航空器飞行轨迹表示方法及其应用

航空器飞行轨迹数据的质量和规模是提高民航运行规律分析效率的基础。为了在尽可能保留原始轨迹运动特征的情况下实现对轨迹的规则化表示,减少对内存空间的占用,提出了包括等间隔采样、固定点数采样、自适应采样的重采样方法和基于傅里叶描绘子的轨迹重构方法。通过对比重构轨迹与原始轨迹在运动特征等细节的差异,分析每种方法的优缺点。针对飞行轨迹簇的聚类问题,基于固定点数采样结果,利用层次聚类法实现对重构轨迹的聚类分析。实验结果表明,本文提出方法能够利用小规模数据有效表示航空器的飞行轨迹,并成功应用于轨迹聚类等问题。     

社区老年人空间行为轨迹异常分析方法

为分析社区中老年人空间行为轨迹的规律并识别其异常空间行为轨迹,建立了基于动态时间规整(dynamic time war-ping,DTW)算法和基于密度的空间聚类算法(density-based spatial clustering of applications with noise,ST-DBSCAN)的社区老年人异常空间行为轨迹分析模型.首先,利用社区内老年人空间轨迹定位数据,采用ST-DBSCAN聚类算法对连续空间轨迹进行聚类分析,提取老年人的动态行为链.其次,针对两种常见的异常轨迹模式(出行轨迹偏离日常轨迹和停留时间过长),利用DTW算法对老年人的动态轨迹进行异常模式识别.最后,结合异常轨迹模式、老年人背景信息、气象信息,建立社区老年人异常行为风险分析模型,分析老年人在出现轨迹异常情况下的安全风险,并基于微软亚洲研究院的开源轨迹数据集GeoLife对建立的模型进行了验证.研究结果表明,模型可以识别老年人出行时的异常空间轨迹,分析其安全风险.研究成果可以为居委会、社区物业、养老机构等部门的老年人安全管理工作提供方法支持.     

基于最小覆盖圆时空聚类算法的出行轨迹停驻点识别

本文面向出行GPS轨迹中停驻点的识别问题,提出一种基于最小覆盖圆的时空聚类方法。使用停驻范围阈值对轨迹点进行聚类,使用停驻时间阈值对聚类类簇进行初步过滤,使用类簇近邻距离与类簇近邻时间两个阈值对预过滤类簇进行合并,继而使用停驻时间阈值进行最终过滤得到停驻时段与停驻点。该算法改进了已有时空聚类算法中初始类簇的确定方法,提高了计算效率。由于现有的查全率与查准率无法准确衡量停驻点识别结果的精度,基于停驻时段精确度对查全率与查准率计算计算方法进行修改。使用包含9 923个轨迹点的轨迹进行算法有效性检验,轨迹中包含的三个停驻时段均得到有效识别,查准率与查全率均为0.82,实验结果表明,该算法在轨迹重合度高以及轨迹漂移等情形下具有较高的准确性。     

阈值引导采样法的船舶轨迹简化算法

为了解决大多数的轨迹简化算法缺乏对轨迹多个特征的综合衡量的问题，提出了一种融合位置、方向、速度与时序等多个轨迹特征，基于阈值引导采样的船舶轨迹简化算法。该算法以角度阈值法思想为基础，计算轨迹点的前后多个特征差，与设置的阈值进行对比，进而实现对轨迹的简化。利用船舶AIS轨迹数据对该算法进行轨迹简化和轨迹聚类实验。实验结果表明,该轨迹简化算法在简化率、简化误差率上均优于角度阈值算法，能保留原始轨迹的形状，并且简化后的轨迹数据能运用于轨迹聚类，聚类效果良好。     

组移动模式挖掘中轨迹聚类的置信区间法

在借鉴空间数据挖掘技术的基础上,定义了移动对象轨迹之间的时态距离和平均距离,提出了标准差法和置信区间法两种轨迹聚类算法。两种方法能够找出所有具有相似轨迹的对象对,在不同距离采样点数的基础上配合使用两种方法能够明显降低轨迹聚类算法的时间复杂度。基于标准差法和置信区间法的轨迹聚类算法在仿真数据集和真实数据集进行了验证。表明两种方法能够为其他轨迹聚类算法进行数据筛选,筛选后的数据量将大大减少,从而可提高算法效率。     

