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
评论0
最新资源