CN107133269B - 基于移动目标的频繁位置轨迹生成方法及装置 - Google Patents
基于移动目标的频繁位置轨迹生成方法及装置 Download PDFInfo
- Publication number
- CN107133269B CN107133269B CN201710212963.1A CN201710212963A CN107133269B CN 107133269 B CN107133269 B CN 107133269B CN 201710212963 A CN201710212963 A CN 201710212963A CN 107133269 B CN107133269 B CN 107133269B
- Authority
- CN
- China
- Prior art keywords
- track
- position information
- sub
- preset
- tracks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000033001 locomotion Effects 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000012952 Resampling Methods 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 35
- 238000010586 diagram Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于移动目标的频繁位置轨迹生成方法及装置，涉及定位技术领域，主要目的是解决海量的、精度不同的位置数据，无法确定出准确的、目标轨迹出现次数较为频繁的移动目标位置轨迹的问题。技术方案包括：获取移动目标的位置信息；根据轨迹片段关联函数，执行所述位置信息对应的轨迹片段之间的关联操作；根据预设的网格划分方式，划分关联操作后的位置信息；根据建立的运动状态过滤器以及预设的特征点抽取算法，提取网格划分后的位置信息的特征点，得到重采样轨迹；按照时间属性、位置属性、方位属性以及预设空间聚类算法，以子轨迹形式对提取特征点后的重采样轨迹进行聚类；扫描聚类后的子轨迹，并生成频繁位置轨迹。
Description
技术领域
本发明涉及定位技术领域，尤其涉及一种基于移动目标的频繁位置轨迹生成方法及装置。
背景技术
为了实现对移动目标进行定位及追踪，位置服务系统GPS、无源侦察定位系统、星载机载遥感系统等技术被广泛使用，其中，可以通过对移动目标的位置进行实时定位得到移动目标的轨迹。
目前，可以对移动目标的位置进行长时间的定位及追踪，得到累积的位置轨迹，这种长时间的定位及追踪需要较高精度的定位数据，如GPS系统记录的数据，但是当得到的位置数据精度较低或位置精度不稳定时，会得到海量的、精度不同的位置数据，导致无法确定出准确的、目标轨迹出现次数较为频繁的移动目标位置轨迹，影响对移动目标的分析及处理。
发明内容
鉴于上述问题，提出了本发明以便提供一种基于移动目标的频繁位置轨迹生成方法及装置，主要目的是解决当得到的位置数据精度较低或位置精度不稳定时，会得到海量的、精度不同的位置数据，导致无法确定出准确的、目标轨迹出现次数较为频繁的移动目标位置轨迹，影响对移动目标的分析及处理的问题。
借由上述技术方案，本发明提供的一种基于移动目标的频繁位置轨迹生成方法，包括：
获取移动目标的位置信息，所述位置信息为经过异常数据分析后，移动目标在移动过程中所产生的数据；
根据轨迹片段关联函数，执行所述位置信息对应的轨迹片段之间的关联操作，所述轨迹片段用于描述移动目标在一次运动中产生的部分轨迹；
根据预设的网格划分方式，划分关联操作后的位置信息；
根据建立的运动状态过滤规则实现轨迹数据的预处理，之后将预处理数据送入预设的特征点抽取算法，提取网格划分的运动状态过滤后的位置信息的特征点，得到重采样轨迹；
按照时间顺序，将重采样轨迹划分后，得到子轨迹集，并根据位置特征和方位特征建立与所述子轨迹集对应的相似度函数，最后根据相似度函数与预设空间聚类算法，以子轨迹形式对提取特征点后的重采样轨迹进行聚类；
