顾及地理语义的运动轨迹相似性度量模型北大核心CSCD

移动对象的运动行为往往受到所处地理环境的影响,针对现有轨迹相似性分析无法考虑地理环境因素的现状,本文提出了一种顾及地理语义的多重运动特征轨迹相似性度量方法。该方法首先以扩展到时间层面的数据立方体为基础,对轨迹序列的地理语义和运动特征进行符号化;然后利用多个特征值计算得到的加权编辑距离作为衡量轨迹相似性的标准;最后将该相似性度量方法与谱聚类结合,利用真实数据验证了该度量模型的有效性与优势。     

出租车轨迹数据的频繁轨迹识别

为识别城市交通中的频繁路径,本文提出了一种出租车轨迹数据的频繁轨迹识别方法。该方法首先对轨迹数据进行轨迹压缩,以降低计算复杂度;然后基于最长公共子序列和动态时间规整算法进行轨迹相似性度量计算,利用计算得到的轨迹间相似度生成距离矩阵;最后将生成的距离矩阵结合HDBSCAN算法进行聚类得到频繁轨迹。选取厦门岛内两个区域进行试验分析,结果表明,该方法能够识别出轨迹数据集中的频繁轨迹,进而得到城市区域之间通行的频繁路径,对道路规划、路径优化与推荐、交通治理等应用提供帮助。     

利用最长公共子序列度量线要素相似性的方法

现有线要素相似性度量方法主要基于空间欧式距离或面积,缺少对线状要素几何形态特征相似性的考虑,在线状要素分布密集区域或地形地貌变化剧烈区域易产生度量误差。为此,提出一种基于最长公共子序列的线状要素几何相似性度量方法。利用特征描述子将线要素节点序列转化为几何特征描述序列;并利用基于控制参数的动态规划方法求解特征描述序列间的最长公共子序列,进而度量线状要素间的几何形态相似度。模拟数据试验和真实数据试验表明,该方法在保证运行效率的情况下,具有较高的正确率。     

出租车轨迹数据的南京人群出行模式挖掘

针对现有出租车轨迹数据挖掘中时间序列邻近度量方法存在的问题,提出一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,进而研究城市人群出行行为的时空差异。以南京市为例,结合电子地图对出行模式的空间分布特征进行分析,证明了本文所提出的方法的有效性。实验结果表明:在空间分布上,工作日出租车出行模式按照平均出行频次由高到低排序,从城市中心向四周扩散,呈中心环状分布,出行模式区域界限较为明显,同类出行模式分布区域对应相似的功能。提出了一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,有效地分析城市人群出行行为的时空差异。     

移动轨迹聚类方法研究综述

轨迹数据是人类移动行为的表征,能够映射出人的出行模式和社会属性等信息。怎样有效挖掘轨迹数据蕴藏的人类活动规律一直是研究的热点。通过轨迹聚类发现行为相似的类簇,从而探究群体的移动模式是轨迹挖掘和深度应用常见的方法之一。本文首先根据轨迹数据的特点,将轨迹数据模型分为轨迹点模型和轨迹段模型,并据此定义相应的相似性度量：空间相似性度量和时空相似性度量;然后,对两类模型的聚类方法进行了综述,并总结不同聚类算法的优缺点,以期为不同应用选取聚类算法提供科学依据;最后对移动轨迹数据聚类方法研究的发展趋势进行了讨论。     

基于地理空间感知型表征学习的轨迹相似度计算

度量轨迹间的相似性不仅是一项基础的研究问题,同时也为众多轨迹数据挖掘应用提供支持。传统相似性度量方法面临数据噪声敏感、算法效率低等问题,难以进行大规模数据计算。当前研究开始尝试使用深度表征学习方法,将高维轨迹数据映射到低维向量空间,通过度量表征间的距离高效地完成相似度计算任务。本文在轨迹表征学习中引入Transformer机制,提出了一种地理空间感知的深度轨迹表征学习方法。首先,使用Geohash编码将二维空间坐标点转换为一维编码序列,使轨迹点在嵌入过程中保留空间相关性。然后,引入Transformer框架构建轨迹表征的深度学习模型,并采用一种隐轨迹点训练模式,以保证模型能从低频、噪声的数据中习得更稳健的向量表示。最后,设计了一个空间感知损失函数,通过距离因子调整模型误差,拉近空间相近轨迹的表征。试验表明,本文方法在轨迹相似性计算任务中超越了基准模型,并且计算效率远高于传统度量方法。     

一种基于改进TDD模型的空间场景相似性度量方法

针对计算空间场景相似性的TDD(Topology-Direction-Distance)模型的局限,提出一种基于改进的TDD模型来度量实体数目相同的场景相似度的算法.该算法以TDD模型的思想为核心,首先利用维度扩展的9交模型、详细方向关系矩阵模型和距离定量描述方法分别提取空间场景中的实体间拓扑、方向和距离特征,建立空间场景特征矩阵,实现对空间场景的表达;然后结合拓扑、方向关系的概念邻域方法和欧式距离,构建针对矢量面数据空间场景相似性度量模型;利用场景相似性度量模型进行空间场景相似性匹配;最后以深圳市福田区矢量面数据为例进行实验.实验结果表明该方法能有效度量空间场景的相似度.     

