搜索路网空间中时空相似轨迹

为了分析移动对象行为特征,需要一种度量轨迹间相似性的方法,虽然在欧氏空间检索移动对象相似轨迹的研究较多,但在路网空间这种研究还不多见。在实际应用方面,大多数移动对象位于路网空间而不是欧氏空间。本文研究了路网空间相似轨迹的特性,并提出了一种在路网空间搜索相似轨迹的度量方法。实验结果表明该方法不仅是搜索相似轨迹的实用技术,也是一种较好的轨迹聚类方法     

基于路网的不确定性轨迹预测

移动对象的轨迹预测研究已成为当前移动对象研究中关注的热点,移动对象的轨迹预测技术具有高度的研究价值及广阔的应用前景.目前移动对象的轨迹预测方法主要是针对历史轨迹确定的欧氏空间轨迹预测,但有相当一部分的应用要求预测历史轨迹存在不确定性的移动对象在受限路网中的轨迹.为了解决这一问题,首先提出了不确定性轨迹的生成方法及其表示形式,然后提出了一种基于路网的不确定性轨迹频繁模式挖掘算法,最后给出了利用索引快速查找轨迹模式并进行预测的方法.实验结果表明该方法具有较高的预测准确率、较好的查询效率以及较低的存储空间.     

受限网络移动对象不确定性轨迹的查询

针对移动对象轨迹的内在不确定性及其导致的查询精度较低的问题,将已有移动对象的空间轨迹不确定性模型应用于网络移动对象的轨迹表示中。在此基础上,将概率查询方法运用到受限网络移动对象的不确定轨迹查询中,提出移动对象轨迹的不确定性点查询和概率范围查询方法。实验结果表明,该方法具有较高的查询效率。     

面向路网的移动对象全时态高效索引模型

针对现有索引模型的冗余搜索问题,考虑路网拓扑结构及交叉口转向约束条件,提出一种面向路网的移动对象全时态高效索引模型。采用添加临近路段信息的方法索引历史轨迹和实时位置信息,设计新型窗口查询算法,实现移动对象查找,并运用指数平滑法进行轨迹的预测。实验结果表明,该模型具有较好的更新及查询性能。     

一种路网环境中的轨迹隐私保护技术

不经过隐私处理直接发布轨迹数据会导致移动对象的个人隐私泄露,传统的轨迹隐私保护技术用聚类的方法产生轨迹k-匿名集,只适用在自由空间环境,并不适用于道路网络环境中。针对上述问题设计了一种路网环境中的轨迹隐私保护方法,将路网环境中的轨迹模拟到无向图上,并将轨迹k-匿名问题归结到无向图的knode划分问题上。证明了图的k-node划分是NP-完全问题,并提出贪心算法解决此问题。通过实验验证了该算法的匿名成功率平均接近60%,最高可达80%以上。     

基于HBase的路网移动对象时空索引方法

在处理路网移动对象时,由于HBase只能采用key查询,不适用于移动对象的多维查询,导致HBase存在存储索引与查询效率不高的问题。针对此问题,在HBase存储结构的基础上设计并实现了一种高效的路网移动对象HBase索引框架（RM-HBase）。首先,对原生HBase索引框架的上层HMaster和下层HRegionServer进行改进,解决分布式集群数据的热点分布问题,提高空间数据的查询效率;其次,提出路网移动索引——RN-tree,解决空间划分中的"死空间"问题,同时提高空间中路段的查询效率;然后,基于上述对HBase的索引改进,分别设计了时空范围查询、时空K最近邻（KNN）查询和移动对象轨迹查询的查询算法;最后,实验选用了同样是基于HBase分布式数据库而提出的时空HBase索引（STEHIX）框架作为对比对象,分别从索引框架的性能和算法的查询效率两个方面对RM-HBase的性能进行分析。实验结果表明,所提的RM-HBase在数据的均衡分布性能和时空查询算法的查询性能方面都优于STEHIX框架,有助于提升海量路网移动对象数据的时空索引效率。     