扫描聚类后的子轨迹，并生成频繁位置轨迹。
借由上述技术方案，本发明提供的一种基于移动目标的频繁位置轨迹生成装置，包括：
获取单元，用于获取移动目标的位置信息，所述位置信息为经过异常数据分析后，移动目标在移动过程中所产生的数据；
执行单元，用于根据轨迹片段关联函数，执行所述位置信息对应的轨迹片段之间的关联操作，所述轨迹片段用于描述移动目标在一次运动中产生的部分轨迹；
划分单元，用于根据预设的网格划分方式，划分关联操作后的位置信息；
提取单元，根据建立的运动状态过滤规则实现轨迹数据的预处理，之后将预处理数据送入预设的特征点抽取算法，提取网格划分的运动状态过滤后的位置信息的特征点，得到重采样轨迹；
聚类单元，用于按照时间顺序，将重采样轨迹划分后，得到子轨迹集，并根据位置特征和方位特征建立与所述子轨迹集对应的相似度函数，最后根据相似度函数与预设空间聚类算法，以子轨迹形式对提取特征点后的重采样轨迹进行聚类；
生成单元，用于扫描聚类后的子轨迹，并生成频繁位置轨迹。
借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
本发明实施例提供的一种基于移动目标的频繁位置轨迹生成方法及装置，首先获取移动目标的位置信息，所述位置信息为经过异常数据分析后，移动目标在移动过程中所产生的数据，然后根据轨迹片段关联函数，执行所述位置信息对应的轨迹片段之间的关联操作，所述轨迹片段用于描述移动目标在一次运动中产生的部分轨迹，再根据预设的网格划分方式，划分关联操作后的位置信息，之后根据建立的运动状态过滤规则以及预设的特征点抽取算法，提取网格划分后的位置信息的特征点，得到重采样轨迹，按照时间顺序、位置特征、方位特征以及预设空间聚类算法，以子轨迹形式对提取特征点后的重采样轨迹进行聚类，最后扫描聚类后的子轨迹，并生成频繁位置轨迹。与现有的当得到的位置数据精度较低或位置精度不稳定时，会得到海量的、精度不同的位置数据，导致无法确定出准确的、目标轨迹出现次数较为频繁的移动目标位置轨迹相比，本发明实施例通过对位置数据的探索及质量分析，得到目标轨迹的片段，将片段之间相关联，划分网格，将网格内的轨迹进行特征点提取，聚类提取特征点的子轨迹，最终生成子轨迹类簇的代表性频繁轨迹，实现不同精度定位数据的轨迹挖掘，可以适应观测轨迹不连续、定位误差较大等情况，增大定位系统的使用范围，从而提高移动目标的分析及处理。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种基于移动目标的频繁位置轨迹生成方法流程图；
图2示出了本发明实施例提供的另一种基于移动目标的频繁位置轨迹生成方法流程图；
图3示出了本发明实施例提供的速度属性分析示意图；
图4示出了本发明实施例提供的轨迹网格化处理前后轨迹对比图；
图5示出了本发明实施例提供的频繁位置轨迹示意图；
图6示出了本发明实施例提供的一种基于移动目标的频繁位置轨迹生成装置框图；
图7示出了本发明实施例提供的另一种基于移动目标的频繁位置轨迹生成装置。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种基于移动目标的频繁位置轨迹生成方法，如图1所示，所述方法包括：
101、获取移动目标的位置信息。
其中，所述位置信息为经过异常数据分析后，移动目标在移动过程中所产生的数据，所述位置信息包括目标编号、经度、纬度、速度、速度方向、加速度、定位时间及定位误差，所述位置信息中的数据集可以用集合或向量等形式进行表示，本发明实施例不做具体限定。所述获取位置信息可以是通过全球定位系统GPS对移动目标在一定范围内移动的轨迹进行定位后，接收到GPS返回的位置信息，获取位置信息的时间间隔可以根据用户需求进行设定，本发明实施例不做具体限定。
需要说明的是，位置信息中的速度、速度方向、加速度中的一项或多项可以缺失，缺失的个数本发明实施例不做具体限定。