基于RFID位置语义的室内移动轨迹聚类算法

面向室内空间的移动轨迹聚类有利于发现室内热点和用户移动模式.针对室内环境在定位技术、距离度量等方面的特殊性,充分考虑室内移动轨迹的空间和语义特征,提出一种基于无线射频识别(radio frequency identi-fication,RFID)位置语义的室内移动轨迹聚类方法.该方法对原始轨迹提取特征点,可简化轨迹以降低算法时间复杂度;从空间形状和位置语义2个方面加权计算轨迹相似度,其中,空间相似度通过定义适用于室内三维空间的距离函数来计算,语义相似度计算基于最长公共子序列思想,并引入移动对象在轨迹点的到达时间和停留时间;利用线性表存储轨迹相似度,采用改进的层次聚类方法对移动轨迹进行聚类.实验结果表明,该方法能够有效地进行室内轨迹聚类并具有较高的效率.     

一种基于日志相似度的轨迹聚类评估方法

信息系统收集了大量的业务过程事件日志,过程发现旨在从事件日志中发现过程模型。但面对高度灵活的环境,简单地应用已有的过程发现技术通常会产生不可理解的过程模型(即意大利面模型)问题。轨迹聚类方法允许分解现有的事件日志,从而有效地解决这一问题。现有的轨迹聚类方法有很多,如基于向量空间方法的聚类、基于上下文感知的聚类、基于模型的序列聚类等,通过不同的轨迹聚类方法得到的聚类效果也存在差异。评价聚类效果有很多指标,如基于模型挖掘质量的F-Measure,但已有的聚类评估指标效率低下且操作复杂,不具备简洁性和高效性。本研究提出一种基于日志相似度的轨迹聚类评估方法,通过比较聚类子日志之间的相似程度来衡量聚类日志的质量。通过对仿真事件日志和真实事件日志的实验分析表明,所提出的评估方法为轨迹聚类方法提供了一种良好的参考标准。     

基于海量车牌识别数据的相似轨迹查询方法

车牌识别数据是一种具有数据量大、时空相关、位置可测等特征的车辆监测数据,基于此类数据的相似轨迹查询面临着诸多问题。该文给出一种基于"点伴随关系"的车辆相似轨迹定义,提出了一种多级任务并行的相似轨迹查询方法,并给出了基于MapReduce迭代计算模型的方法实现,可支持在海量车牌识别数据集中利用分布计算环境高效地完成相似轨迹查询。基于近千万条真实车牌识别数据的实验表明,相对于传统方法,该方法在保证相似轨迹查询结果准确的前提下具有更好的查询性能。     

一种基于反向神经网络的航空器飞行轨迹预测

为了缓解终端区空域拥堵和降低航空器运行风险,提出一种基于反向神经网络(BP)的航空器飞行轨迹预测模型。首先,对航空器历史数据进行筛选和降噪处理,得到基准轨迹;其次,建立基于Hausdorff距离的轨迹相似性矩阵,采用模糊C-均值聚类(FCM)对所有轨迹进行自动分类;最后,综合考虑飞行轨迹的三维位置、速度和航向特征,利用BP神经网络对轨迹特征进行训练学习,建立飞行轨迹预测模型,用于对未来时刻的短期飞行轨迹多维特征进行预测。试验结果表明:该网络模型预测误差小、预测效果好,可以更加准确地进行航空器的飞行轨迹预测。     

一种基于轨迹数据密度分区的分布式并行聚类方法

全球定位技术与基于位置服务的发展促进了轨迹大数据的发展.轨迹聚类作为最重要的轨迹分析任务之一,得到了广泛的研究.目前,大多数聚类方法是在单处理机模式下运行,对于大规模的轨迹数据其处理时间较长,难以满足时效性强的轨迹分析任务,为此提出一种基于轨迹数据密度分区的分布式并行聚类方法.首先将整个轨迹数据集抽象在一个矩形区域内,通过该矩形最长维度的变换将数据合理地划分为若干任务量相当的分区,构建可供分布式并行聚类的局部数据集,然后各工作服务器对局部分区分别执行DBSCAN聚类算法,管理服务器对局部聚类结果进行合并与整合.实验结果验证了本方法的有效性,在一定程度上提高了聚类分析的运算效率.     

