基于R-Tree的高效异常轨迹检测算法

提出了异常轨迹检测算法,通过检测轨迹的局部异常程度来判断两条轨迹是否全局匹配,进而检测异常轨迹.算法要点如下:(1) 为了有效地表示轨迹的局部特征,以k个连续轨迹点作为基本比较单元,提出一种计算两个基本比较单元间不匹配程度的距离函数,并在此基础上定义了局部匹配、全局匹配和异常轨迹的概念;(2) 针对异常轨迹检测算法普遍存在计算代价高的不足,提出了一种基于R-Tree的异常轨迹检测算法,其优势在于利用R-Tree和轨迹间的距离特征矩阵找出所有可能匹配的基本比较单元对,然后再通过计算距离确定其是否局部匹配,从而消除大量不必要的距离计算.实验结果表明,该算法不仅具有很好的效率,而且检测出来的异常轨迹也具有实际意义.     

路网匹配算法综述

路网匹配是基于位置服务中的关键预处理步骤,它将GPS轨迹点匹配到实际路网上。以此为基础对数据进行分析和挖掘,能够辅助解决城市计算中相关问题,例如建立智能交通系统,协助用户规划出行。本文对国内外学者在该研究领域取得的成果进行了分类总结,发现这些匹配算法可以较好地解决高采样率的路网匹配问题。但是随着城市交通的快速发展,获取和处理车辆位置信息的成本不断提高,低频采样点越来越多,现有算法匹配精确度大大下降。于是近几年,出现基于隐马尔科夫模型（Hidden Markov Model,HMM）的路网匹配算法。隐马尔可夫模型可以较为平滑地将噪声数据和路径约束进行整合,从有许多可能状态的路径中选择一条最大似然路径。重点总结了基于隐马尔科夫模型的路网匹配算法,主要是从特点与实验结果的角度对其进行对比总结,有的实验结果的正确率在一定条件下最高可以达到90%,说明了基于隐马尔可夫模型的路网匹配算法在低采样率下的有效性。最后对未来研究可能采取的方法进行了展望。     

基于混合相似度和信任传播的位置推荐系统

当前存在大量基于位置推荐的移动社交应用。提出一种基于CF算法的混合相似度和信任传播位置推荐系统的方案。方案中主要分三个考量要素,首先将用户偏好分为用户静态偏好和用户动态偏好,对于用户静态偏好主要是基于位置的种类信息和历史评价,而用户动态偏好主要是基于地理信息和二位云模型,最后用户的社会关系是基于信任传播的信息。该方法优势是不仅考虑用户偏好的多样性,而且通过信任传播可以有效缓解数据稀疏性问题。并应用Hadoop以提高计算平台的数据处理能力。该方案对比现有方法,基于CF算法的位置推荐预测用户对新位置的喜好更加准确且高效。     

面向移动应用的探索式个性化服务推荐方法

个性化推荐系统是应用系统中广泛应用的技术之一,用户兴趣偏好模型的建立与更新是个性化推荐系统的关键环节,针对移动设备位置随时变化的特点,以移动端的应用系统为研究对象,提出了一种随用户位置变化而动态更新的用户兴趣偏好模型,并对实现过程中的几个关键问题,包括用户兴趣偏好模型表示方法、用户兴趣关键字提取、用户兴趣偏好模型的建立与更新算法进行了详细描述,最后利用用户兴趣偏好模型根据协同过滤算法进行个性化推荐,并根据用户对推荐结果的评价进一步修正用户兴趣偏好模型.用户兴趣偏好模型采用基于兴趣关键字的向量空间模型表示,用户兴趣关键字由根据TF-IDF算法获得的用户隐式兴趣和用户参与的显式兴趣相结合获得,用户位置信息变化时,系统获取当前位置附近的服务,对已存在于用户兴趣关键树中的服务权值进行增强,而对不存在其中的进行遗忘以调整用户兴趣树从而更新用户兴趣偏好模型.验证表明,该方法推荐的服务更符合用户所处的位置上下文环境,并且具有高度的可达性.     

