基于UWB定位的邮轮乘员伴随关系发现算法.docx资源-CSDN文库

版权申诉

72 浏览量 2022-11-28 20:31:47 上传评论收藏 452KB DOCX 举报

资源详情

资源评论

0. 引言

室内定位技术和基于位置的服务（location-based service, LBS）的发展与应用

[1-3]

使得

室内用户的轨迹数据不断增长，从宏观角度来看，海量的轨迹数据中不仅蕴含了群体对象

的泛在移动模式与规律，例如，人群的移动与活动特征、拥堵规律等，还揭示了交通演化

的内在机理

[4]

。邮轮内部空间作为 1 种特别的室内环境，大量乘客在其中活动产生复杂的

轨迹网络。准确发现乘客伴随关系有利于识别乘员活动轨迹中蕴含的群组关系，在邮轮中

儿童、老年人等应受监护的乘客出现异常行踪时提供及时预警。

伴随关系对象是指 2 个或 2 个以上移动目标在一段运动时间内的距离不超过一定阈值

的移动对象组。轨迹伴随关系的发现涉及到相似性度量，它是时空轨迹数据挖掘的基础。

经典轨迹相似性度量方法包括欧氏距离（Euclidean distance）、动态时间规整（dynamic

time warping, DTW）、编辑距离（edit distance, ED）、弗雷歇距离度量（Fréchet

distance）、豪斯多夫距离（Hausdorff distance）、最长公共子序列（longest common sub-

Sequence, LCSS）等

[5-6]

。伴随模式挖掘是指从大量轨迹中识别具有伴随关系的移动对象，

代表性的伴随模式主要有 companion, convoy, swarm, gathering, partner, group 等

[7]

。

无论是针对行人轨迹数据，还是车辆、船舶轨迹数据，现有文献中已有大量的研究与

分析工作。冯慧芳等

[8]

提出了基于时空相似性聚类的热点载客路径挖掘算法，从出租车的

GPS 轨迹数据中提取出载客轨迹及其核心轨迹，根据提出的核心轨迹时空相似性度量方法

结合 DBSCAN 聚类算法对载客轨迹进行聚类；唐炉亮等

[9]

为了识别立体交叉口中不同的行

驶规则，利用随机森林特征选择方法分析车辆轨迹数据特征并聚类，获得最优聚类结果下

的行驶规则聚类簇，并构建聚类簇范围约束的狄洛尼三角网；周洋等

[10]

利用手机等智能移

动终端获取个体出行 GPS 轨迹数据，提出 1 种新的时空聚类算法 AT-DB-SCAN 识别轨迹

中的停驻点，并定义出行次数一致性、出行起止时刻误差、停驻点时长误差、停驻点中心

偏移距离 4 个算法验证指标，弥补了传统查全率、查准率等忽略停驻点时空信息准确性的

不足；Faisal Orakzai 等

[11]

提出 1 种分布式算法（DMC）以挖掘运动对象的 Convoy 模式，

该算法相比于传统算法有更高的效率；周于涛等

[12]

针对现有轨迹预测方法预测精度不高，

对行人交互信息利用不充分等问题，提出了 1 种结合自注意力机制和结伴行为特征的行人

轨迹预测模型；连静等

[13]

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题，基于

长短时记忆网络（long short-term memory network, LSTM）对行人与车辆、行人与其他行人

的交互进行建模，提出 1 种基于人车交互的行人轨迹预测模型（VP-LSTM），该模型同时

考虑了行人与行人的交互、行人与车辆的交互，更适用于复杂的交通场景；赛斌等

[14]

使用

基于自标检蜒的多自标跟踪算法对地铁站出口、商场出口等场景中的行人移动轨迹进行提

取，针对行人轨迹的特点结合点密度聚类算法提出并实现了基于轨迹相似度的轨迹聚类方

法；夏英等

[15]

充分考虑室内移动轨迹的空间和语义特征，提出 1 种基于 RFID 位置语义的

室内移动轨迹聚类方法, 该方法从空间形状和位置语义 2 个方面加权计算轨迹相似度，采

用改进的层次聚类方法进行室内轨迹聚类。Huang 等

[16]