复杂障碍空间中基于移动对象运动规律的不确定轨迹预测

现有移动对象的轨迹预测大部分是针对路网空间,然而在实际地理环境中往往存在障碍物,移动对象的运动基本在障碍空间中进行。近年来,已有较多关于路网空间中移动对象轨迹预测的研究以及障碍空间中障碍范围查询、最近邻查询等的研究,但是目前尚没有障碍空间中移动对象不确定轨迹预测的相关研究。为此,提出障碍空间中基于移动对象运动规律的不确定轨迹预测方法。首先,利用障碍物之间的区域关系对障碍空间进行剪枝;其次,提出障碍空间期望距离概念,对障碍空间的轨迹数据进行轨迹聚类,从而挖掘移动对象的热点区域;然后,根据各热点区域间的障碍距离和历史访问习惯得到转移的综合概率,提出基于移动对象运动规律的轨迹预测算法;最后,通过实验验证了算法的准确性和高效性。     

受限路网中基于全局学习机制的在线轨迹预测

受限路网中移动对象的轨迹预测已成为智能交通关注的热点,被广泛应用于应急保障、车辆导航等领域。但在仅知道移动对象近期轨迹的情况下,现有方法难以解决其未来路径的在线预测问题。提出一种新的在线轨迹预测方法LPP,即通过全局学习机制发现最长频繁路径,构造快速访问结构LPP-tree。基于移动对象近期轨迹可对未来运动路径进行快速在线预测。通过实验,验证了该方法的有效性。     

复杂路段的角度差和后续点地图匹配方法

针对仅依靠距离和轨迹与路径的相似性来判断正确道路的方法,在并行和交叉路段的复杂路网环境中,易匹配到相邻路段或部分不可达的路段,导致匹配错误的问题,提出采用线性回归模型的方法,其能更精确地描述道路形状在转弯处的变化,根据路段方向和移动对象移动的方向差判断并行或交叉路段,并通过参照多个后续点的匹配情况,实现复杂路段处的地图匹配,减少匹配错误。此外,还提出简化聚类的路网补全方法,可以解决部分GPS点周围缺失候选路段无法匹配的问题,并采用四叉树索引地图数据,提高效率。对比实验结果表明在轨迹点数较少时,与现有的基于隐马尔可夫模型的概率匹配方法相比,时间最多减少了62%,更适合时效性要求高的应用场景,与传统的几何匹配方法相比,匹配精度提高了3%,且更适合复杂路段匹配。     

面向路网的不确定移动范围查询技术

随着移动定位技术和物联网技术的不断发展,时空查询技术受到了广泛关注。在实际的应用中,对象的移动方向和轨迹常受到空间网络限制并且位置信息往往带有不确定性。在以一般性的概率分布函数形式表示位置的不确定性的基础上,提出一种基于分割区间的概率查询增量处理模型和查询优化方法。考虑采用概率分布近似中心作为目标对象的估计位置,近似地解决普遍位置不确定性的问题,以较小的精度损失换取效率上的极大提高。最后,采用真实的路网数据集和模拟的对象分布,验证了模型和算法在效率和准确性方面均表现突出。     

基于预测模型的轨迹数据压缩方法

针对目前路网环境下海量轨迹数据压缩效率低下的问题,提出了一种基于预测模型的轨迹数据压缩方法（CTPM）。通过将轨迹数据的时间信息和空间信息分别进行压缩,使得压缩后的轨迹数据在空间维度上无损,并且在时间维度上误差有界,以此提高压缩效率。在空间方面,首先利用部分匹配预测（PPM）算法通过轨迹已经行驶的部分路段对其下一时刻可能的位置进行预测;然后通过删除预测成功的路段来减少轨迹数据的存储代价。在时间方面,首先利用轨迹通行状况具有周期性的特点,构建了不同时间区间的通行速度统计模型,来预测移动对象进入下一路段所需要的时间;然后删除预测时间误差小于给定阈值的路段数据来进行压缩处理。实验结果显示,与已有的基于路网的并行轨迹压缩（PRESS）算法相比,CTPM的空间压缩比和时间压缩比平均分别提高了43%和1.5%,同时时间压缩误差减小了9.5%。实验结果表明所提算法在提高压缩比的同时有效地降低了压缩时间和压缩误差。     

