[发明专利]一种基于关节点综合重要度的位置敏感度判别方法

权利要求书

1.一种基于关节点综合重要度的位置敏感度判别方法，其特征在于，基于位置对于用户轨迹的不同改变程度，提出习惯关节点、速度关节点、方向关节点的概念；并在此基础上根据位置分布情况构建关节点过滤方法，最后基于重要度综合评价方法，形成位置的敏感程度判断，详细包括以下步骤：

1)方向关节点(Direction Key Location)对于轨迹数据集合T中任一轨迹中的位置,若其作为轨迹的DKL，则经过DKL的前后两条轨迹片段T_loci，DKL,T_DKL，loci+2的夹角余弦改变明显大于其余轨迹段的位置，即大于方向阈值θ_∠，其中，夹角余弦表示为：

方向阈值θ_∠可以通过均值与均方差的求和计算，根据公式(1)可以看出，当经过位置的余弦相似度越小则其对于轨迹T的关键程度越大，在大量的变向移动中，直线运动经过的位置即为方向关节点；同时在直线运动中，变向轨迹经过的位置即为方向关节点；

2)速度关节点(Speed Key Location)轨迹数据集合T中任一轨迹中的位置,则SKL代表经过位置SKL后的轨迹段T_loci，SKL,T_SKL，loci+2的距离改变明显大于轨迹中的其他的位置，即大于距离阈值θ_d；同时由于现有的位置采集为等时采集，我们采用距离进行衡量，则经过SKL的距离表达其重要度为

其中，IKL_x，loc_i+2,x代表相应位置的横向坐标；

3)习惯关节点(Preference Key Location)对于用户O的多条行驶轨迹T₁，T₂,...T_N属于T_O，PKL代表具有多条轨迹此点位置汇合点，即T₁∩T₂∩…∩T_i＝PKL，经过PKL的轨迹越多，则关节点PKL对于用户O的习惯性影响越强,则习惯关节点的重要度指标为

count_im＝|T_1,dis∩T_2,dis∩…∩T_i,dis|          (3)

T_i,dis表示经过关节点的轨迹片段长度，表示为

习惯关节点的识别可以通过用户习惯建立习惯关节点的关联路径，即经过PKL的路径越多，则关节点对于用户的习惯性影响越强；

4)复合关节点(Freference Key Location)在任意轨迹T中，有些关节点不仅仅为单纯的某种关节点，可以复合为多种类别关节点,称以下关系的关节点为复合关节点，即

FKL

＝{(PKL,IKL)^(DKL,IKL)^(PKL,DKL)^(PKL,IKL,DKL)}

为了避免符合关节点的单一量化而导致疏忽其他方面的重要程度问题，结合关节点在不同方面的重要度综合判断，不同方面定义为类别，包括其在相应类别关节点的类内相似度与不同类关节点的类间相似度进行判断

Sim(i,j)＝S(i,j)·(1+Sim₂(C_i,C_j)),             (5)

其中，S(i,j)代表类内相似度，使用公式(1)(2)计算单类关节点的类内相似度，类间相似度计算如下

其中，P_A代表复合关节点的A、B或者C类关节点相似度，P_i代表关节点P_i的所有复合类别相似度的平均值，通过关节点的相似度差异，可以过滤掉那些伪关节点；

5)关节点过滤简单根据上文所提指标可以获取关节点的重要程度，但是只适合判断单关节点的情况，同时忽略了关节点所处轨迹中位置分布情况，因此，考虑以下因素：

(1)同一轨迹中，位置loc_i与其余节点相似度的差异相似，容易产生海量关节点情况，导致关节点作用减弱；

(2)同一轨迹中的loc_i周围位置分布密度不均衡：过大容易产生多个关节点，过小容易产生过少关节点，为了解决上述问题，通过结合关节点的k-邻域密度分布情况进行关节点判断，步骤如下：

Step1:计算位置节点loc_j与关节点loc_i之间的k距离k_distance(loc_i,loc_j),满足以下两个条件：

①至少存在k个对象loc_i’∈D\loc_i,,其中d(loc_i,loc_i’)≦d(loc_i,loc_i)；

②至多存在k-1个对象loc_i’∈D\loc_i,,其中d(loc_i,loc_i’)≦d(loc_i,loc_i)；

如果局部区域中数据比较密集，则第k个距离的数值较小；如果局部区域中数据比较稀疏，则第k个距离的数值较大：

Step2：构建节点loc_i的k距离邻域：

N_{k_distance}(loc_i)＝{loc_i’∈D\loc_i,|d(loc_i,loc_i’)≦d(loc_i,loc_i)}

Step3：计算节点loc_i领域中的k邻域可达距离：

Reach_distance(loc_i，loc_j)＝max{d(loc_i,loc_j),k_distance(loc_i，loc_j)}

Step4：计算节点loc_i的局部可达密度：

Step5：获取节点loc_i重要度因子：

根据上述步骤可以看出，如果位置loc_i与k-邻域中可达邻域内的差异程度越大，则它的邻域中大部分数据位置可视为处于同一个差异程度且与位置loc_i相似度的差异较大，也就是说，位置loc_i的局部可达密度较小，同一个差异程度中位置的局部可达密度相对于位置loc_i偏差较大，loc_i的重要度因子较大，反之，位置loc_i与其k邻域内的数据对象处于同一个群组的可能性较大，所以邻域中所有对象的密度分布与对象loc_i相似，loc_i的重要度因子较小，实现了基于复杂路况下的关节点过滤；

6)根据过滤后的关节点，基于加权求和的思想赋予不同位置的关节点类型重要度权重，进而求得综合敏感程度，权重采用平均权值计算。