例如，目标i的位置数据集可表示为TRi＝{Pi,1,Pi,2,…,Pi,j,…Pi,n}，Pi,j为目标i的第j条记录,也称目标i的第j个点迹，其中Pi,j＝{idi,j,lati,j,loni,j,veci,j,diri,j,ai,j,ti,j,erri,j}，idi,j,lati,j,loni,j,veci,j,diri,j,ai,j,ti,j,erri,j分别表示目标i的第j条记录的目标编号，经度、纬度、目标运动的速度、速度方向、加速度、定位时间及定位误差。
102、根据轨迹片段关联函数，执行所述位置信息对应的轨迹片段之间的关联操作。
其中，所述轨迹片段用于描述移动目标在一次运动中产生的部分轨迹，所述轨迹片段关联函数为用于进行位置信息对应的轨迹片段之间关联操作的数学公式，具体形式可以根据用户的需求进行设定，本发明实施例不做具体限定，如轨迹片段关联函数为
(1)中，
为目标i的两条轨迹片段，
分别表示上述两条子轨迹的起止时间与终止时间。
需要说明的是，由于移动目标在移动过程中，出现建筑物等障碍物的遮挡，或者出现设备断电等不可抗拒因素的原因，移动目标的移动轨迹会出现不连续的情况，即移动目标在一次运动中可能存在多个轨迹片段，因此，需要将位置信息中的多个轨迹判断进行关联操作，合成为一个整体的轨迹。
例如，位置信息中的轨迹片段可以表示为
为目标在一次移动中的轨迹片段位置点迹集，
为目标i第m个轨迹片段的第j个点迹。通过公式(1)的关联操作后，合成轨迹Trai可以表示为
103、根据预设的网格划分方式，划分关联操作后的位置信息。
其中，所述预设的网格划分方式为用于按照地理方式进行划分网格的方法，如地理哈希编码方式，本发明实施例不做具体限定。
需要说明的是，地理哈希编码方式是将经纬度区域实现网格划分，以经纬度坐标(0,0)点为起始，选取网格粒度pec为空间划分尺度，划分出边长均为pec的网格，并对划分网格依经纬度编码，这样一个网格区域即可表示为一个带经纬度编码的字符串，字符串编码以十六进制形式表示前半段为经度编码，后半段为纬度编码。将目标活动轨迹与空间划分网格匹配，即可获得目标在网格划分下的轨迹表示。
104、根据建立的运动状态过滤规则实现轨迹数据的预处理，之后将预处理数据送入预设的特征点抽取算法，提取网格划分的运动状态过滤后的位置信息的特征点，得到重采样轨迹。
其中，所述建立的运动状态过滤规则为构建角度变化、速度及加速度变化过滤器，过滤器的具体数学表达形式本发明实施例不做具体限定，所述预设的特征点抽取算法可以为最小描述长度准则MDL，具体的运动状态过滤规则及最小描述长度准则MDL数学公式，本发明实施例不做具体限定。
105、按照时间顺序，将重采样轨迹划分后，得到子轨迹集，并根据位置特征和方位特征建立与所述子轨迹集对应的相似度函数，最后根据相似度函数与预设空间聚类算法，以子轨迹形式对提取特征点后的重采样轨迹进行聚类。
其中，所述时间顺序为定位时间，所述位置特征为经纬度，所述方位特征为速度方向等，所述预设空间聚类算法为以相似度量矩阵实现聚类的算法，如DBSCAN算法，本发明实施例不做具体限定。所述重采样轨迹为经过网格划分后重新采样的目标轨迹。
例如，将一条轨迹的特征点迹依时间顺序实现序贯连接，生成子轨迹集。子轨迹集可表示为STRi＝{Pi c1Pi c2,…,Pi ckPi ck+1,…,Pi cn-1Pi cn}，其中Pi c1Pi c2为依时间顺序连接前后两点迹构成的子轨迹，根据位置特征及方位特征构建子轨迹相似度量函数，将任意一条子轨迹
映射为向量
此时，只考率轨迹点迹的位置特征和方位特征，
为子轨迹Pi ckPi ck+1的斜率，子轨迹可表示为
则子轨迹相似度量函数如下式：
其中，σkl为斜率
的均方根误差，Skl为两条子轨迹间的相似距离；生成相似度量矩阵S，依据DBSCAN算法，设置参数ε，MinLns实现子轨迹聚类。其中，ε为衡量两子轨迹相近程度的距离度量阈值，MinLns为在ε范围内，需包含的子轨迹的最小数量。
需要说明的是，DBSCAN算法是基于密度的空间聚类算法，该方法将具有足够密度的子轨迹划分为簇，即设定参数ε，MinLns将满足密度设定条件的子轨迹划分为一簇
经过对子轨迹集的遍历，即可实现子轨迹聚类划分。上述计算中，参数pre、diffvec、diffdir、diffa、ε、MinLns等的设置依据多次试验及目标轨迹条数综合考虑得出。