提出了 1 种基于改进 AGNES 算法

的室内运动目标轨迹分析和数据聚类算法，实现了室内运动目标轨迹的提取与分析。陈建

伟等

[17]

提出基于长短时记忆（long short term memory, LSTM）神经网络的编码器-解码器模

型来预测人群移动轨迹；张宇等

[18]

基于图卷积（graph convolution network, GCN）和 LSTM

模型，提出顾及横向相似用户轨迹特征以及纵向历史规律性特征的个体位置预测算法。

基于以上分析可知，多数轨迹相似性度量算法是从时间和空间形状相似性的角度提

出，并直接或加以改进后应用于轨迹相似性计算，较少从位置语义相似性的维度考虑，并

且轨迹数据的来源多以车载 GPS 数据和视频监控数据为载体，以其他定位技术获得的轨迹

数据集也比较少。笔者提出 1 种利用 UWB 定位技术的 Hausdorff-DBSCAN 算法以发现邮

轮内部空间乘员之间的伴随关系，该算法为解决传统的 Hausdorff 距离无法解决相似度计

算时时序一致性的问题，引入位置语义改进度量模型使其更准确，以室内乘员移动轨迹相

似性度量与 DBSCAN 轨迹聚类算法为框架，并利用 LSTM 神经网络对疑似伴随关系对象

进行相似度变化趋势的预测。

1. 室内乘员轨迹相似性度量模型

UWB 室内定位设备获取的行人轨迹数据记录了一系列轨迹点的空间和时间信息。移

动对象在一段时间 t

内走过的时空轨迹序列可由{(p

, t

), (p

, t

), …, (p

, t

)}表示。

1.1 轨迹点邻近度计算

上述时空轨迹序列的表达适用于一般室外空间的轨迹数据，但邮轮室内空间更狭小，

设备采样频率更高，对象可能在一段时间内经过多个位置区域，如舱室→餐厅→游戏厅→

超市，这种位置语义序列尤其反映出对象的移动行为特征。为此，计算 2 条移动轨迹相似

性时，除了要考虑坐标序列的相似性外，位置语义序列的相似性也不可忽视。

根据 UWB 定位技术的特点，邮轮内小型的活动场所如乘客舱室可以采用零维定位基

站，走廊通道等带状空间可以采用一维定位基站，大厅、影院等较大面积的凸状场所可以

采用二维定位基站，这些区域之间依据船舶的空间布局会形成不同的差异性或相似性。在

邮轮空间，乘员之间的相似程度不仅与欧式距离有关，也与这些乘员所处的区域之间的邻

近程度有关。本文在描述乘员之间的相似度时将每个乘员看成质点，引入区域相似度和欧

式距离，并给出点邻近度的概念。

定义 1。将零维区域记为 A

，其中 i∈(1, 2, …, N

), N

为室内空间零维区域的数量；

将一维区域记为 A

，其中 i∈(1, 2, …, N

), N

为室内空间一维区域的数量；将二维区域记为

，其中 i∈(1, 2, …, N

), N

为室内空间二维区域的数量。

定义 2。不同位置区域的相似性用区域相似度表示，记为 φ(A

, A

), 其中 a, b∈(0, 1,

2), i

, i

确定区域信息，φ(A

, A

)值由连接该区域的路径长度给出，由于室内空间区域的布

局是固定的（假设路径是规则的），因此各区域之间的路径长度是确定常数，即 a, b, i

, i

的取值一旦确定，φ(A

, A

)的值就可以确定，且假定区域信息已经涵盖了移动对象所在的

楼层信息。

定义 3。轨迹点邻近度 ϕ(p

, p

)=φ(A

, A

)+E(p

, p

)，其中，p

, p

分别为区域 A

, A

中

的轨迹点，E(p

, p

)为 p

, p

的欧式距离。

对轨迹点邻近度的计算，有如下几种情形。

1）当 a=b 且 i

时，点 p

, p

