patent/CN113806463A/zh
Application granted granted Critical
Publication of CN113806463B publication Critical patent/CN113806463B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于时空金字塔匹配的轨迹相似度计算方法
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
Figure BDA00032486119200000412
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
Figure BDA0003248611920000041
Figure BDA0003248611920000042
为该位置点在第s层的空间编码，
Figure BDA0003248611920000043
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
Figure BDA0003248611920000044
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，
Figure BDA0003248611920000045
Figure BDA0003248611920000046
则
Figure BDA0003248611920000047
表示轨迹P第l层的时间编码集合，
Figure BDA0003248611920000048
标识轨迹Q第l层的时间编码集合；
S42、时间金字塔匹配：
Figure BDA0003248611920000049
表示轨迹P和Q在第l层相同的时间编码集合，
Figure BDA00032486119200000410
则在第l层，轨迹P和Q的相似度可以表示为
Figure BDA00032486119200000411
其中，
Figure BDA0003248611920000051
分别表示轨迹P和Q在时间编码
Figure BDA0003248611920000052
上的子轨迹，
Figure BDA0003248611920000053
为轨迹P和Q在第l层时间、时间编码
Figure BDA0003248611920000054
上的空间相似度；
S43、空间金字塔匹配：
Figure BDA0003248611920000055
Figure BDA0003248611920000056
表示轨迹P和Q的子轨迹
Figure BDA0003248611920000057
在第s级S2编码中具有相同编码的位置点数。
Figure BDA0003248611920000058
和
Figure BDA0003248611920000059
表示P和Q子轨迹
Figure BDA00032486119200000510
的位置点数，κS为空间权重，S2编码的级数越高，空间粒度越细，权重越高，
Figure BDA00032486119200000511
优选的，所述步骤S5具体包括：
轨迹P和Q的相似度为：
Figure BDA00032486119200000512
其中，ω1表示第l层时间编码上的权重，ωl的计算方法为：
Figure BDA00032486119200000513
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
Figure BDA0003248611920000071
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
Figure BDA0003248611920000081
Figure BDA0003248611920000082
为该位置点在第s层的空间编码，
Figure BDA0003248611920000083
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
Figure BDA0003248611920000084
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，
Figure BDA0003248611920000085
Figure BDA0003248611920000086
则
Figure BDA0003248611920000087
表示轨迹P第l层的时间编码集合，
Figure BDA0003248611920000088
标识轨迹Q第l层的时间编码集合；
S42、时间金字塔匹配：
Figure BDA0003248611920000089
表示轨迹P和Q在第l层相同的时间编码集合，
Figure BDA00032486119200000810
则在第l层，轨迹P和Q的相似度可以表示为
Figure BDA00032486119200000811
其中，
Figure BDA00032486119200000812
分别表示轨迹P和Q在时间编码
Figure BDA00032486119200000813
上的子轨迹，
Figure BDA00032486119200000814
为轨迹P和Q在第l层时间、时间编码
Figure BDA00032486119200000815
上的空间相似度；
S43、空间金字塔匹配：
Figure BDA00032486119200000816
Figure BDA0003248611920000091
表示轨迹P和Q的子轨迹
Figure BDA0003248611920000092
在第s级S2编码中具有相同编码的位置点数。
Figure BDA0003248611920000093
和
Figure BDA0003248611920000094
表示P和Q子轨迹
Figure BDA0003248611920000095
的位置点数，κS为空间权重，S2编码的级数越高，空间粒度越细，权重越高，
Figure BDA0003248611920000096
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：
Figure BDA0003248611920000097
其中，ω1表示第l层时间编码上的权重，ωl的计算方法为：
Figure BDA0003248611920000098
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。
4.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
Figure FDA00032486119100000211
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
Figure FDA0003248611910000021
Figure FDA0003248611910000022
为该位置点在第s层的空间编码，
Figure FDA0003248611910000023
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
Figure FDA0003248611910000024
其中n为位置点数，S为空间层数，L为时间层数。
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，
Figure FDA0003248611910000025
Figure FDA0003248611910000026
则
Figure FDA0003248611910000027
表示轨迹P第l层的时间编码集合，
Figure FDA0003248611910000028
标识轨迹Q第l层的时间编码集合；
S42、时间金字塔匹配：
Figure FDA00032486119100000212
表示轨迹P和Q在第l层相同的时间编码集合，
Figure FDA0003248611910000029
则在第l层，轨迹P和Q的相似度可以表示为
Figure FDA00032486119100000210
其中，
Figure FDA0003248611910000031
分别表示轨迹P和Q在时间编码
Figure FDA0003248611910000032
上的子轨迹，
Figure FDA0003248611910000033
为轨迹P和Q在第l层时间、时间编码
Figure FDA0003248611910000034
上的空间相似度；
S43、空间金字塔匹配：
Figure FDA0003248611910000035
Figure FDA0003248611910000036
表示轨迹P和Q的子轨迹
Figure FDA0003248611910000037
在第s级S2编码中具有相同编码的位置点数。
Figure FDA0003248611910000038
和
Figure FDA0003248611910000039
表示P和Q子轨迹
Figure FDA00032486119100000310
的位置点数，κS为空间权重，S2编码的级数越高，空间粒度越细，权重越高，
Figure FDA00032486119100000311
6.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S5具体包括：
轨迹P和Q的相似度为：
Figure FDA00032486119100000312
其中，ω1表示第l层时间编码上的权重，ωl的计算方法为：
Figure FDA00032486119100000313
CN202111039235.8A 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 Expired - Fee Related CN113806463B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (11)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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