[发明专利]基于LZW算法的GPS轨迹数据的压缩方法

说明书

本发明涉及一种压缩算法，具体为一种基于LZW算法的GPS轨迹数据的压缩方法，本方法将传统的轨迹数据结合路网信息，通过地图匹配的办法将原始轨迹数据转化为使用路段序列表示的轨迹数据，之后为了便于处理，自定义一种编码规则将路段轨迹数据转化成文本类型的数据，最后利用LZW压缩算法对转化后的文本类型的轨迹数据进行压缩和解压缩。本发明通过运用地图匹配、映射轨迹、路段号转换等处理方法，将轨迹数据转化成文本数据的形式，从而可以使用LZW算法对其进行压缩。与其它算法相比，本方法在保证运行效率的同时，保证了压缩率。

技术领域

本发明涉及一种压缩算法。

背景技术

基于位置信息(location-acquisition)的技术的发展，我们可以获得大量的轨迹信息，代表了行人，车辆，野生动物，飓风等移动信息。轨迹数据属于时空数据(spatiotemporal data)[1]的一种，一条轨迹记录了移动物体在一连串采样时间下的位置信息。比如一个物体的移动轨迹为：p₁p₂…p_n，每个点包含了移动物体的地理位置坐标和时间戳信息，如p＝(x,y,t)。轨迹信息可以帮助我们更好地了解移动物体的行为特点，促进了基于位置的应用，智能传输网络，智慧城市的发展。这些应用的流行，反过来刺激了轨迹数据挖掘的研究，轨迹数据挖掘已经逐渐成为跨学科的重要的研究领域，吸引了大量领域(如计算机科学，社会学，地理学)的关注。

设备(如手机，平板等)的广泛使用，使得我们可以得到大量的刻画物体运动的时空数据。据统计，如果我们每隔15秒采集一次GPS数据，每天产生8亿条数据，一个月3T的数据量。随着采集设备和应用的增加，以及时间的推移，数据量的增长难以想象，大量的数据使得存储，查询，分析和通信造成困难。由于轨迹数据一般数量巨大，并且很多点是冗余(重复)和噪声点，为了储存并传输轨迹数据，应用必须拥有较大的储存空间和传输速率，而这对于一些耗电量和成本敏感的传感器网络来说较难做到。因此，对轨迹数据的压缩成为轨迹数据挖掘的一个研究热点。

根据输入的轨迹数据的不同，目前常见的轨迹压缩算法一般分为三类：离线压缩，在线压缩，基于语义的压缩。顾名思义，离线压缩是在轨迹数据完全获得以后进行的压缩，在线压缩是随着物体的移动，实时地进行压缩，而基于语义的压缩利用了轨迹的一些具有语义含义的特殊点进行压缩。

离线压缩：给定一条包含一系列完整带有时间戳的点的轨迹，离线压缩算法目标是在误差范围内，舍弃一些点，生成一条近似轨迹。算法的思路类比线简化问题(linesimplification problem)，而线简化问题在计算机图形学和制图学方面已经有了成熟的研究。一个经典的算法是Douglas-Peucker[2]，广泛用于曲线化直问题。原始的Douglas-Peucker时间复杂度为O(N²)，N为轨迹点的个数，它的优化版本的时间复杂度为O(NlogN)，为了保证生成的近似估计是最优的，Bellman提出了一种动态规划的算法，时间复杂度为O(N³)。[3，4]中对轨迹点的角度进行范围限制，在一定的最大误差范围内对轨迹点进行压缩。

在线压缩：许多应用要求轨迹传输是实时的，许多在线压缩算法处理新获取的数据来决定是否将其保留在压缩轨迹中。主要有两类在线压缩算法，一种是基于窗口(window)的算法，比如滑动窗口(Sliding Window)算法[5]和开窗口(Open Window)算法[6]，另一种主要基于移动物体的速度和方向。

基于语义的压缩：在对轨迹进行压缩时，尽量保留其语义信息。比如，对于一条行人的游玩轨迹，行人的停留点，拍照点，方向剧烈转换的点比起其他的点，显然有更重要的语义含义。