电动自行车轨迹简化与自适应地图匹配算法

近年来, 随着全球定位系统(global positioning system, GPS)的大范围应用, 越来越多的电动自行车装配了GPS传感器, 由此产生的海量轨迹数据是深入了解用户出行规律、为城市规划者提供科学决策支持等诸多应用的重要基础. 但是, 电动自行车上普遍使用的价格低廉的GPS传感器无法提供高精度的定位, 同时, 电动自行车轨迹地图匹配过程因以下原因更具有挑战性: (1)存在大量停留点; (2)高采样频率导致相邻轨迹点的距离较短; (3)电动自行车可行驶的路段更多, 存在大量无效轨迹. 针对上述问题, 提出一种可自适应路网精度的电动自行车轨迹地图匹配方法KFTS-AMM. 该方法融合基于分段卡尔曼滤波算法的轨迹简化算法(KFTS), 和分段隐马尔可夫模型的地图匹配算法(AMM). 首先, 利用卡尔曼滤波算法可用于最优状态估计的特性, KFTS能够在轨迹简化过程中对轨迹点进行自动修正, 使轨迹曲线变得平滑并减少了异常点对于地图匹配准确率的影响. 同时, 使用基于分段隐马尔可夫模型的地图匹配算法AMM, 避免部分无效轨迹对整条轨迹匹配的影响. 此外, 在轨迹数据的处理过程加入了停留点的识别与合并, 进一步提升匹配准确率. 在郑州市真实电动自行车轨迹数据的实验结果表明, KFTS-AMM在准确率上相对于已有的对比算法有较大的提升, 并可通过使用简化后的轨迹数据显著提升匹配速度.     

基于浮动网格的路段检索方法

地图匹配是将车辆原始的GPS轨迹数据映射到实际道路网络上的过程,其中为GPS轨迹点检索候选路段是地图匹配的首要环节,然而不同的候选路段检索方式会直接影响地图匹配的准确性和效率.本文针对城市路网环境下的低频采样GPS轨迹数据,提出了一种基于浮动网格的路段检索方法.该方法利用GeoHash网格编码,采用浮动GeoHash网格的方式,为轨迹点检索候选路段.其次为了验证方法的可行性,本文通过隐马尔可夫模型,结合道路网络的拓扑结构以及轨迹的时空约束条件,采用增量的方式,利用维特比算法计算得到局部最优解.最后使用贪心策略,从已经得到的局部最优解中依次延伸得到全局最佳匹配路径.     

考虑用户偏好的启发式动态共乘匹配算法

针对现有算法很少考虑用户之间的共乘偏好需求,提出了一种考虑用户偏好的启发式动态共乘匹配算法。构建一个满足用户偏好需求的动态共乘匹配模型,旨在最大化系统匹配率和最小化车辆的绕行距离。算法首先根据出行请求的时间约束、车辆与用户的出行轨迹以及用户的兴趣偏好,过滤不满足用户偏好需求的车辆;其次,构建一个临时匹配图,设置边的权值为出行请求插入到车辆的当前行驶路线中的最小绕行距离;最后采用贪婪方式实现用户与车辆之间的匹配,并采用节点插入方式,将出行请求的出发地点和到达地点插入到车辆的当前行驶路线中。仿真结果表明,提出的启发式动态共乘匹配算法使车辆增加的平均绕行距离和运行时间低于现有算法,系统匹配率高于现有算法;用户的出行时间需求、兴趣偏好、信誉度等共乘需求对系统匹配率有显著影响。     

基于全局增强图神经网络的序列推荐

已有基于会话的推荐系统大多根据最后一个点击的项目与当前会话的用户偏好的相关性进行推荐,忽略了在其他会话中可能包含了与当前会话相关的项目转换,这些项目转换可能对用户的当前偏好也有一定的影响,因此需要从局部会话和整体会话的角度来综合分析用户偏好;并且这些推荐系统大多忽略了位置信息的重要性,而与预测位置越近的项目可能与当前用户兴趣的相关性越高。针对这些问题,提出一种基于全局增强的图神经网络的推荐模型(GEL-GNN)。GEL-GNN旨在根据所有会话预测用户的行为,它使用GNN来捕获当前会话的全局和局部之间的关系,使用LSTM来捕获全局层面会话间的关系。首先,通过注意力机制层将用户的偏好表示为基于全局层面和局部层面会话兴趣的组合;然后,使用反向位置信息衡量当前位置和预测位置之间的距离,以便更加准确地预测用户行为。在3个真实的数据集上进行了大量的实验,实验结果表明GEL-GNN优于现有的基于会话的图神经网络推荐模型。     

