CN114048792A - 一种基于低精度随机采样数据的轨迹相似度匹配方法 - Google Patents
一种基于低精度随机采样数据的轨迹相似度匹配方法 Download PDFInfo
- Publication number
- CN114048792A CN114048792A CN202111195764.7A CN202111195764A CN114048792A CN 114048792 A CN114048792 A CN 114048792A CN 202111195764 A CN202111195764 A CN 202111195764A CN 114048792 A CN114048792 A CN 114048792A
- Authority
- CN
- China
- Prior art keywords
- track
- tracks
- points
- similarity
- effective
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于低精度随机采样数据的轨迹相似度匹配方法,包括:对原始数据进行预处理得到目标数据;对目标数据中不同目标的轨迹点进行判断并分割属于不同目标的轨迹点,得到不同目标的轨迹;找到两个不同目标,将不同目标下的所有轨迹进行两两配对;对两个不同目标下的配对的两个轨迹进行处理,得到两个轨迹的两个相似轨迹线段;根据两个相似轨迹线段分别计算两个轨迹的有效距离、有效长度和有效轨迹点数;根据两个轨迹的有效距离、有效长度和有效轨迹点数计算出两个轨迹的相似度;遍历计算得到所有目标下所有轨迹的相似度;对所有目标下所有轨迹的相似度做排序处理。本发明能够实现对低精度随机采样数据进行轨迹相似度匹配。
Description
技术领域
本发明涉及轨迹相似度匹配技术领域,具体而言,涉及一种基于低精度随机采样数据的轨迹相似度匹配方法。
背景技术
轨迹信息在交通、航海、航空航天等领域有着重要的价值,现在已经和人们的生产生活已经密不可分,人们对轨迹相似度的研究也在不断的发展和进步,轨迹信息中的轨迹点精度越高、采样越密,其轨迹相似性就更容易评估,准确的就更高。
但在实际的生产生活中,我们获得的轨迹信息可能因为技术方式等原因导致轨迹点的精度低、采样间隔实际不确定,这就大大增加了目标轨迹的分析难度。当目标的轨迹中所有点都可能具有一定范围内的偏差时,轨迹呈现出来将是杂乱无章的状态,通过传统的方式就不能够去分析轨迹的相似度。
发明内容
本发明旨在提供一种基于低精度随机采样数据的轨迹相似度匹配方法,以解决传统方法在低精度非连续数据的情况下不能分析轨迹相似度的问题。
本发明提供的一种基于低精度随机采样数据的轨迹相似度匹配方法,包括如下步骤:
步骤一,对低精度非连续轨迹点的原始数据进行预处理得到目标数据;
步骤二,对目标数据中不同目标的轨迹点进行判断并分割属于不同目标的轨迹点,得到不同目标的轨迹;
步骤三,找到两个不同目标,将不同目标下的所有轨迹进行两两配对;
步骤四,对两个不同目标下的配对的两个轨迹进行处理,得到两个轨迹的两个相似轨迹线段;
步骤五,根据两个相似轨迹线段分别计算两个轨迹的有效距离、有效长度和有效轨迹点数;
步骤六,根据两个轨迹的有效距离、有效长度和有效轨迹点数计算出两个轨迹的相似度;
步骤七,重复步骤三至步骤六直到计算得到所有目标下所有轨迹的相似度;
步骤八,对所有目标下所有轨迹的相似度做排序处理,即可得到每条轨迹与其他轨迹的相似度排名情况。
进一步的,步骤一中对低精度非连续轨迹点的原始数据进行预处理的方法为:
对低精度非连续轨迹点的原始数据按照目标进行分类,并根据轨迹点的时间对轨迹点进行时间排序,完成时间排序后即得到目标数据。
进一步的,步骤二中对目标数据中不同目标的轨迹点进行判断并分割属于不同目标的轨迹点的方法为:
对目标数据中不同目标的轨迹点进行判断,当两个轨迹点的时间间隔大于设定时间阈值时,认为此两个轨迹点属于两段轨迹,以此对轨迹点进行分割,得到不同目标的轨迹。
进一步的,步骤四中对两个不同目标下的配对的两个轨迹进行处理,得到两个轨迹的两个相似轨迹线段的方法为:
对两个不同目标下配对的轨迹A和轨迹B进行处理,找到轨迹A与轨迹B中距离小于设定距离阈值的轨迹点作为集合{a}和集合{b};