106、扫描聚类后的子轨迹，并生成频繁位置轨迹。
其中，所述扫描为通过扫描线算法进行扫描。
需要说明的是，扫描线算法是将类簇clui中的子轨迹，用垂直于类簇内子轨迹的平均方向的直线，从左至右扫描，当与其相交子轨迹数大于MinLns/2时，求取与其相交的交点的均值Pi avgj为频繁轨迹的一个点迹，扫描结束时，频繁轨迹RTRi＝{Pi avg1,…,Pi avgj,…Pi avgn}。
对于本发明实施例，如图2所示，步骤101、获取移动目标的位置信息具体包括：201、接收移动目标的的位置信息。202、统计所述位置信息中目标编号、经度、纬度、速度、速度方向、加速度、定位时间及定位误差的最大值、最小值及分布情况。203、按照预设异常数据范围，删除统计后的位置信息中的异常信息。
其中，所述接收移动目标的位置信息是通过全球定位系统进行接收，接收的时间间隔可以根据人为需求进行设定，所述预设异常数据范围为依据数据所属领域的背景知识，如目标的速度或出现区域确定异常值区间，具体数据区间本发明实施例不做具体限定，所述删除统计后的位置信息中的异常信息是针对同一编号目标，按关联属性确定出需删除冗余记录，实现删除。通过对数据集中的各个属性及记录进行统计分析，实现对冗余及异常数据的清理。
对于本发明实施例，如图2所示，步骤102、根据轨迹片段关联函数，执行所述位置信息对应的轨迹片段之间的关联操作具体包括：204、根据轨迹片段关联函数，执行所述位置信息中目标编号及时间对应的轨迹片段之间的关联操作。其中，所述目标编号及时间即为关联操作的依据。需要说明的是，目标一次运动的轨迹可由多条轨迹片段组成，对目标i的位置数据集TRi,依据目标观测编号及时间索引，将同一观测编号的目标整合为一条轨迹片段；并依据目标运动连续性和排斥性假设，实现不同观测编号间的轨迹片段关联。
本发明实施例提供的另一种基于移动目标的频繁位置轨迹生成方法，如图2所示，具体地，步骤103、根据预设的网格划分方式，划分关联操作后的位置信息具体包括：205、为预设的网格划分方式配置空间尺度及经纬度编码。206、根据所述预设的网格划分方式，划分关联操作后的位置信息。207按照均值处理方式，处理所述位置信息。
其中，所述空间尺度及经纬度编码可以按照地理哈希编码的方式进行配置，将目标活动轨迹与空间划分网格匹配，即可获得目标在网格划分下的轨迹表示。所述均值处理方式为对任意网格内定位坐标求平均并以此作为该网格区域内目标点迹，可实现对低精度轨迹的平滑处理，网格划分粒度应大于目标定位误差。
例如，平滑处理的数学表达式可以为
其中，
为轨迹Trai在网格k内的点迹集。
为网格平均化坐标，依时间索引，可生成目标轨迹
进一步地，如图2所示，本发明实施例步骤104之前还包括：208、根据角度、速度及加速度的变化情况，建立运动状态过滤规则。
例如，当角度、速度及加速度变化率小于设定阈值时，舍去采样点。当veci,j,diri,j,ai,j变化率小于设定阈值时，舍去采样点，过滤过程，运动状态过滤规则可以表示为：
依据最小描述长度准则(MDL)，将过滤后轨迹实现压缩表示，过滤方法如(5)、(6)所示式。据此，可抽取特征点迹集STRi＝{Pi c1,…,Pi cj,…,Pi cn}。
其中，L(H)为抽取出特征轨迹的长度，len(·)求取子轨迹
的距离；L(D|H)为在MDL准则条件下抽取的特征轨迹长度与Traextrai的差值，d⊥(·)，dθ(·)为子轨迹在抽取前后在垂直、角度上的距离差异，要使特征点迹集简洁而高效的表示原始轨迹，则需取min(L(H)+L(D|H))。
对于本发明实施例，如图2所示，步骤105、按照时间顺序，将重采样轨迹划分后，得到子轨迹集，并根据位置特征和方位特征建立与所述子轨迹集对应的相似度函数，最后根据相似度函数与预设空间聚类算法，以子轨迹形式对提取特征点后的重采样轨迹进行聚类具体包括：210、按照时间顺序，连接所述重采样轨迹中的各个轨迹的分别对应的特征点，得到子轨迹集。211、根据位置特征以及预设的相似度函数的建立方式，建立所述子轨迹集对应的相似度函数，得到相似度矩阵。212、根据相似度矩阵以及预设空间聚类算法，生成聚类划分后的子轨迹。