基于多尺度空间划分与路网建模的城市移动轨迹模式挖掘

针对城市移动轨迹模式挖掘问题展开研究, 提出移动全局模式与移动过程模式相结合的挖掘方法, 即通过移动轨迹的起始位置点--终点位置点 (Origin-destination, OD点) 与移动过程序列分别进行移动全局模式与过程模式的发现. 在移动全局模式发现中, 提出了弹性多尺度空间划分方法, 避免了硬性等尺度网格划分对密集区域边缘的破坏, 同时增强了密集区域与稀疏区域的区分能力.在移动过程模式发现中, 提出了基于移动轨迹的路网拓扑关系模型构建方法, 通过路网关键位置点的探测抽取拓扑关系模型.最后基于空间划分集合与路网拓扑模型对原始 移动轨迹数据进行序列数据转换与频繁模式挖掘. 通过深圳市出租车历史 GPS 轨迹数据的实验结果表明, 该方法与现有方法相比在区域划分、数据转换等方面具有更好的性能, 同时挖掘结果语义更为丰富, 可解释性更强.     

基于出租车轨迹数据的最优路径规划方法

针对传统的路径规划算法并不一定能计算得到现实中最优路径的问题,提出一种融合了出租车驾驶经验并以时间为度量的路径规划算法。该算法的实现是将路径规划这个以计算为中心的技术变为以数据为中心的数据驱动挖掘技术。首先,从大量的出租车轨迹数据中提取真实的载人轨迹数据,并将载人轨迹数据匹配到路网数据中;然后,根据地图匹配结果计算路段的访问频次,选取前Top-k个路段作为热点路段;其次,计算热点路段间行车轨迹的相似度,对轨迹进行聚类分析,在路网的基础上构建该k个路段的热点路段图;最后,使用一种改进的A^*算法实现路径规划。实验结果表明,与传统的最短路径规划算法和基于驾驶经验路网分层的路径规划算法相比,所提出的基于热点路段图的路径规划方法有效地缩短规划路径的长度及路径行驶时间,提高路径规划的用时效率。     

Implementation of generic algorithm in map-matching model

This paper proposed a novelty map-matching method based on multi-criteria genetic algorithm. In addition, the new ideas are introduced, such as incorporation of dynamic time wrapping method and dynamic programming technique. Dynamic time wrapping is used to evaluate the geometric similarity between recorded trajectory and observed route, while dynamic programming is used to accelerate the calculations of fitness functions in genetic algorithm. Model is tested on real data collected from the street network, which yielded good results with regard to accuracy and running time. Furthermore, it is shown that proposed model is capable to process the GPS data, recorded on dense street network with negligible amount of errors, which is the most challenging task for majority of map-matching algorithms. Therefore, the main impact of this research is observed through the development of better and more precise global map-matching algorithm. This is really important for expert and intelligent transport systems, which are based on input data collected by floating car data systems. This type of system relies on high quality post-processing map-matching model, which should provide accurate results in order to ensure that intelligent transport system makes more precise estimations and predictions of traffic conditions.     

