[发明专利]一种校准轨迹数据以提高轨迹伴随挖掘时效性的方法

说明书

本发明涉及轨迹伴随模式挖掘技术领域，涉及一种校准轨迹数据以提高轨迹伴随挖掘时效性的方法，包括：一、从出租车轨迹数据库获取近期历史数据；二、提取数据中经纬度、车辆标识以及时间戳；将原始数据进行预处理，清洗噪声数据以及填补空缺值；三、挖掘轨迹点的额外属性；四、结合车辆移动特征，过滤出具有强特征的移动特征轨迹点，将过滤出的点添加网格索引生成以网格为索引的车辆轨迹参考系统；五、基于生成的参考系统，根据轨迹流数据中的轨迹点索引以基于欧式距离实时校准到参考系统中距离最小的移动特征点；步骤六、将被校准后的特征点进行实时通用伴随模式挖掘。本发明能较佳地提高轨迹伴随挖掘时效性。

技术领域

本发明涉及轨迹伴随模式挖掘技术领域，具体地说，涉及一种校准轨迹数据以提高轨迹伴随挖掘时效性的方法。

背景技术

近年来，随着电子监控、无线传感器以及卫星定位技术大规模发展使用，时空轨迹数据能以极低的成本获取，呈现爆炸式增长趋势。轨迹数据的快速增长促进了大量轨迹相关应用研究发展，其中一个有趣的方向是发现一起运动的实体，即轨迹伴随。轨迹伴随指的是在一个在一段持续时间内一起旅行的一组移动实体。寻找伴随实体在很多例如拥堵治理、军事监控领域以及传染病防控等应用领域十分重要的意义。过去根据持续时间、移动实体对象组的形状等不同提出了很多伴随模式，代表性的包括Flock、Convoy、Swarm和Platoon等。然而由于这些伴随模式需要输入多个参数，参数约束的改变可能会导致有趣的移动物体集群的丢失(不同的参数策略会对实验结果产生很大的影响)，所以伴随挖掘质量对参数的选择十分敏感。已有研究提出了一个通用的伴随模式框架来统一过去文献中提出的多种模式，并支持扩展到数亿个轨迹点进行模式检测。这些检测系统对每个快照的物体进行聚类，并对聚类结果进行交叉，以检索出一起移动的物体，由于在聚类和相交这两个步骤都涉及到很高的计算开销，进行过去的这些研究满足不了实时流挖掘需求。同时挖掘结果对于阈值参数十分敏感。因此，需要一种能够实时挖掘通用轨迹伴随模式的方法并且能减轻对阈值参数的依赖。

发明内容

为了应对上述挑战，本发明提出了一种校准轨迹数据以提高轨迹伴随挖掘时效性的方法，由离线的参考系统生成以及在线的轨迹校准与轨迹伴随模式挖掘组成；通过将耗时的聚类交叉的过程放在离线阶段来实现实时的通用轨迹伴随模式挖掘效果。同时通过将轨迹点校准到参考系统可以降低挖掘结果对参数的敏感性。

根据本发明的一种校准轨迹数据以提高轨迹伴随挖掘时效性的方法，其包括以下步骤：

步骤一、从出租车轨迹数据库获取近期历史数据；

步骤二、提取数据中经纬度、车辆标识以及时间戳；将原始数据进行预处理，清洗噪声数据以及填补空缺值；

步骤三、挖掘轨迹点的额外属性，以便于后续的车辆特征点过滤以及属性糅合的聚类；

步骤四、结合车辆移动特征，过滤出具有强特征的移动特征轨迹点，将过滤出的点添加网格索引生成以网格为索引的车辆轨迹参考系统；

步骤五、基于生成的参考系统，根据轨迹流数据中的轨迹点索引以基于欧式距离实时校准到参考系统中距离最小的移动特征点；

步骤六、将被校准后的特征点进行实时通用伴随模式挖掘。

作为优选，步骤二中，使用线性插值对缺失数据进行填充，同时剔除小于固定频率的多余数据。

作为优选，步骤三中，将轨迹根据车辆标识序列化成一条条长轨迹，根据序列轨迹计算轨迹的动态属性。

作为优选，动态属性包括速度、行驶方向和行驶偏向角度。

作为优选，步骤四中，为轨迹点添加网格索引，根据网格索引并行通过调节动态属性的权重进行轨迹特征点DBSCAN聚类。

与现有技术相比，本发明的有益效果是：