面向地理实体的语义相似性度量方法及其在道路匹配中的应用

语义相似性度量是实现多源矢量空间数据集成与融合的关键技术。首先以地理实体为研究对象,从矢量空间数据表达视角对地理实体的语义信息进行分析与描述,提出基于多特征约束的语义相似性度量模型。然后该模型将地理要素分类关系作为控制条件提取目标实体集,在构建实体间语义特征对应关系的基础上引入属性特征熵的概念,计算不同特征的权重值,进而综合多特征相似性来度量地理实体的整体语义相似程度。最后将该模型应用到道路实体匹配实验中,通过计算实体之间的语义相似性实现匹配,验证了该模型的有效性。实验结果表明,基于多特征约束下的语义相似性度量模型能够合理计算地理实体的语义相似度,且提高了地理实体语义匹配效率。     

基于线状图形相似性的道路数据变化检测

将相似性认知的距离观与特征集合观相结合,在获得相似性图形的差异距离的基础上,提出了线状地物的几何图形相似性度量模型;通过研究空间数据变化与相似度的关系,提出了基于线状地物相似度的空间数据变化检测算法,实现了基于线状图形相似性认知的道路数据变化发现与提取.     

空间数据网络多分辨率传输的几何图形相似性度量

将相似性认知的距离观与特征集合观相结合，以差异距离作为相似性特征，提出面状空间数据的几何图形相似性度量模型，针对面状不同地物进行几何图形相似性度量。完成多分辨率网络传输的线状和面状空间数据几何图形相似性度量实验，并对不同传输量的网络渐进传输与普通网络传输进行图形相似度比较，实验结果证明几何图形相似性度量模型对于评价网络渐进传输的可行性。     

Mobile user identification based on road networks and multiple distance measures

Mobile user identification aims at matching different mobile devices of the same user using trajectory data, which has attracted extensive research in recent years. Most of the previous work extracted trajectory features based on regular grids, which will lead to incorrect feature representation due to lack of geographic information. Besides, most trajectory similarity models only considered one single distance measure to calculate the similarity between users, which ignore the connection between different distance measures and may lead to some false matches. In light of this, we present a novel user identification method based on road networks and multiple distance measures in this article. The proposed method segments a city map into several grids and road segments based on road networks. Then it extracts location and road information of trajectories to jointly construct user features. Multiple distance measures are fused by a discriminant model to improve the effect of user identification. Experiments on real GPS trajectory datasets show that our proposed method outperforms related similarity measure methods and is stable for mobile user identification. Meanwhile, our method can also achieve good identification results even on sparse trajectory datasets.     

Towards semantic‐aware multiple‐aspect trajectory similarity measuring

The large amount of semantically rich mobility data becoming available in the era of big data has led to a need for new trajectory similarity measures. In the context of multiple‐aspect trajectories, where mobility data are enriched with several semantic dimensions, current state‐of‐the‐art approaches present some limitations concerning the relationships between attributes and their semantics. Existing works are either too strict, requiring a match on all attributes, or too flexible, considering all attributes as independent. In this article we propose MUITAS, a novel similarity measure for a new type of trajectory data with heterogeneous semantic dimensions, which takes into account the semantic relationship between attributes, thus filling the gap of the current trajectory similarity methods. We evaluate MUITAS over two real datasets of multiple‐aspect social media and GPS trajectories. With precision at recall and clustering techniques, we show that MUITAS is the most robust measure for multiple‐aspect trajectories.     

时空轨迹多层级相似子段匹配方法

轨迹子段匹配是轨迹数据挖掘的重要手段,针对其计算复杂度较高、受噪声影响大的问题,提出了一种融合自适应希尔伯特地理网格编码的多层级轨迹编码树结构,在可接受的建树代价下,形成了从轨迹整段到最小片段的层次化组织形式和子段从属关系表达结构,并在轨迹片段编码树的基础上,设计了相似子段匹配算法,将复杂的空间计算转化为空间编码的字符串前缀匹配操作,极大地降低轨迹子段匹配的计算复杂度。实际轨迹数据的实验表明,在不影响匹配准确率的前提下,提出的子段匹配方法的效率与基于经典距离的相似性度量方法相比,有超过一个数量级的性能提升。     