根据集合{a}中的起始轨迹点和结束轨迹点,截取轨迹A中的轨迹线段A1,根据集合{b}中的起始轨迹点和结束轨迹点,截取轨迹B中的轨迹线段B1,轨迹线段A1与轨迹线段B1即为两个轨迹的相似轨迹线段。
进一步的,步骤五中根据两个相似轨迹线段分别计算两个轨迹有效轨迹点数的方法为:
轨迹线段A1与轨迹线段B1的轨迹点的数目为两个轨迹的有效轨迹点数N和M。
进一步的,如果轨迹线段A1或轨迹线段B1中的轨迹点数小于设定数目阈值,则认为轨迹A和轨迹B不相似,其相似度为0。
进一步的,步骤五中根据两个相似轨迹线段分别计算两个轨迹有效距离的方法为:
确定轨迹A和轨迹B中的较短轨迹和较长轨迹;
找到较短轨迹中距离较长轨迹最近的轨迹点,以及较长轨迹中距离较短轨迹最近的轨迹点,将这两个轨迹点拿出,再从剩下的轨迹点中拿出两个轨迹最近的轨迹点,直到较短轨迹中的轨迹点被取完,计算每次拿出的两个轨迹点的第一距离;
从较长轨迹剩余的轨迹点中找到距离较短轨迹最近的轨迹点,计算每个较长轨迹剩余的轨迹点与较短轨迹的第二距离;
根据第一距离和第二距离求得距离的均值作为评估两个轨迹的有效距离。
进一步的,步骤五中根据两个相似轨迹线段分别计算两个轨迹有效长度的方法为:
获得轨迹线段A1经度的最大值a0和最小值a1,纬度的最大值b0和最小值b1;获得轨迹线段B1经度的a2最大值和最小值a3,纬度的最大值b2和最小值b3;轨迹线段A1和轨迹线段B1的四个经度值进行排序并组成集合{a0,a1,a2,a3}、四个纬度值进行排序并组成集合{b0,b1,b2,b3};|a1-a2|与|b1-b2|的乘积为两个轨迹的相似面积,两个轨迹的相似面积与两个轨迹的有效距离的比值作为两个轨迹的有效长度。
进一步的,如果一条轨迹经度和纬度的最小值都大于另一条轨迹的经度和纬度的最大值,则认为两个轨迹的相似度为0。
进一步的,步骤六中根据两个轨迹的有效距离、有效长度和有效轨迹点数计算出两个轨迹的相似度的方法为:
其中,P为两个轨迹的相似度;H为两个轨迹的有效距离;L为两个轨迹的有效长度。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、和传统轨迹相似度匹配技术相比,本发明在轨迹数据具有较高精度、较高采样率时其有较好的效果,当定位数据精度差、数据采样率不确定时,该方法依然能够较好的评估轨迹相似度,而传统轨迹相似度匹配技术不适用于处理低精度随机采样的轨迹数据。
2、本发明能够整体评估轨迹相似度,不会直接对轨迹进行相似度计算,而是会先对轨迹提取出相似轨迹线段,然后对其相似轨迹线段进行处理,这样会去除轨迹头部或尾部的奇异轨迹点,更能够真实反映轨迹的相似性;同时使用改进的动态路径规划算法来评估轨迹的有效距离、用轨迹的相似面积与轨迹的有效距离的比值作为轨迹的有效长度都是从整体上评估轨迹相似度。
3、本发明不会直接使用两个轨迹的轨迹点的数量去评估轨迹相似度,而是根据有效轨迹点数来进行评估,同时使用两个轨迹的有效轨迹点数、两条轨迹中的有效轨迹点数最小值与最大值的比作为轨迹相似度的衡量指标,当有效轨迹点数越大、轨迹分布均衡时,其相似度越高;使用对数函数对其影响进行处理,防止出现线性增长,这样更符合实际情况。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例的基于低精度随机采样数据的轨迹相似度匹配方法的流程图。
图2为本发明实施例的相似轨迹线段提取示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
实施例
如图1所示,本实施例提出一种基于低精度随机采样数据的轨迹相似度匹配方法,包括如下步骤:
步骤一,对低精度非连续轨迹点的原始数据进行预处理得到目标数据:
对低精度非连续轨迹点的原始数据按照目标进行分类,并根据轨迹点的时间对轨迹点进行时间排序,完成时间排序后即得到目标数据。
步骤二,对目标数据中不同目标的轨迹点进行判断并分割属于不同目标的轨迹点,得到不同目标的轨迹:
对目标数据中不同目标的轨迹点进行判断,当两个轨迹点的时间间隔大于设定时间阈值时,认为此两个轨迹点属于两段轨迹,以此对轨迹点进行分割,得到不同目标的轨迹。
步骤三,找到两个不同目标,将不同目标下的所有轨迹进行两两配对;
