论文部分内容阅读
GPS技术的快速发展和定位设备的广泛使用使得我们更容易获取到车辆运动轨迹数据。利用这些数据,我们可以重构车辆的运动轨迹,发现车辆的运动模式。而将环境特征引入到车辆运动轨迹分析中,更能准确地挖掘出移动对象在什么环境情况下会选择什么样的轨迹路径。车辆运动轨迹数据作为重要的数据资源在热点区域发现、路网建设、城市规划、智慧城市等方面起着重要的作用。吸引着众多研究者投身到对车辆轨迹的分析研究中。本文主要完成了以下三个方面的工作:1.针对环境约束的不确定轨迹数据的频繁路径问题,设计了一种适应于严格时间约束条件下基于环境约束的位置不确定的移动概率序列挖掘算法(UETFP-PrefixSpan),算法通过设置类标号把不同环境下的不确定轨迹数据区分开,利用概率支持度对频繁项集进行了重新定义,通过减少某些特定序列模式生成过程的扫描,来减少投影数据库的规模及扫描投影数据库的时间,提高算法效率。测试实验结果表明,改进后的UETFP-PrefixSpan算法挖掘结果更符合现实情况,算法执行效率更高。2.针对现有预测算法很少考虑环境因素,预测精度不高的问题,提出了一种基于环境约束的不确定轨迹数据预测算法(EGTP)。首先获取历史轨迹数据所处的环境信息,利用环境信息和轨迹数据构造一个新的轨迹参考点,模拟带有环境信息的车辆不确定轨迹数据;然后基于高斯混合模型,对轨迹参考点数据和历史轨迹数据进行训练;最后在训练的基础上利用轨迹参考点和历史轨迹数据对车辆轨迹实时预测。由于考虑了出行的环境因素,预测结果更符合现实情景。实验验证了该算法在实时性和预测准确度上较其它算法有所提高。3.针对具有环境特征的不确定车辆轨迹进行异常轨迹检测问题。提出了一种适用于不确定轨迹的异常轨迹检测算法,将车辆位置,行驶时间分别作为出租车的空间和时间特征,根据这些特征的偏离情况划分了时间异常,空间异常,时空异常。从历史轨迹数据中提取出具有相同起终点的轨迹数据集,将整条轨迹划分成子轨迹片段,计算轨迹间的相似度。基于距离和密度的聚类,在空间特征上初步分离出频繁和稀疏轨迹,根据数据异常判定的kσ准则确定时间特征异常的分离阈值,对时间特征进行再次划分,最终实现出租车异常轨迹检测。实验结果表明,该方法在异常结果的有效性和可解释性方面有所提高。