[发明专利]带重要点约束的相似轨迹判断方法

说明书

本发明公开了一种带重要点约束的相似轨迹判断方法，旨在提供一种对带重要点约束的经典轨迹与实时轨迹之间的相似度的计算方法。该方法通过以下技术方案予以实现：将经典轨迹和相似轨迹看作两序列，重要点看作两序列的约束序子序列，对重要点的判断与普通点的判断同时进行；利用判断矩阵计算模块计算经典轨迹与实时轨迹之间的判断矩阵；公共子序列长度计算模块利用带匹配路径约束的多对1最长公共子序列长度算法，计算经典轨迹与实时轨迹在重要点约束下的多对1最长公共子序列长度；相似度计算模块利用带重要点约束的多对1最长公共子序列长度与经典轨迹长度，计算经典轨迹与实时轨迹在重要点约束下的轨迹相似度，给出相似轨迹的相似度量。

技术领域

本发明涉及智能情报领域和情报大数据领域的相似轨迹的鲁棒相似度判断技术，属于模式识别领域。

背景技术

在信息爆炸的时代，用户所关心的信息常常被海量的不相关信息湮没，推荐系统是解决该问题的有效方法。而基于位置的个性化服务推荐，可以根据用户所处的情景更准确地为其推送感兴趣的内容。如何从大量时空轨迹序列里发现用户频繁重复的路径，成为实现基于位置的个性化服务推荐的关键技术。目前，比较轨迹间的相似性是研究人员分析轨迹数据、挖掘隐藏信息最常采用的基础方法之一。从海量的轨迹数据中发现用户的相似轨迹是实现基于位置的个性化服务推荐的关键技术之一。经典轨迹是技侦情报领域中的经典目标的运动轨迹。经典目标每次出行活动比较规律，在某些重要点是必须经过的位置，且具有重要的行为意图，寻找相似轨迹时，这些重要点相对于其它点具有更高的权重，需全部按序经过。带重要点约束的相似轨迹判断就是判断经典轨迹与待判断的实时轨迹在重要点的约束下是否相似。假如实时轨迹为带重要点的经典轨迹的相似轨迹，则实时轨迹必须满足条件：

1)实时轨迹是经典轨迹的相似轨迹；

2)重要点是经典轨迹的子轨迹；

3)重要点是实时轨迹的子轨迹。

在实际情况中，获取的实时轨迹非常不稳定，主要体现在：

1)获取轨迹不连续，容易漏侦和断裂，形成不完整轨迹；

2)获取轨迹位置误差大，具有强噪声特点，形成强噪声轨迹；

对于没有重要点约束的相似轨迹判断问题已有的解决办法，解决的核心思想主要有最长公共子序列距离、欧式距离、Hausdorff距离和动态时间弯曲距离等。欧氏距离是最简单的，只需要累加求和，时间复杂度O(n)，满足三角不等式的检索方法(MVP树，M树，Sa树)。但是局限性也很大：①采样率、轨迹点必须一致；②须满足单调连续原则且不支持局部时间扭曲；③对噪声敏感。由于欧氏距离会受指标不同单位刻度的影响，所以一般需要先进行标准化，同时距离越大，个体间差异越大。在分析移动对象行为时，移动对象轨迹因包含大量的信息而具有重要的作用。在实际应用中移动对象常受限于空间网络而无法利用现有欧氏空间中轨迹及其距离处理技术。Hausdorff是描述两组点集之间相似程度的一种量度，它是两个点集之间距离的一种定义形式。Hausdorff距离可以理解成一个点集中的点到另一个点集的最短距离的最大值。由于Hausdorff距离可以计算两个点集合之间的距离，所以它被许多学者用做比较移动轨迹间相似性判断。位置和时间是轨迹数据的两个重要属性，而已有的基于Hausdorff距离的轨迹相似判断只着重关注于位置属性。基于动态时间弯曲距离的轨迹相似判断不要求轨迹具有相同的点数，但要求轨迹不能有强噪声。基于最长公共子序列距离的轨迹相似判断，考虑轨迹顺序，忽略强噪声轨迹点和时间对应关系，大大增强了算法鲁棒性，但该算法未考虑部分重要点的影响。带重要点约束的相似轨迹判断方法可以利用一些重要点序列，以这些重要点序列为约束条件保证重要点的优先权，结合公共子序列，并尽可能地保留原始轨迹所蕴含的全局轨迹特征。现有技术，针对当前发现问题，无法从来自复杂环境下的轨迹中得到准确且可理解的轨迹规律问题，提出了带重要点约束的相似轨迹判断方法。实验结果表明：带重要点约束的相似轨迹判断方法应用于轨迹规律发现，可以得到简洁且可理解的运动规律模型，进而支持业务过程的分析和改进。对于带重要点约束的相似轨迹判断问题，目前还没有查到有公开文献的解决方法。