步骤四,对两个不同目标下的配对的两个轨迹进行处理,得到两个轨迹的两个相似轨迹线段:
对两个不同目标下配对的轨迹A和轨迹B进行处理,找到轨迹A与轨迹B中距离小于设定距离阈值的轨迹点作为集合{a}和集合{b};
根据集合{a}中的起始轨迹点和结束轨迹点,截取轨迹A中的轨迹线段A1,根据集合{b}中的起始轨迹点和结束轨迹点,截取轨迹B中的轨迹线段B1,轨迹线段A1与轨迹线段B1即为两个轨迹的相似轨迹线段。
如图2所示,轨迹A和轨迹B的相似轨迹线段为an+1am与bi+1bj,an+1之前的轨迹点和am之后的轨迹点到轨迹B所有轨迹点的距离都大于设定距离阈值,bi+1之前的轨迹点和bj之后的轨迹点到轨迹A所有轨迹点的距离都大于设定距离阈值。
步骤五,根据两个相似轨迹线段分别计算两个轨迹的有效距离、有效长度和有效轨迹点数:
(1)有效点数
轨迹线段A1与轨迹线段B1的轨迹点的数目为两个轨迹的有效轨迹点数N和M。其中,如果轨迹线段A1或轨迹线段B1中的轨迹点数小于设定数目阈值(可以取设定数目阈值等于2),则认为轨迹A和轨迹B不相似,其相似度为0。
(2)有效距离
确定轨迹A和轨迹B中的较短轨迹和较长轨迹;
找到较短轨迹中距离较长轨迹最近的轨迹点,以及较长轨迹中距离较短轨迹最近的轨迹点,将这两个轨迹点拿出,再从剩下的轨迹点中拿出两个轨迹最近的轨迹点,直到较短轨迹中的轨迹点被取完,计算每次拿出的两个轨迹点的第一距离;
从较长轨迹剩余的轨迹点中找到距离较短轨迹最近的轨迹点,计算每个较长轨迹剩余的轨迹点与较短轨迹的第二距离;
根据第一距离和第二距离求得距离的均值H作为评估两个轨迹的有效距离。
(3)有效长度
获得轨迹线段A1经度的最大值a0和最小值a1,纬度的最大值b0和最小值b1;获得轨迹线段B1经度的a2最大值和最小值a3,纬度的最大值b2和最小值b3;轨迹线段A1和轨迹线段B1的四个经度值进行排序并组成集合{a0,a1,a2,a3}、四个纬度值进行排序并组成集合{b0,b1,b2,b3};|a1-a2|与|b1-b2|的乘积为两个轨迹的相似面积,两个轨迹的相似面积与两个轨迹的有效距离的比值作为两个轨迹的有效长度L。其中,如果一条轨迹经度和纬度的最小值都大于另一条轨迹的经度和纬度的最大值,则认为两个轨迹的相似度为0。
步骤六,根据两个轨迹的有效距离、有效长度和有效轨迹点数计算出两个轨迹的相似度:
其中,P为两个轨迹的相似度。当两个轨迹有效距离越近、有效长度越长、轨迹点数量越多、分部均衡时,其相似度越高;使用对数函数对其影响进行处理,防止出现线性增长。
步骤七,重复步骤三至步骤六直到计算得到所有目标下所有轨迹的相似度;
步骤八,对所有目标下所有轨迹的相似度做排序处理,即可得到每条轨迹与其他轨迹的相似度排名情况。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于低精度随机采样数据的轨迹相似度匹配方法,其特征在于,包括如下步骤:
步骤一,对低精度非连续轨迹点的原始数据进行预处理得到目标数据;
步骤二,对目标数据中不同目标的轨迹点进行判断并分割属于不同目标的轨迹点,得到不同目标的轨迹;
步骤三,找到两个不同目标,将不同目标下的所有轨迹进行两两配对;
步骤四,对两个不同目标下的配对的两个轨迹进行处理,得到两个轨迹的两个相似轨迹线段;
步骤五,根据两个相似轨迹线段分别计算两个轨迹的有效距离、有效长度和有效轨迹点数;
步骤六,根据两个轨迹的有效距离、有效长度和有效轨迹点数计算出两个轨迹的相似度;
步骤七,重复步骤三至步骤六直到计算得到所有目标下所有轨迹的相似度;
步骤八,对所有目标下所有轨迹的相似度做排序处理,即可得到每条轨迹与其他轨迹的相似度排名情况。
2.根据权利要求1所述的基于低精度随机采样数据的轨迹相似度匹配方法,其特征在于,步骤一中对低精度非连续轨迹点的原始数据进行预处理的方法为:
对低精度非连续轨迹点的原始数据按照目标进行分类,并根据轨迹点的时间对轨迹点进行时间排序,完成时间排序后即得到目标数据。
3.根据权利要求2所述的基于低精度随机采样数据的轨迹相似度匹配方法,其特征在于,步骤二中对目标数据中不同目标的轨迹点进行判断并分割属于不同目标的轨迹点的方法为:
对目标数据中不同目标的轨迹点进行判断,当两个轨迹点的时间间隔大于设定时间阈值时,认为此两个轨迹点属于两段轨迹,以此对轨迹点进行分割,得到不同目标的轨迹。