轨迹大数据:数据处理关键技术研究综述

大数据时代下移动互联网发展与移动终端的普及形成了海量移动对象轨迹数据.轨迹数据含有丰富的时空特征信息,通过轨迹数据处理技术可以挖掘人类活动规律与行为特征、城市车辆移动特征、大气环境变化规律等信息.海量的轨迹数据也潜在性地暴露移动对象行为特征、兴趣爱好和社会习惯等隐私信息,攻击者可以根据轨迹数据挖掘出移动对象的活动场景、位置等属性信息.另外,量子计算因其强大的存储和计算能力成为大数据挖掘重要的理论研究方向,用量子计算技术处理轨迹大数据可以使一些复杂的问题得到解决并实现更高的效率.本文对轨迹大数据中数据处理关键技术进行综述.首先,介绍轨迹数据概念和特征,并且总结了轨迹数据预处理方法包括噪声滤波、轨迹压缩等.其次,归纳轨迹索引与查询技术,以及轨迹数据挖掘已有的研究成果包括模式挖掘、轨迹分类等.总结了轨迹数据隐私保护技术基本原理和特点,介绍了轨迹大数据支撑技术如处理框架、数据可视化.本文也讨论了轨迹数据处理中应用量子计算的可能方式,并且介绍了目前轨迹数据处理中所使用的核心算法所对应的量子算法实现.最后,对轨迹数据处理面临的挑战与未来研究方向进行了总结与展望.     

基于MapReduce的轨迹压缩并行化方法

带有全球定位系统（GPS）功能设备的增多，产生大量的时空轨迹数据，给数据的存储、传输和处理带来了沉重的负担。为了减轻这种负担，各种轨迹压缩方法也随之产生。提出了一种基于MapReduce的并行化轨迹压缩方法，针对并行化导致的分段点前后轨迹的相关性被破坏的问题，首先，采用两种分段点相互交错的划分方法划分轨迹；然后，将分段轨迹分配到多个节点上进行并行化压缩；最后，对压缩结果进行匹配合并。性能测试分析结果表明，所提出的并行化轨迹压缩方法能够大幅提高压缩效率，而且能完全消除因分段导致分段点前后相关性被破坏带来的误差。     

多维空间中基于模式的移动对象轨迹预测

本文在分析了现有轨迹模型基础上,提出了轨迹相似度计算模型以及基于移动对象加速度和轨迹偏转角的移动对象轨迹预测模型,综合计算和预测模型提出了移动对象轨迹预测方法. 该方法包括：1）对历史轨迹基于轨迹相似度进行聚类分析,形成训练集聚类,并基于各训练集聚类对目标移动对象的轨迹数据进行轨迹相似度并行计算,找出最大相似度的历史轨迹;2）结合历史轨迹以及移动对象加速度和轨迹偏转角的预测模型进行轨迹预测. 经过对测试轨迹集进行实验的结果表明,本方法在误差为500 m以内的预测准确率能达到90%以上,而且预测时间相对较短,具有较高的实用价值.     

自适应参数的轨迹压缩算法

随着轨迹数据量的急剧增长,数据规模变得越来越庞大、复杂,给数据的存储、传输和分析带来了一系列的难题,迫切需要对移动对象的轨迹数据进行有效地压缩。现有的轨迹数据压缩算法大都是基于固定压缩阈值,来判定轨迹点是否被保留,在算法执行过程中,用户难以确定压缩阈值。针对现有轨迹数据压缩算法压缩阈值难以确定的缺点,本文提出了自适应参数的轨迹压缩算法。该算法根据用户期望达到的压缩效果,按照优先保证压缩比的策略,在保证压缩效率和压缩效果的情况下,帮助用户自动确定压缩阈值,从而避免了用户需要根据自己的经验,进行反复实验来得到理想压缩阈值的过程。实验结果表明,本文提出的算法都具有较高的压缩效率和较好的压缩效果。     