对于本发明实施例，具体的应用场景可以如下所示，但不限于此，包括：对大西洋飓风轨迹为例，接收大西洋飓风的位置信息，TRi＝{Pi,1,Pi,2,…,Pi,j,…Pi,n}，Pi,j为目标i的第j条记录,也称大西洋飓风i的第j个点迹，其中Pi，j＝{idi，j，lati，j，loni，j，veci，j，diri，j，ai，j，ti，j，erri，j}，idi,j,lati,j,loni,j,veci,j,diri,j,ai,j,ti,j,erri,j分别表示目标i的第j条记录的目标编号，经度、纬度、目标运动的速度、速度方向、加速度、定位时间及定位误差，对位置信息中的数据进行冗余及异常数据处理，如图3所示，图3为速度属性分析，然后根据公式(1)的关联操作，合成大西洋飓风在一次运动中的轨迹Trai,其中
按照地理哈希编码方式进行网格划分，并根据公式(3)进行平滑处理，生成大西洋飓风在一次运动中的平滑轨迹
如图4所示，图4为轨迹网格化处理前后轨迹对比图，为根据公式(4)、(5)、(6)对
进行特征点提取，得到重采样轨迹STRi＝{Pi c1,…,Pi cj,…,Pi cn}，根据公式(2)以子轨迹形式对提取特征点后的重采样轨迹进行聚类，扫描聚类后的子轨迹STRi＝{Pi c1Pi c2,…,Pi ckPi ck+1,…,Pi cn-1Pi cn}，并生成频繁位置轨迹，如图5所示。
本发明实施例提供的一种基于移动目标的频繁位置轨迹生成方法与现有的当得到的位置数据精度较低或位置精度不稳定时，会得到海量的、精度不同的位置数据，导致无法确定出准确的、目标轨迹出现次数较为频繁的移动目标位置轨迹相比，本发明实施例通过对位置数据的探索及质量分析，得到目标轨迹的片段，将片段之间相关联，划分网格，将网格内的轨迹进行特征点提取，聚类提取特征点的子轨迹，最终生成子轨迹类簇的代表性频繁轨迹，实现不同精度定位数据的轨迹挖掘，可以适应观测轨迹不连续、定位误差较大等情况，增大定位系统的使用范围，从而提高移动目标的分析及处理。
进一步地，作为图1所示方法的具体实现，本发明实施例提供一种基于移动目标的频繁位置轨迹生成装置，如图6所示，所述装置可以包括：获取单元31、执行单元32、划分单元33、提取单元34、聚类单元35、生成单元36。
获取单元31，用于获取移动目标的位置信息，所述位置信息为经过异常数据分析后，移动目标在移动过程中所产生的数据；
执行单元32，用于根据轨迹片段关联函数，执行所述位置信息对应的轨迹片段之间的关联操作，所述轨迹片段用于描述移动目标在一次运动中产生的部分轨迹；
划分单元33，用于根据预设的网格划分方式，划分关联操作后的位置信息；
提取单元34，用于根据建立的运动状态过滤规则实现轨迹数据的预处理，之后将预处理数据送入预设的特征点抽取算法，提取网格划分的运动状态过滤后的位置信息的特征点，得到重采样轨迹；
聚类单元35，用于按照时间顺序，将重采样轨迹划分后，得到子轨迹集，并根据位置特征和方位特征建立与所述子轨迹集对应的相似度函数，最后根据相似度函数与预设空间聚类算法，以子轨迹形式对提取特征点后的重采样轨迹进行聚类；
生成单元36，用于扫描聚类后的子轨迹，并生成频繁位置轨迹。
本发明实施例提供的一种基于移动目标的频繁位置轨迹生成装置，与现有的当得到的位置数据精度较低或位置精度不稳定时，会得到海量的、精度不同的位置数据，导致无法确定出准确的、目标轨迹出现次数较为频繁的移动目标位置轨迹相比，本发明实施例通过对位置数据的探索及质量分析，得到目标轨迹的片段，将片段之间相关联，划分网格，将网格内的轨迹进行特征点提取，聚类提取特征点的子轨迹，最终生成子轨迹类簇的代表性频繁轨迹，实现不同精度定位数据的轨迹挖掘，可以适应观测轨迹不连续、定位误差较大等情况，增大定位系统的使用范围，从而提高移动目标的分析及处理。
该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。
进一步地，作为图2所示方法的具体实现，本发明实施例提供另一种基于移动目标的频繁位置轨迹生成装置，如图7所示，所述装置还可以包括：获取单元41、执行单元42、划分单元43、提取单元44、聚类单元45、生成单元46、建立单元47.