4.根据权利要求3所述的基于低精度随机采样数据的轨迹相似度匹配方法,其特征在于,步骤四中对两个不同目标下的配对的两个轨迹进行处理,得到两个轨迹的两个相似轨迹线段的方法为:
对两个不同目标下配对的轨迹A和轨迹B进行处理,找到轨迹A与轨迹B中距离小于设定距离阈值的轨迹点作为集合{a}和集合{b};
根据集合{a}中的起始轨迹点和结束轨迹点,截取轨迹A中的轨迹线段A1,根据集合{b}中的起始轨迹点和结束轨迹点,截取轨迹B中的轨迹线段B1,轨迹线段A1与轨迹线段B1即为两个轨迹的相似轨迹线段。
5.根据权利要求4所述的基于低精度随机采样数据的轨迹相似度匹配方法,其特征在于,步骤五中根据两个相似轨迹线段分别计算两个轨迹有效轨迹点数的方法为:
轨迹线段A1与轨迹线段B1的轨迹点的数目为两个轨迹的有效轨迹点数N和M。
6.根据权利要求5所述的基于低精度随机采样数据的轨迹相似度匹配方法,其特征在于,如果轨迹线段A1或轨迹线段B1中的轨迹点数小于设定数目阈值,则认为轨迹A和轨迹B不相似,其相似度为0。
7.根据权利要求6所述的基于低精度随机采样数据的轨迹相似度匹配方法,其特征在于,步骤五中根据两个相似轨迹线段分别计算两个轨迹有效距离的方法为:
确定轨迹A和轨迹B中的较短轨迹和较长轨迹;
找到较短轨迹中距离较长轨迹最近的轨迹点,以及较长轨迹中距离较短轨迹最近的轨迹点,将这两个轨迹点拿出,再从剩下的轨迹点中拿出两个轨迹最近的轨迹点,直到较短轨迹中的轨迹点被取完,计算每次拿出的两个轨迹点的第一距离;
从较长轨迹剩余的轨迹点中找到距离较短轨迹最近的轨迹点,计算每个较长轨迹剩余的轨迹点与较短轨迹的第二距离;
根据第一距离和第二距离求得距离的均值作为评估两个轨迹的有效距离。
8.根据权利要求7所述的基于低精度随机采样数据的轨迹相似度匹配方法,其特征在于,步骤五中根据两个相似轨迹线段分别计算两个轨迹有效长度的方法为:
获得轨迹线段A1经度的最大值a0和最小值a1,纬度的最大值b0和最小值b1;获得轨迹线段B1经度的a2最大值和最小值a3,纬度的最大值b2和最小值b3;轨迹线段A1和轨迹线段B1的四个经度值进行排序并组成集合{a0,a1,a2,a3}、四个纬度值进行排序并组成集合{b0,b1,b2,b3};|a1-a2|与|b1-b2|的乘积为两个轨迹的相似面积,两个轨迹的相似面积与两个轨迹的有效距离的比值作为两个轨迹的有效长度。
9.根据权利要求8所述的基于低精度随机采样数据的轨迹相似度匹配方法,其特征在于,如果一条轨迹经度和纬度的最小值都大于另一条轨迹的经度和纬度的最大值,则认为两个轨迹的相似度为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111195764.7A CN114048792A (zh) | 2021-10-14 | 2021-10-14 | 一种基于低精度随机采样数据的轨迹相似度匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111195764.7A CN114048792A (zh) | 2021-10-14 | 2021-10-14 | 一种基于低精度随机采样数据的轨迹相似度匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114048792A true CN114048792A (zh) | 2022-02-15 |
Family
ID=80205099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111195764.7A Pending CN114048792A (zh) | 2021-10-14 | 2021-10-14 | 一种基于低精度随机采样数据的轨迹相似度匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114048792A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529311A (zh) * | 2022-02-16 | 2022-05-24 | 安徽肇立科技有限公司 | 一种基于定位曲线相似性的路线轨迹匹配方法 |
