面向轨迹数据发布的隐私保护技术研究进展

大规模移动对象轨迹数据的采集、发布及分析挖掘,为诸如交通路况分析、城市规划及社区发现等各类应用提供了有效的支撑。然而,如果不加保护地直接发布这些轨迹数据,恶意的攻击推理将对个体隐私带来严重的威胁。因此,兼顾用户高隐私保护度和数据高可用性的隐私保护技术是轨迹数据发布研究中的核心内容。首先,介绍了轨迹数据发布的场景、架构以及隐私保护的目标;然后,阐述了近年来国内外该领域中主要的隐私保护技术及相应的度量标准;最后,展望了该领域的未来研究工作。     

一种形状多级描述方法及在多尺度空间数据几何相似性度量中的应用

利用多级弦长函数和中心距离函数从全局整体到局部细节逐级描述几何形状,建立通用多尺度空间数据几何相似性度量模型。基于高斯概率统计模型改进传统的Hausdorff距离,引入信息检索中的相关反馈技术解决相似度量模型中各指标阈值的确定问题。最后将相似度量模型分别应用于不同比例尺数据匹配和空间目标化简前后的相似度量,试验表明,基于该描述方法的相似度量模型可有效实现不同比例尺水域数据的匹配和相似度量。     

轨迹数据的时间采样间隔对停留识别和出行网络构建的影响

个体轨迹数据已经广泛用于人群活动的研究中。在静止的局部空间开展的活动是个体日常生活的基本元素,在轨迹数据中对应停留部分。因此学者常从轨迹数据中识别停留来研究个体活动信息。然而,轨迹数据的时间采样间隔会对停留识别带来影响。针对该问题,首先提出了一个框架,量化不同持续时间长度的活动在不同时间采样间隔的轨迹数据中被识别为停留的概率。其次,考虑到个体出行网络依赖于停留识别结果,基于该框架,研究分析了时间采样间隔对出行网络分析结果的影响。最后,利用该框架分别对深圳市居民出行调查数据和手机轨迹数据进行了分析。研究表明,在面向人群活动的研究和应用中,该框架能支持时间采样间隔的选择决策和面向活动类型的研究结果评价。     

美国地理信息系统隐私法律述评

地理信息系统存在隐私问题。本文梳理美国的隐私保护法律体系,分析美国与欧盟关于隐私法律保护法律模式的差异,研究安全港框架及相关原则对数据跨境流转的作用,期望对我国地理信息系统的法律制度构建有比较法意义。     

地理信息隐私保护法律问题探析

地理信息市场化过程中存在隐私法律问题。本文以美国隐私保护法律体系为视角,分析美国与欧盟关于隐私法律保护法律模式的差异,研究安全港框架及相关原则对数据跨境流转的作用。通过比较法研究,旨在对我国地理信息市场化法律制度的构建有所启发。     

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。     

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。     

大数据驱动的人类移动模式和模型研究

大数据时代的到来使得基于个体粒度的海量时空轨迹获取人类移动模式成为可能。来自不同领域的学者基于手机通话数据、公交卡刷卡记录、社交网站签到数据、出租车轨迹、银行刷卡记录等进行了人类移动模式的研究,这些研究丰富了地理信息系统的时空分析方法,为从个体角度审视人与地理环境之间的交互关系提供了一个新视角,并可以应用于交通、公共卫生等领域。总结了基于大数据的人类移动模式研究流程,归纳了人类移动模式的基本度量方法,探讨了解释所观测移动模式的模型构建方法,指出了地理环境对于移动模型建立的影响。     

一种抗拼接的瓦片遥感数据水印算法

针对目前遥感数据水印技术难以抵抗拼接攻击,无法有效保护瓦片遥感数据的版权问题,提出一种基于黄金分割法搜索定位机制的抗拼接遥感数据水印算法。试验结果表明,该算法在保持抗几何攻击的基础上,能有效抵抗瓦片遥感数据的拼接攻击。     

