随着传感器和便携定位设备的广泛使用,各行各业积累了海量的时空轨迹数据。如何
从轨迹数据中分析挖掘有意义的移动模式
[1-4]
,是时空数据库领域的研究热点之一。时空轨
迹刻画了移动对象的历史移动过程,此处特指自由移动空间下运动的物体,如船舶、飞
机、动物等。移动对象在运动过程中有时会展现出不同寻常的移动模式,往往蕴含了重要
行为,或者表征了异常事件。例如,轮船为避免碰撞频繁改变航向,表观呈现沿 S 形轨迹
行进;民航飞机在等待降落之前往往在机场上空盘旋飞行;动物通过气味追踪猎物,一般
遵循由四周向目标中心逐渐汇聚的特定觅食策略。从轨迹数据出发的规则发现与知识提取
为行为解译、轨迹预测、城市规划、异常监测等应用提供重要技术支持。
国内外学者在轨迹移动模式挖掘方面开展了大量的研究,大致可以分为群体层面、个
体层面的轨迹模式分析。从群体角度而言,轨迹模式分析侧重于群体移动对象共现模式和
运动趋势的发现。共现模式寻找在一定时间内密集移动的对象,常见的共现模式有
Flock
[5]
、Convoy
[6]
、Swarm
[7]
、Crew
[8]
等,常用于挖掘游行、庆祝活动和交通堵塞等群体
性事件
[9]
。运动趋势表征了时空规律信息,贾涛等
[10]
采用微观尾气排放模型,从点、线、
面 3 个角度研究了武汉市出租车行程轨迹的 CO
2
排放量的时空分布模式;He 等
[11]
首次单
独依赖共享单车数据完成大范围的违章停车检测,为解决机动车占道停放等问题提供了新
思路。
个体层面上的轨迹模式分析则可以得到单个对象的移动行为特征,可归纳为轨迹分割
问题,即将轨迹分割为有特定语义的片段序列,为检测移动变化及其行为机制提供基础。
Buchin 等
[12]
基于一系列时空相似标准,如位置、方向、速度、曲率等,提出一种通用的单
轨迹分割框架;向隆刚等
[13]
、吴涛等
[14]
研究了基于轨迹 Stop/Move 模型
[15]
的子轨迹划分及
其语义表达问题,同时针对 Stop 提取问题提出了序列聚类和指数表征两种算法
[16-17]
;
Biljecki 等
[18]
对个体出行轨迹的交通方式进行划分,在交通规划应用以及用户偏好推荐系统
中具有重要参考意义;任慧君等
[19]
从公交车轨迹数据中提取超速、急加速、急减速、急转
弯等潜在的不安全驾驶行为,用于评估驾驶员个体的驾驶行为安全性;Kajioka 等
[20]
根据运
动和距离状态将行人移动轨迹序列化为统一描述的符号序列,采用比较序列模式挖掘男、
女行人轨迹模式的差异性。
综上所述,现有的轨迹分析研究大多是面向群体轨迹的移动模式挖掘,而面向单条轨
迹的研究更多是针对轨迹划分与停留提取两类问题。考虑到在单条轨迹的持续时间内,不
同移动模式具有不同的方向表征,而同一模式呈现相似的方向语义表达,本文提出一种基
于方向象限映射的轨迹移动模式分析方法。首先利用滑动窗口技术分析轨迹的方向信息,
然后基于轨迹段的方向信息,将单条轨迹映射编码为一维的象限字符序列。在此基础上,
建立特定移动模式的正则表达,据此采用有限状态自动机(finite state machine,FSM)来表
达移动对象的象限时序状态及其转换
[21]
,从而实现基于 FSM 的单轨迹移动模式探测。
本文主要通过分析单轨迹移动模式的方向表征,在象限空间中构建出轨迹的字符序列
表达,从而将几何空间的移动模式探测转化为指定的字符串匹配问题,不仅可以降低移动
模式探测的复杂性,而且能够提高移动模式探测的正确性和鲁棒性。实验结果表明,本文
评论0
最新资源