一种时空轨迹相似度计算方法及系统

摘要

本发明公开一种时空轨迹相似度计算方法及系统，所述方法包括：步骤1，定义距离转角率，刻画用户兴趣点的特征；步骤2，根据经验阈值，识别用户兴趣点；根据轨迹的用户兴趣点计算其公共兴趣点；步骤3，计算分段之间的相似度以及不相似度，其中所述分段为两个公共兴趣点之间的分段；通过定义分段时间、相似分段、相似路线，计算轨迹之间的相似度以及不相似度，从而得到轨迹相似度。

主权项

一种时空轨迹相似度计算方法，其特征在于，包括：步骤1，定义距离转角率，刻画用户兴趣点的特征；步骤2，根据经验阈值，识别用户兴趣点；根据轨迹的用户兴趣点计算其公共兴趣点；步骤3，计算分段之间的相似度以及不相似度，其中所述分段为两个公共兴趣点之间的分段；通过定义分段时间、相似分段、相似路线，计算轨迹之间的相似度以及不相似度，从而得到轨迹相似度；其中，所述步骤1还包括：步骤21，定义p_i‑1、p_i到p_i+1的距离转角率LATatio(p(i‑1),p(i),p(i+1))，其中p_i‑1、p_i、p_i+1分别为用户兴趣点,i为兴趣点序号；距离转角率公式如下：$\mathrm{LATatio}(p(i-1),p\left(i\right),p(i+1))=\mathrm{LARatio}(\overrightarrow{v}(p_{i-1},p_i),\overrightarrow{v}(p_i,p_{i+1}))=\frac{1-\cos \left({\theta }_i\right)}{ϵ+\left|\right|\overrightarrow{v}(p\left(i\right),p(i+1))\left|\right|}$其中，θ_i为兴趣点列i的角度,ε是满足下述条件的任意一个常量：$0<ϵ<\min \left\{\right|\left|\overrightarrow{v}(p\left(i\right),p(i+1))\right|\left|\right\}$且$ϵ+\min \left\{\right|\left|\overrightarrow{v}(p(i-1),p\left(i\right))\right|\left|\right\}<\underset{\sec }{\min }\left\{\right|\left|\overrightarrow{v}(p(i-1),p\left(i\right))\right|\left|\right\}$其中，是向量的模，是的第二小值；如果ε满足以下不等式：$0<ϵ<\underset{\mathrm{th}}{\min }\left\{\right|\left|\overrightarrow{v}(p(i-1),p\left(i\right))\right|\left|\right\}$且$ϵ+\underset{\sec }{\min }\left\{\right|\left|\overrightarrow{v}(p(i-1),p\left(i\right))\right|\left|\right\}<\underset{\mathrm{th}}{\min }\left\{\right|\left|\overrightarrow{v}(p(i-1),p\left(i\right))\right|\left|\right\}$其中，sec和th分别表示第二和第三，因此是的第三小值，为向量；所述步骤2还包括：步骤41，如果ratio＞ρ，这里ρ是一个经验阈值，则认为兴趣点p(i)和p(i+1)是同一个兴趣点，IS(j)表示轨迹中的j个兴趣点；为了计算轨迹的相异程度，用IP(j)表示IS(j)，IP(j)＝(Long(j),Lat(j),T(j))是IS(j)中兴趣点的加权平均,其中j是兴趣点的编号，$\mathrm{Long}\left(j\right)={\Sigma }_{i=1}^{n_{\mathrm{is}}}\frac{\mathrm{rati}{o}_i}{{\Sigma }_{i=1}^{n_{\mathrm{is}}}\mathrm{ratio}\left(i\right)}·\mathrm{long}\left(i\right),$$\mathrm{Lat}\left(j\right)={\Sigma }_{i=1}^{n_{\mathrm{is}}}\frac{\mathrm{rati}{o}_i}{{\Sigma }_{i=1}^{n_{\mathrm{is}}}\mathrm{ratio}\left(i\right)}·\mathrm{lat}\left(i\right),$$T\left(j\right)={\Sigma }_{i=1}^{n_{\mathrm{is}}}\frac{\mathrm{rati}{o}_i}{{\Sigma }_{i=1}^{n_{\mathrm{is}}}\mathrm{ratio}\left(i\right)}·t\left(i\right)$其中ratio_i为兴趣点i的距离转角率，ratio(i)为兴趣点(i)的距离转角率，n_is为第j个兴趣点所涉及的距离转角率的个数，long(i)为兴趣点i的精度，lat(i)为兴趣点i的纬度，t(i)为兴趣点i的时间,Long(j)为兴趣点j的精度，Lat(j)为兴趣点j的纬度，T(j)为兴趣点j的时间；步骤42，如果两个兴趣点IP(i)和IP(j)之间的距离小于d_p，称这两个兴趣点为公共兴趣点CoIP，d_p根据具体赋值而变化；所述步骤3还包括：步骤51，位于CoIP(i)和CoIP(i+1)中间的部分为tra(1)中的分段，记做seg_tra(i)；下述公式计算分段的不相似程度：dif_vector(seg_i(tra₁),seg_i(tra₂))＝Vdif_vector(seg_i(tra₁),seg_i(tra₂))+|n1_in‑n2_in|其中，Vdif_vector(seg_i(tra₁)，seg_i(tra₂))＝||vq₁(seg_i(tra₁))‑vq₁(seg_i(tra₂))||+||vq₂(seg_i(tra₁))‑vq₂(seg_i(tra₂))||Vdif_vector为相似路线，tra₁为兴趣点列1，tra₂为兴趣点列2，seg_i(tra₁)为兴趣点列1的分段，seg_i(tra₂)为兴趣点列2的分段，n1_in为兴趣点列1中两个正常兴趣点之间非公共兴趣点的数量，n2_in为兴趣点列2中两个正常兴趣点之间非公共兴趣点的数量,其中公共兴趣点形成轨迹分段，将轨迹各分段分为2个分区，相邻两个分段构成4个分区，Vq1()和Vq2()分别为连接1、3分区和2、4分区的向量，Vq1()和Vq2()的走向与轨迹走向相同。