一种基于位置点的地图匹配改进算法

针对智能手机计算资源有限、功耗要求高、内置GPS模块易受到周围环境的影响等问题, 提出了一种改进的基于位置点的地图匹配算法, 利用用户个人位置移动的连续性, 结合历史轨迹数据进行道路投影, 通过纠偏的方法对手机的定位数据与电子地图数据进行匹配, 实现了直线道路、十字路口以及多边形区域等各种路况的准确定位。地图匹配算法可用于移动用户行为轨迹的监测和基于移动用户位置的个性化推荐中。     

基于时空分析的地图匹配算法研究

地图匹配技术被广泛用于GPS导航、城市道路交通状态分析等领域。针对目前城市浮动车数据量日益庞大,地图匹配算法实时性差、匹配率不高的缺点,提出了一种基于时空分析的地图匹配算法。算法在对城市路网建立网格索引的基础上,综合考虑了空间几何、路网拓扑信息及上下文因素对选取GPS投影点的影响,大大提高了匹配效率和匹配精度。实验结果表明,算法能够满足工程应用中浮动车地图匹配的实时性和准确性。     

多重处理的道路拥堵识别可视化融合分析

目的 随着城市交通拥堵问题的日益严重,建立有效的道路拥堵可视化系统,对智慧城市建设起着重要作用。针对目前基于车辆密度分析法、车速判定法、行驶时间判定法等模式单一,可信度低的问题,提出了一种基于DBSCAN+（density-based spatial clustering of applications with noise plus）的道路拥堵识别可视化方法。方法 引入分块并行计算,相较于传统密度算法,可以适应大规模轨迹数据,并行降维聚类速度快。对结果中缓行区类簇判别路段起始点和终止点,通过曲线拟合和拓扑网络纠偏算法,将类簇中轨迹样本点所表征的路段通过地图匹配算法匹配在电子地图中,并结合各类簇中浮动车平均行驶速度判别道路拥堵程度,以颜色深浅程度进行区分可视化。结果 实验结果表明,DBSCAN+算法相较现有改进的DBSCAN算法时间复杂度具有优势,由指数降为线性,可适应海量轨迹点。相较主流地图产品,利用城市出租车车载OBD（on board diagnostics）数据进行城区道路拥堵识别,提取非畅通路段总检出长度相较最优产品提高28.9%,拥堵识别命中率高达91%,较主流产品城区拥堵识别平均命中率提高15%。结论 在城市路网中,基于DBSCAN+密度聚类和缓行区平均移动速度的多表征道路拥堵识别算法与主流地图产品相比,对拥堵识别率、通勤程度划分更具代表性,可信度更高,可以为道路拥堵识别的实时性提供保障。     

车辆避障驾驶控制方法研究

受机器人基于人工势场的路径控制方法的启发,在吴镜开等提出方法的基础上,提出了车辆避障控制机制。定义了基于停车视距的车辆行驶动态目标位置;依据人工势场建模原理构建道路和障碍物势场;为了平滑车辆行驶路线,采用了贝塞尔（Bezier）曲线车辆轨迹拟合的方法;针对车辆系统是典型的非完整控制系统,将车辆运动学模型转换为链式系统模型,实现相对简化系统控制设计目的。仿真控制实验说明这种方法对车辆避障控制具有较好的轨迹跟踪效果和全局稳定性。     

OSM/高德路网匹配融合技术在道路空间化中的应用

“六合一”道路编码是交管业务中用来定位事故和违法的基础文本数据,缺乏空间位置信息,而已有的常用路网数据如高德路网,都是基于多车道路段表达的路网且现势性相对于OSM（OpenStreetMap）路网较低,难以满足交管业务的需求。针对上述问题,以高德路网作为基础、高现势性的OSM路网作补充,将轨迹聚类分析中的LCSS（longest common subsequence）算法应用在路网匹配过程中,并对匹配后的路网使用Stroke方法进行路网融合。实验结果表明,使用LCSS算法可以达到良好的路网匹配效果。最后基于此开发了一套路网匹配融合程序,并在武汉市交通管理局投入使用。     

基于云模型不确定性推理的地图匹配算法

为了解决对于道路网密集且高程变化较大的城市道路地图匹配精度不高的问题,提出一种能够实现定性概念与定量数值之间不确定性转换的云模型地图匹配算法.通过建立云规则和进行基于云模型的不确定性推理,并且结合高程辅助方法来构筑地图匹配模型.云模型可以将定性概念的模糊性与随机性集成到一起,克服了基于模糊逻辑地图匹配算法中隶属度的确定带有主观色彩的不足.仿真试验以城市路网为例,并借助高程辅助的方法进行了分析,结果证明了该算法具有较高的匹配精度.