基于密度的噪声应用空间聚类算法的差分隐私轨迹保护机制

目前大多数的轨迹隐私保护方法对轨迹的形状相似性考虑并不充分,并且容易忽略各轨迹点之间的时序相关性,导致生成的干扰轨迹可用性不高。为了解决这些问题,提出了一种基于密度聚类算法(density based spatial clustering of application with noise, DBSCAN)的差分隐私轨迹保护机制。首先,使用DBSCAN算法对数据进行聚类分析,降低数据集中噪声点对聚类效果的影响;其次,根据用户活动轨迹点的时序关系,生成位置转移概率矩阵,利用差分隐私的方法确保生成的干扰轨迹点与真实轨迹点具有相似的位置转移概率;最后综合考虑差分隐私预算和弗朗明歇距离(Fréchet distance)对轨迹相似性的影响,选取位置干扰点。通过仿真实验分析,本文的方案在效率上具有明显的优势,并且生成的干扰轨迹与真实的位置轨迹相比具有较高的形状相似性。     

基于多维特征终端区航空器异常轨迹识别

针对航空器轨迹聚类没有充分利用目标的速度、航向等多维特征信息,在发掘轨迹聚类中存在局限性,提出基于多维特征的航空轨迹聚类方法并基于统计学方法完成异常检测。通过散点相似矩阵确定多维特征,利用多维特征构建多维特征相似矩阵,完成对轨迹的聚类,引入航转角和特征点选择特征轨迹,用多元拟合模型对特征轨迹点拟合,得到航空器特征轨迹表达式,通过计算实验轨迹与位置特征表达式的距离是否大于95%的置信区间距离,完成异常轨迹的检测。在天津机场用ADS-B数据进行实验,比较结果表明具有一定可行性。     

考虑道路形状约束的车辆轨迹聚类方法

随着车联网技术的不断发展,产生了海量车辆轨迹数据。这些车辆轨迹数据可以通过聚类分析方法挖掘出车辆行驶的潜在规律,从而实现指导车辆出行的目的。提出一种基于密度的车辆轨迹聚类方法,对基于道路形状关键点位置选取的车辆轨迹信息进行重构,并考虑车辆在路网中移动的空间约束,分析聚类结果得到城市道路的交通状况,以此指导车辆出行以避免或减轻车辆拥堵。基于福州市真实的车辆数据对提出的车辆轨迹聚类算法进行验证,并对最后的聚类结果进行了详细的分析。实验结果表明,针对车辆轨迹聚类并结合道路网络的方法能够更加真实反映车辆的行为特征。     

GM（1，1）模型在轨迹聚类中的应用

针对移动对象轨迹数据在获取过程中可能存在延迟、缺失,使得轨迹数据存在不确定性的情况.利用GM(1,1)模型在预测、决策领域中的优势,在拟合误差阀值的限制下,提出一种基于GM(1,1)模型的轨迹分割方法(TR_GMPR).之后,对分割后的轨迹段利用DBSCAN算法进行聚类.实验表明,生成的特征轨迹相比其他线段分割的轨迹聚类结果,更符合实际情况.     

基于轨迹聚类的热点路径分析方法

随着智能终端、移动定位、无线通信等技术的快速发展,在交通、物流等应用领域,大量受路网约束的轨迹数据得以收集.利用轨迹数据分析热点路径,可以在时空和语义特征不变的前提下反映移动对象的运动和行为模式.在提取道路交叉点的基础上,引入轨迹的停留点语义,并将两者共同作为特征点进行轨迹划分,在轨迹聚类的基础上进行子轨迹权重分析,从...     

基于形态特征的终端区进场中心航迹识别方法

为了挖掘终端区进场航空器交通流的分布特征，量化分析空中交通的复杂性，提出了一种基于多特征轨迹相似度和密度峰值聚类(Density-peak Clustering, DPC)的中心航迹提取方法。首先，采用单向距离(One Way Distance, OWD)计算轨迹之间的形状和物理距离，并结合空管实际运行航迹数据特征，考虑航迹之间的位置属性和航向属性，定义多特征航迹相似度模型。其次，使用密度峰值聚类算法对航迹数据进行聚类分析，提取聚类结果中每一簇中具有最高密度的真实轨迹作为中心航迹。最后，对双流国际机场终端区历史航迹数据进行实验分析，使用轮廓系数指标和基于密度的指标进行评价，并与层次聚类算法进行对比。结果表明，轨迹被划分为8个不同形态的类簇，该方法可以直观有效的识别出轨迹的整体运动特征并精确提取出真实的中心航迹。