CN114882066A (zh) * | 2022-07-11 | 2022-08-09 | 浙江大华技术股份有限公司 | 目标跟踪方法及相关装置、电子设备和存储介质 |
-
2021
- 2021-10-14 CN CN202111195764.7A patent/CN114048792A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529311A (zh) * | 2022-02-16 | 2022-05-24 | 安徽肇立科技有限公司 | 一种基于定位曲线相似性的路线轨迹匹配方法 |
CN114882066A (zh) * | 2022-07-11 | 2022-08-09 | 浙江大华技术股份有限公司 | 目标跟踪方法及相关装置、电子设备和存储介质 |
CN114882066B (zh) * | 2022-07-11 | 2022-11-22 | 浙江大华技术股份有限公司 | 目标跟踪方法及相关装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114048792A (zh) | 一种基于低精度随机采样数据的轨迹相似度匹配方法 | |
CN110095127B (zh) | 一种基于分段的隐马尔可夫模型地图匹配方法 | |
CN107247259B (zh) | 基于神经网络的k分布海杂波形状参数估计方法 | |
CN111310833B (zh) | 一种基于贝叶斯神经网络的出行方式识别方法 | |
CN112862156B (zh) | 一种基于船舶轨迹和蚁群算法的船舶路径规划方法 | |
CN109708638B (zh) | 一种船舶轨迹点提取方法 | |
CN107103326A (zh) | 基于超像素聚类的协同显著性检测方法 | |
CN111179638A (zh) | 一种基于时间序列的船舶ais目标航行监控方法 | |
CN108667684B (zh) | 一种基于局部向量点积密度的数据流异常检测方法 | |
CN110647647B (zh) | 一种基于时间序列复杂度差异性的封闭图形相似性搜索方法 | |
CN116071722A (zh) | 基于路段轨迹的车道几何信息提取方法、系统、设备及介质 | |
Hsueh et al. | A hidden Markov model-based map-matching approach for low-sampling-rate GPS trajectories | |
CN113821702A (zh) | 一种城市多维空间多元异构信息数据处理方法 | |
CN111123333B (zh) | 一种融合卡口和gps数据的车辆轨迹定位方法 | |
CN113284369A (zh) | 一种基于ads-b实测航路数据的预测方法 | |
CN111796250A (zh) | 一种基于风险评估的虚假点迹多维层次化抑制方法 | |
Shen et al. | Retrieving similar trajectories from cellular data at city scale | |
WO2022188574A1 (zh) | 一种回归任务的深度学习方法和装置 | |
CN114021629B (zh) | 一种基于均值动态时间规整的车辆轨迹运动模式提取方法 | |
CN112418339B (zh) | 基于随机森林的空中移动对象识别方法 | |
CN111578933B (zh) | 一种快速识别用户进入特定地理区域内的方法 | |
CN112269951A (zh) | 面向矢量线数据的直线形状空间检索方法 | |
CN112951438A (zh) | 一种基于噪声阈值距离度量的离群点检测方法 | |
CN112070179A (zh) | 一种基于密度峰值的自适应时空轨迹聚类方法 | |
Li et al. | A GPS Trajectory Segmentation Method for Transportation Mode Inference |
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 |