获取单元41，用于获取移动目标的位置信息，所述位置信息为经过异常数据分析后，移动目标在移动过程中所产生的数据；
执行单元42，用于根据轨迹片段关联函数，执行所述位置信息对应的轨迹片段之间的关联操作，所述轨迹片段用于描述移动目标在一次运动中产生的部分轨迹；
划分单元43，用于根据预设的网格划分方式，划分关联操作后的位置信息；
提取单元44，用于根据建立的运动状态过滤规则实现轨迹数据的预处理，之后将预处理数据送入预设的特征点抽取算法，提取网格划分的运动状态过滤后的位置信息的特征点，得到重采样轨迹；
聚类单元45，用于按照时间顺序，将重采样轨迹划分后，得到子轨迹集，并根据位置特征和方位特征建立与子轨迹集对应的相似度函数，最后根据相似度函数与预设空间聚类算法，以子轨迹形式对提取特征点后的重采样轨迹进行聚类；
生成单元46，用于扫描聚类后的子轨迹，并生成频繁位置轨迹。
具体地，所述获取单元41包括：
接收模块4101，用于接收移动目标的的位置信息；
统计模块4102，用于统计所述位置信息中目标编号、经度、纬度、速度、速度方向、加速度、定位时间及定位误差的最大值、最小值及分布情况；
删除模块4103，用于按照预设异常数据范围，删除统计后的位置信息中的异常信息。
所述执行单元42，具体用于根据轨迹片段关联函数，执行所述位置信息中目标编号及时间对应的轨迹片段之间的关联操作。
具体地，所述划分单元43包括：
配置模块4301，用于为预设的网格划分方式配置空间尺度及经纬度编码；
划分模块4302，用于根据所述预设的网格划分方式，划分关联操作后的位置信息；
处理模块4303，用于按照均值处理方式，处理所述位置信息。
进一步地，所述装置还包括：
建立单元47，用于根据角度、速度及加速度的变化情况，建立运动状态过滤规则。
具体地，所述聚类单元45包括：
连接模块4501，用于按照时间顺序，连接所述重采样轨迹中的各个轨迹的分别对应的特征点，得到子轨迹集；
建立模块4502，用于根据位置特征和方位特征以及预设的相似度函数的建立方式，建立所述子轨迹集对应的相似度函数，得到相似度矩阵；
生成模块4503，用于根据相似度矩阵以及预设空间聚类算法，生成聚类划分后的子轨迹。
本发明实施例提供的另一种基于移动目标的频繁位置轨迹生成装置，与现有的当得到的位置数据精度较低或位置精度不稳定时，会得到海量的、精度不同的位置数据，导致无法确定出准确的、目标轨迹出现次数较为频繁的移动目标位置轨迹相比，本发明实施例通过对位置数据的探索及质量分析，得到目标轨迹的片段，将片段之间相关联，划分网格，将网格内的轨迹进行特征点提取，聚类提取特征点的子轨迹，最终生成子轨迹类簇的代表性频繁轨迹，实现不同精度定位数据的轨迹挖掘，可以适应观测轨迹不连续、定位误差较大等情况，增大定位系统的使用范围，从而提高移动目标的分析及处理。
该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。
所述基于移动目标的频繁位置轨迹生成装置包括处理器和存储器，上述获取单元、执行单元、划分单元、提取单元、聚类单元和生成单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决当得到的位置数据精度较低或位置精度不稳定时，会得到海量的、精度不同的位置数据，导致无法确定出准确的、目标轨迹出现次数较为频繁的移动目标位置轨迹，影响对移动目标的分析及处理的问题。