轨迹延续性与影像特征相似性结合的城市道路提取

城市道路区域检测是城市土地管理、交通规划等领域的迫切需求,而传统城市道路区域检测多使用轨迹提取、遥感解译、人工采集等单独方式,在自动化程度或提取质量上存在一定的局限性。本文结合GNSS轨迹点与高分遥感影像各自的数据优势,提出一种基于轨迹延续性与影像特征相似性的遥感影像道路区域检测方法。该方法以出租车GNSS轨迹点构建轨迹特征栅格,基于轨迹延续性在平均方向特征栅格中划分路段对象,利用道路对象的光谱特征向轨迹无法覆盖的小区内部进行拓展,以获得提取区域内较为完整的道路信息。试验证明：本文方法可以有效降低道路的同物异谱现象及阴影、树木遮挡的影响,高效地提取高分遥感影像中的道路区域。与传统的遥感影像分类方法相比,具有更高的精度与自动化程度,相较于深度学习模型具有更广的适应性。     

A novel trajectory similarity measurement method based on node-sequence hierarchical digraph

Trajectory similarity measurement is a basic and vital task in trajectory data mining, which has attracted extensive research in the past decades. Recent works focused on the sequence and hierarchy property of trajectories to construct similarity measurements. However, these methods ignore the user information on the visiting locations, such as semantic and time distribution. In light of this, a novel trajectory similarity measurement based on Node-Sequence Hierarchical Digraph (NSHD) framework is proposed in this article. We first propose a Time-Weighted Stay Point Detection (TWSPD) method to extract real visiting locations of users more accurately. Then, the nodes of digraph are obtained by clustering users' stay points and the edges of digraph are sequence information that users move between these nodes. An Advanced Earth Mover's Distance (AEMD) is proposed to measure the node similarity between users, considering visiting time distribution and semantic information simultaneously. Both node and sequence similarities are used to calculate the similarity score to obtain the final trajectory similarity measurement. Experiments on Geolife and T-Drive datasets show that our proposed method offers competitive performance with mean reciprocal rank values reaching 96.01 and 81.26%, which outperforms related trajectory similarity measurements by more than 10 and 15%.     

轨迹压缩的典型方法评价

轨迹大数据的关键瓶颈之一是轨迹数据海量的数据规模对轨迹的分析、挖掘和应用的限制，因而各类针对轨迹数据的压缩方法是轨迹大数据研究的重点。现有轨迹压缩算法重视对轨迹数据的单一维度时空特征的保持，而缺乏压缩算法对多维度时空特征影响的研究。本文选取MBR面积误差、距离误差、方向误差、速度误差、压缩率和压缩速度等轨迹数据多维度时空特征，分别从轨迹的几何特征、运动特征和压缩效率3个层面对典型轨迹压缩方法进行评价。同时，为了系统观察轨迹压缩算法在不同压缩尺度上对轨迹时空特征的影响规律，本文采用多个尺度压缩结果的评价方法。研究结果表明，在整体效果上那些考虑了轨迹运动特征的压缩算法（如TD_TR算法）对轨迹的总体时空特征保持较好；并且不同的压缩算法对时空特征的影响总体上具有随着尺度变化的一致性，可见压缩尺度是决定压缩效果的核心因素。     

节点相似度辅助下的线要素匹配方法设计

同名要素匹配是空间数据集成、更新和融合的关键技术。针对要素匹配中不同尺度数据构成差异但拓扑结构相似的问题,本文提出一种基于节点相似度的线要素匹配方法。该方法以线要素节点为主要特征,选取了方向、距离等相似性度量指标,并构建了拓扑、方向和距离三类约束,在此基础上,设计了一种基于拓扑关系和空间位置的匹配模型,实现了线要素特征点的相似性匹配。采用大规模道路网进行试验,试验结果表明,该方法切实可行,能够有效解决复杂线要素匹配问题。     

Multidimensional Similarity Measuring for Semantic Trajectories

Most existing approaches aiming at measuring trajectory similarity are focused on two‐dimensional sequences of points, called raw trajectories. However, recent proposals have used background geographic information and social media data to enrich these trajectories with a semantic dimension, giving rise to the concept of semantic trajectories. Only a few works have proposed similarity measures for semantic trajectories or multidimensional sequences, having limitations such as predefined weight of the dimensions, sensitivity to noise, tolerance for gaps with different sizes, and the prevalence of the worst dimension similarity. In this article we propose MSM, a novel similarity measure for multidimensional sequences that overcomes the aforementioned limitations by considering and weighting the similarity in all dimensions. MSM is evaluated through an extensive experimental study that, based on a seed trajectory, creates sets of semantic trajectories with controlled transformations to introduce different kinds and levels of dissimilarity. For each set, we compute the similarity between the seed and the transformed trajectories, using different measures. The results showed that MSM was more robust and efficient than related approaches in the domain of semantic trajectories.