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。     

利用轨迹数据进行道路网更新及轨迹融合

随着经济的快速发展,城市道路网更新迅速,道路网数据对于交通规划和城市发展具有重要意义。本文提出了一种基于轨迹数据的道路更新及轨迹融合方法。首先使用几何最短距离分析和隐马尔科夫模型来提取失配轨迹,然后使用基于Delaunay三角网和基于山脊线相结合的轨迹融合方法,提取出新增道路骨架线,对得到的骨架线进行显化和延长处理,使其融合到现有道路网中。试验结果表明,采用基于Delaunay三角网和基于山脊线相结合的轨迹融合方法,能够提高新增道路的生成效率,改善道路网的更新效果。     

Trajectory Ontologies and Queries

Many real world applications today are built on analyses of movement and related features. Examples of such applications include transportation management, urban planning, tourism services, and animal migration monitoring, among others. Recent database modeling and management research prototypes have the capability to store and manipulate movement data in terms of point or region geometries that evolve over time (moving point or moving and deforming region). This captures the spatio‐temporal trace left by a moving object, but ignores its links with non‐geometric information that enable a semantic interpretation of the movement of moving objects. The concept of trajectory has been introduced to express a more semantic understanding of movement, taking it closer to the perception of applications. This article describes a framework for a semantics‐oriented structuring, modeling and querying of trajectory data. The framework relies on the definition of trajectory‐related ontologies, addressing domain‐independent and application‐specific geometric and semantic facets. Last we briefly discuss how the proposed approach has been applied for a traffic management application.     

历史数据和强化学习相结合的低频轨迹数据匹配算法

针对低频(采样间隔大于1min)轨迹数据匹配算法精度不高的问题,提出了一种基于强化学习和历史轨迹的匹配算法HMDP-Q,首先通过增量匹配算法提取历史路径作为历史参考经验库;根据历史参考经验库、最短路径和可达性筛选候选路径集;再将地图匹配过程建模成马尔科夫决策过程,利用轨迹点偏离道路距离和历史轨迹构建回报函数;然后借助强化学习算法求解马尔科夫决策过程的最大回报值,即轨迹与道路的最优匹配结果;最后应用某市浮动车轨迹数据进行试验。结果表明:本文算法能有效提高轨迹数据与道路匹配精度;本算法在1min低频采样间隔下轨迹匹配准确率达到了89.2%;采样频率为16min时,该算法匹配精度也能达到61.4%;与IVVM算法相比,HMDP-Q算法匹配精度和求解效率均优于IVVM算法,16min采样频率时本文算法轨迹匹配精度提高了26%。     

Drifter轨迹与FVCOM模型轨迹对比数据处理方法的研究

Drifter监测洋流轨迹与FVCOM模型模拟轨迹对比可以发现模型不足,进而优化模型,对比的精度制约着模型优化的程度。针对Nearest洋流轨迹对比数据处理方法精度不高的问题,提出将Wachspress Interpolation、BP神经网络和加权平均3种数据处理方法用于drifter漂流轨迹与FVCOM模型轨迹对比,用分离速度与距离比作为精度指标。结果显示Wachspress Interpolation数据处理方法在分离速度与距离比方面都优于其他3种方法;BP神经网络受训练样本区域大小、样本数据影响以及模型点匹配限制,对比精度最差;Nearest与加权平均法对比效果介于两者之间。实验结果表明新提出的Wachspress Interpolation方法对比精度更高,更加适用于Drifter轨迹与FVCOM模型轨迹对比,该研究结论可应用于后续的模型优化。     

