基于移動(dòng)大數(shù)據(jù)的軌跡匹配算法研究.pdf

1、隨著無(wú)線通信以及傳感器技術(shù)的快速發(fā)展，通訊設(shè)備覆蓋率日益增加，每日可產(chǎn)生數(shù)以?xún)|計(jì)的移動(dòng)數(shù)據(jù)，同時(shí)，個(gè)體活動(dòng)范圍逐步擴(kuò)大，由于移動(dòng)對(duì)象行為呈多樣性及規(guī)律性，個(gè)體行為軌跡挖掘具備研究?jī)r(jià)值，包括本文涉及的軌跡相似度匹配。因而，可采用移動(dòng)大數(shù)據(jù)進(jìn)行軌跡提取匹配，但由于受到軌跡數(shù)據(jù)量龐大及匹配性能受限等問(wèn)題影響，亟需構(gòu)建大數(shù)據(jù)環(huán)境，提出相應(yīng)的軌跡降維及相似度方法來(lái)實(shí)現(xiàn)軌跡匹配，主要研究?jī)?nèi)容如下:
　　1.針對(duì)海量軌跡數(shù)據(jù)，本文提出一種基于軌

2、跡點(diǎn)重要性的多粒度降維方法，對(duì)軌跡數(shù)據(jù)進(jìn)行壓縮。其中，粗粒度降維采用分時(shí)段聚合，保留位置及轉(zhuǎn)角結(jié)構(gòu)信息;細(xì)粒度降維經(jīng)時(shí)段劃分后，軌跡段由距離及時(shí)間閾值二次劃分，子段內(nèi)軌跡點(diǎn)通過(guò)重要性加權(quán)聚合。實(shí)驗(yàn)結(jié)果表明，兩種降維方法均可直觀表達(dá)軌跡形狀，降低了軌跡點(diǎn)數(shù)目以提高軌跡分析效率，同時(shí)，保留了原始軌跡的重要特征，細(xì)粒度降維可保留97.98％的特征，粗粒度降維保留93.59％的特征。粗粒度降維數(shù)據(jù)量小，細(xì)粒度降維保留特征完善，適用于不同場(chǎng)景。<

3、br>　　2.相似度匹配方面，本文提出一種基于結(jié)構(gòu)聚類(lèi)及信息熵插值的分層相似度方法，選取目標(biāo)軌跡，構(gòu)建兩層相似度匹配模型，第一層利用粗粒度降維數(shù)據(jù)，以結(jié)構(gòu)聚類(lèi)結(jié)果，可較快速地過(guò)濾出相似軌跡集;模型第二層利用相似軌跡集的細(xì)粒度表達(dá)，由信息熵挑選出移動(dòng)重要軌跡段，進(jìn)行基于時(shí)間插值的Hausdorff距離計(jì)算;最終輸出與目標(biāo)軌跡最為相似的若干條軌跡，給出相似度評(píng)分。實(shí)驗(yàn)結(jié)果表明，該方法有良好的計(jì)算效率，較于Hasudorff距離方法與歐氏距離

4、方法有更高精度的匹配結(jié)果，并可給出客觀的相似度評(píng)分。
　　3.為了驗(yàn)證算法的有效性，設(shè)計(jì)實(shí)現(xiàn)軌跡相似度匹配系統(tǒng)。由MongoDB分片形式，構(gòu)建大數(shù)據(jù)存儲(chǔ)機(jī)制;建立數(shù)據(jù)處理后臺(tái)，自動(dòng)規(guī)范提供軌跡提取、清洗及粗細(xì)粒度降維等服務(wù);由分層相似度模型判斷軌跡間相似度，完善軌跡相關(guān)操作、相似度計(jì)算及相似度擴(kuò)展應(yīng)用等功能，以可視化方式輸出。本系統(tǒng)可安全高效管理海量數(shù)據(jù)，預(yù)測(cè)篩選可疑團(tuán)體，以提升社會(huì)安全性，通過(guò)尋找熱點(diǎn)區(qū)域及區(qū)域關(guān)聯(lián)度，提供日常無(wú)