位于同一区域，令 φ(A

, A

)=0，则有

ϕ(p

, p

)=E(p

, p

)，此时定义如下 3 种情形：①若 a=b=0，表示 p

, p

在同 1 个零维定位区

域，2 点位置信息均由“1”表示存在，无法直接计算 2 点间的欧式距离，但有理由相信这 2

点已经具有比较高的相似度，此时 ϕ(p

, p

)=E(p

, p

)=l, l 是 1 个较小的常数；②若 a=b=1，

表示 p

, p

在同 1 个一维定位区域，2 点位置信息由(x

, y

)表示，计算 2 点一维距离代替欧式

距离，此时 ϕ(p

, p

)=E(p

, p

)=|x

-x

|；③若 a=b=2，表示 p

, p

在同 1 个二维定位区域，2 点位

置信息由(x

, y

)表示，可以计算其欧式距离，此时 ϕ(p

, p

)=E(p

, p

)。

2）当点 p

, p

位于不同的区域，φ(A

, A

)≠0，由于假设空间路径是规则的，有如下 2

种定义：①当 p

, p

所在区域能够由较简单的路径连通时，依据其几何中心的固定距离值计

算轨迹点邻近度 ϕ(p

, p

)=c±d

≈φ(A

, A

)±d

, c 为常数，d

为当 p

, p

处于不同定位维度区

域时，不便计算欧式距离所设计的欧式距离修正值，其值为常数；②当 p

, p

所在区域很难

连通，1 种典型情况是 p

, p

几何距离很近，但分隔在墙壁的两边，则这 2 点的邻近度是很

小的。此时令 ϕ(p

, p

)=M，对上述所有情形的点邻近度值，有 ϕ(p

, p

)≥M。

1.2 改进的 Hausdorff 距离轨迹相似度计算

由于传统的 Hausdorff 距离计算无法筛选具有相反方向的轨迹，为了保证本文所定义

的轨迹伴随关系聚类的准确性，在传统的方法基础上引入轨迹位置语义维度扩展轨迹原始

数据形式，假设 1 名乘员在邮轮中移动轨迹见图 1，那么该轨迹时空序列可以表示为

{(p1,R1,t1),(p2,R2,t2),(p3,R3,t3),(p4,R4,t4)}{(p1,R1,t1),(p2,R2,t2),(p3,R3,t3),(p4,R4,t4)}

图 1 邮轮室内空间轨迹序列

Figure 1. Trajectory sequence in the indoor space of the cruise

下载: 全尺寸图片幻灯片

根据上述对轨迹时空序列的表达，可以将轨迹的坐标点序列和位置语义序列描述为

Sp={p1,p2,⋯,pn}SR={R1,R2,⋯,Rn}Sp={p1,p2,⋯,pn}SR={R1,R2,⋯,Rn}

其中：p

为轨迹序列 S

的第 i 个坐标点；R

为位置语义序列中的第 i 个区域，对应 p

所在的区域，这个区域由上述定义的 A

表示。那么由坐标和位置语义构成的乘员轨迹点

可以由向量 v={x

, y

, R

}来描述，则目标轨迹序列可以表示为：tr={v

, v

, …, v

}。其中，n

为 1 条轨迹序列包含的轨迹点个数。由此，轨迹序列 tr

与 tr

的距离可由双向 Hausdorff 距

离来计算。

H(tri,trj)=max{h(tri,trj),h(trj,tri)}H(tri,trj)=max{h(tri,trj),h(trj,tri)}

(1)

h(tri,trj)=max{min[ϕ(vu,vw)]}h(tri,trj)=max{min[ϕ(vu,vw)]}

(2)

h(trj,tri)=max{min[ϕ(vw,vu)]}h(trj,tri)=max{min[ϕ(vw,vu)]}

(3)