保持移动速度特征的轨迹线化简方法

轨迹线数据实施化简处理对于缓解数据存储、传输压力以及后期的分析可视化效率具有重要意义。常规方法(如Douglas-Peucker算法)主要考虑线目标的几何形态结构,直接应用到轨迹线化简中容易丢失移动物体的运动状态特征。本研究从保持轨迹线隐含速度特征出发,提出了一种基于移动速度相似性原则的轨迹线层次化剖分与分区化简处理方法。首先,以相邻轨迹点构成的直线段为基本单元,在拓扑连接关系约束下基于速度指标对轨迹直线段进行层次化聚类,并将聚类结果组织为层次树结构;然后,以建立的层次树结构为约束条件对原始轨迹线实施分区处理,使得同一区域内轨迹线片段的中间点距首尾基准线的最大时间同步偏移距离小于设定的阈值;最后,依次连接各分区轨迹线片段首尾点导出化简结果。采用真实的车辆轨迹线作为试验数据,通过与其他多种方法进行对比分析验证了本文提出方法的有效性。     

一种改进的轨迹地图匹配算法

GPS轨迹数据数目的急剧增长,对地图匹配算法提出了严峻的考验。目前已有的地图匹配算法对于较为复杂的路段和具有低频GPS的数据很难达到很高的准确率。本文提出了一种基于HMM的改进的地图匹配算法,在求解最短路径距离时进行了改进。经试验验证,本文提出的算法相比传统HMM算法具有更高的准确率。     

一种自适应轨迹曲线地图匹配算法

地图匹配能够将车辆定位信息与路网电子地图相结合,是车辆导航系统中重要的定位技术.首先简要介绍和分析基于自适应模糊神经网络的C-Measure地图匹配算法及其优点,算法中的C-Measure用来度量车辆行驶在选定道路上的可能性大小.由于该算法着重于分析当前定位点信息,在复杂路网中会因为信息量的不足影响匹配精度.因此,为提高道路网中定位点的匹配精度,提出基于平均Fréchet距离和分层模糊控制技术的轨迹曲线匹配算法.该算法改进原算法的结构,并参考定位点的历史信息,引入平均Fréchet距离用以定义历史轨迹曲线间的距离;由于增加历史数据输入,导致模糊规则数目的增加,从而影响算法的运行效率.为简化规则,提高效率,采用分层模糊控制技术,而且对算法的学习律也进行改进.仿真结果表明改进后算法的有效性.     

机器人室内运动轨迹修正控制算法

移动机器人在室内的应用提升了人们的工作效率和生活品质,但针对移动机器人室内运动轨迹漂移误差,产业界一直没有较好的解决办法。为了在室内环境下实现机器人运动轨迹的高精度控制,本文结合基于LiDAR搭建的SLAM （simultaneous localization and mapping）功能模块,提出了一种机器人室内测图运动轨迹PID反馈修正控制方法,利用机器人的运动姿态、位置及设计轨迹的偏差设计了闭环模式的轨迹修正控制算法,显著提高了机器人室内作业的轨迹精度。针对机器人室内运动的几种典型轨迹,通过大量的机器人室内测图运动轨迹测试,进一步优化算法中的机器人运动控制参数,有效地减小了移动机器人室内运动轨迹的偏移。相对于依靠里程计定位的机器人室内运动控制系统,修正算法充分利用了激光雷达的定位定姿信息,满足了室内测图需求,得到了具备高可靠性和高稳定性的机器人室内精确运动控制方案。     

基于航迹线追踪的TERPM定位算法

针对TERCOM（terrain contour matching）算法定位精度对航向误差敏感和算法普适性差等不足,提出了一种基于航迹线追踪的TERPM（terrain profile matching locating algorithm）定位算法。利用INS（inertial navigation system）提供的速度和航向信息对UV（underwater vehicles）的航迹进行追踪,在遍历基准地形时考虑航向误差对数据选取的影响,组合最优匹配的判别方法,提高定位算法的抗噪性。实验结果表明:TERPM定位算法适用于机动UV的精确定位且定位精度对航向误差不敏感;与已有的TERCOM改进算法相比,新算法具有更高的定位精度和更好的抗噪性能。