基于人工蜂群算法的运动目标检测方法

提出了一种基于人工蜂群算法的运动目标检测方法。利用将运动目标检测问题转化为独立成分分析问题的原理,选用峭度作为求解信号独立成分的判据,使用人工蜂群算法对基于峭度的目标函数进行优化求解,通过去相关方法从序列图像中剔除分离出的信号成分,进而实现对运动目标轨迹的成功提取。针对模拟运动物体和实际运动物体图像的仿真实验表明,该方法可以很好地检测出序列图像中运动物体清晰的运动轨迹。     

Coupled multi-object tracking and labeling for vehicle trajectory estimation and matching

Efficient detection and tracking of moving objects in real life conditions is a very challenging research issue, mainly due to occlusions, illumination variations, appearance (disappearance) of new (existing) objects and overlapping issues. In this paper, we address these difficulties by incorporating non-linear and recursive identification mechanisms in motion-based detection and tracking algorithms. Non-linearity allows correct identification of object of complex visual properties while the adaptability makes the proposed scheme able to update its behaviour to the dynamic environmental changes. In addition, in this paper, we introduce the concept of polar spectrum which is a measure for determining the deviation of a vehicle trajectory from an ideal trace. The proposed methods (object tracking and trajectory matching) are applied in survey engineering problems dealing with safe design road turns. In particular, the automatically detected trajectory of a moving vehicle is compared with the ideal trace, through the polar spectrum measure, to determine the safety of a road turn. This trace is also compared with the one manually derived using photogrammetric algorithms and a small error is obtained verifying the efficiency of the method.     

基于大数据分析的移动对象轨迹预测方法

对移动对象的轨迹预测将在移动目标跟踪识别中具有较好的应用价值。移动对象轨迹预测的基础是移动目标运动参量的采集和估计,移动目标的运动参量信息特征规模较大,传统的单分量时间序列分析方法难以实现准确的参量估计和轨迹预测。提出一种基于大数据多传感信息融合跟踪的移动对象轨迹预测算法。首先进行移动目标对象进行轨迹跟踪的控制对象描述和约束参量分析,对轨迹预测的大规模运动参量信息进行信息融合和自正整定性控制,通过大数据分析方法实现对移动对象运动参量的准确估计和检测,由此指导移动对象轨迹的准确预测,提高预测精度。仿真结果表明,采用该算法进行移动对象的运动参量估计和轨迹预测的精度较高,自适应性能较强,稳健性较好,相关的指标性能优于传统方法。     

基于边缘方向分布和粒子滤波的视频目标跟踪

针对背景复杂的非线性视频运动目标,提出了一种基于边缘方向分布和粒子滤波技术相结合的跟踪方法。该方法利用边缘算子获取目标区域边缘方向图,采用高斯核函数建立目标区域边缘方向分布,结合粒子滤波理论,实现对非线性视频运动目标的有效跟踪。计算机仿真结果表明,该方法可对非线性、非高斯的运动目标进行有效的跟踪,且在跟踪目标区域与背景颜色接近,背景复杂的场景下,与采用灰度特征的方法相比,有较强的鲁棒性和较高的跟踪精度。     

基于立体视觉的目标检测与轨迹预测研究综述

目前基于立体视觉信息的运动目标识别定位、跟踪及轨迹预测是机器视觉领域的研究热点。通过归纳整理相关文献,从双目立体视觉技术、运动目标检测技术、运动目标轨迹预测技术三个方面对基于立体视觉的运动目标检测及轨迹预测进行了概述,分别阐述了相机标定的常见方法、图像特征提取及立体匹配不同算法的适用场景、各运动目标检测方法的优缺点、常用轨迹预测方法的预测思路及优劣势。针对基于立体视觉的运动目标检测与轨迹预测的研究,指出了其现今面临的挑战和研究重点,可为相关研究人员提供参考。