式中：v

∈tr

, v

∈tr

，ϕ(v

, v

)，ϕ(v

, v

)的计算方法由 1.1 中给出，由于 UWB 定位服

务器记录数据具有高频性，且可以通过接口导出任意时段的数据，因此可以提取同一时段

的轨迹数据进行分析研究，保证轨迹的时间同步性和方向一致性。对整个轨迹数据集计算

每 2 条轨迹的改进 Hausdorff 距离，再进行归一化处理，获得数据集中轨迹间的相似度 θ，

计算见式（4）。

θ(tri,trj)=max{H(tri,trj)}−H(tri,trj)max{H(tri,trj)}−min{H(tri,trj)}θ(tri,trj)=max{H(tri,trj)}−H(tri,trj)max{H(tri,trj)}−min{H(tri,trj)}

(4)

式中：θ∈(0, 1)。

2. 基于 Hausdorff-DBSCAN 的乘员伴随关系发现

2.1 DBSCAN 轨迹聚类算法

DBSCAN 算法是基于密度的聚类算法，被广泛应用于轨迹数据的聚类中，其核心思

想是将样本数据当作质点，基于 1 组邻域参数(ε, Minpts)刻画样本空间的密度分布。

DBSCAN 算法理论上能找出任意形状的类簇，且在聚类时无须事先确定聚类簇的个数，适

用于本研究所描述的伴随关系发现问题，因此选用该算法来实现乘员轨迹的聚类，本文将

传统 DBSCAN 算法中核心点的定义转换成核心轨迹，以适应研究需要。给定轨迹数据集

D={tr

, tr

, …, tr

}，有关定义如下。

定义 4。ε-邻域：对 tr

∈D，其 ε-邻域包含样本集 D 中与 tr

的距离不大于 ε 的样本，

即

Nε(trj)={tri∈D|H(tri,trj)≤ε}Nε(trj)={tri∈D|H(tri,trj)≤ε}

(5)

定义 5。核心轨迹（core trajectory）：若 tr

的 ε-邻域至少包含 Minpts 个样本，即

(tr

)≥Minpts，则 tr

是 1 条核心轨迹。

剩余15页未读，继续阅读

评论收藏

内容反馈

版权申诉

基于UWB定位的邮轮乘员伴随关系发现算法.docx

评论0

最新资源

基于UWB定位的邮轮乘员伴随关系发现算法.docx

评论0

最新资源

相关推荐

基于UWB定位和OpenMV识别的智能跟随行李箱设计.docx

基于MATLAB的UWB通信系统抗干扰仿真研究.docx

基于UWB定位技术的多移动机器人编队控制.docx

基于UWB的室内定位与跟踪算法研究.pdf

一种基于UWB的三边定位改进算法.pdf

UWB室内距离交会定位算法的研究与性能分析.docx

UWB高精度人员定位与蓝牙定位技术的对比.docx

使用 ESP32 UWB DW3000进行测距和定位.docx

基于UWB与光束控制的物品定位指向系统.docx

UWB室内定位的无线时钟同步算法研究.docx

UWB室内定位系统在监狱应用的意义.docx

UWB室内定位系统整体项目解决方案介绍.docx

关于 UWB 定位的五种定位算法 的Matlab脚本_多点定位 超宽带定位

非接触式UWB传感的生命体征检测分析.docx

基于TW-TOF的UWB室内定位技术与优化算法研究.pdf

UWB室内定位系统整体解决方案介绍.docx

uwb定位(基于TDOA的Chan算法).rar

UWB室内定位与其他定位技术有哪些不同.docx

UWB精确定位自适应无迹卡尔曼滤波算法.pdf

相关实用应用程序（Windows可用）

免费可用的ChatGPT网页版.zip

ChatGPT使用总结：150个ChatGPT提示词模板（完整版）

李飞飞自传 我看见的世界 The World I see

chromedriver-win64.zip

全国计算机二级WPSoffice精选350道选择题题库（含答案）.pdf

哈尔滨工业大学-ChatGPT调研报告-2023.3.6-94页.pdf

智联招聘：2024年大学生就业力调研报告.pdf

4个亲测好用的ChatGPT4渠道

数字电子时钟课程设计数字电子时钟课程设计

关于 UWB 定位的五种定位算法的Matlab脚本_多点定位超宽带定位

李飞飞自传我看见的世界 The World I see