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序代码：获取移动目标的位置信息，所述位置信息为经过异常数据分析后，移动目标在移动过程中所产生的数据；根据轨迹片段关联函数，执行所述位置信息对应的轨迹片段之间的关联操作，所述轨迹片段用于描述移动目标在一次运动中产生的部分轨迹；根据预设的网格划分方式，划分关联操作后的位置信息；根据建立的运动状态过滤规则以及预设的特征点抽取算法，提取网格划分后的位置信息的特征点，得到重采样轨迹；按照时间顺序、位置特征、方位特征以及预设空间聚类算法，以子轨迹形式对提取特征点后的重采样轨迹进行聚类；扫描聚类后的子轨迹，并生成频繁位置轨迹。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种基于移动目标的频繁位置轨迹生成方法，其特征在于，包括：
获取移动目标的位置信息，所述位置信息为经过异常数据分析后，移动目标在移动过程中所产生的数据；
根据轨迹片段关联函数，执行所述位置信息对应的轨迹片段之间的关联操作，所述轨迹片段用于描述移动目标在一次运动中产生的部分轨迹；
根据预设的网格划分方式，划分关联操作后的位置信息；
根据建立的运动状态过滤规则实现轨迹数据的预处理，之后将预处理数据送入预设的特征点抽取算法，提取网格划分的运动状态过滤后的位置信息的特征点，得到重采样轨迹；
按照时间顺序，将重采样轨迹划分后，得到子轨迹集，并根据位置特征和方位特征建立与所述子轨迹集对应的相似度函数，最后根据相似度函数与预设空间聚类算法，以子轨迹形式对提取特征点后的重采样轨迹进行聚类；
扫描聚类后的子轨迹，并生成频繁位置轨迹。
2.根据权利要求1所述的方法，其特征在于，所述位置信息包括目标编号、经度、纬度、速度、速度方向、加速度、定位时间及定位误差，所述获取移动目标的位置信息包括：
接收移动目标的的位置信息；
统计所述位置信息中目标编号、经度、纬度、速度、速度方向、加速度、定位时间及定位误差的最大值、最小值及分布情况；
按照预设异常数据范围，删除统计后的位置信息中的异常信息。
3.根据权利要求1所述的方法，其特征在于，所述根据轨迹片段关联函数，执行所述位置信息对应的轨迹片段之间的关联操作包括：
根据轨迹片段关联函数，执行所述位置信息中目标编号及时间对应的轨迹片段之间的关联操作。
4.根据权利要求1所述的方法，其特征在于，所述根据预设的网格划分方式，划分关联操作后的位置信息包括：
为预设的网格划分方式配置空间尺度及经纬度编码；
根据所述预设的网格划分方式，划分关联操作后的位置信息；
按照均值处理方式，处理所述位置信息。
5.根据权利要求1所述的方法，其特征在于，根据建立的运动状态过滤规则实现轨迹数据的预处理，之后将预处理数据送入预设的特征点抽取算法，提取网格划分的运动状态过滤后的位置信息的特征点，得到重采样轨迹之前，所述方法还包括：
根据角度、速度及加速度的变化情况，建立运动状态过滤规则。
6.根据权利要求1所述的方法，其特征在于，按照时间顺序，得到子轨迹集， 将重采样轨迹划分后，根据位置特征和方位特征建立与所述子轨迹集对应的 相似度函数，最后根据相似度函数与预设空间聚类算法，以子轨迹形式对提取特征点后的重采样轨迹进行聚类包括：
按照时间顺序，连接所述重采样轨迹中的各个轨迹的分别对应的特征点，得到子轨迹集；
根据位置特征和方位特征以及预设的相似度函数的建立方式，建立所述子轨迹集对应的相似度函数，得到相似度矩阵；
根据相似度矩阵以及预设空间聚类算法，生成聚类划分后的子轨迹。
7.一种基于移动目标的频繁位置轨迹生成装置，其特征在于，包括：
获取单元，用于获取移动目标的位置信息，所述位置信息为经过异常数据分析后，移动目标在移动过程中所产生的数据；
执行单元，用于根据轨迹片段关联函数，执行所述位置信息对应的轨迹片段之间的关联操作，所述轨迹片段用于描述移动目标在一次运动中产生的部分轨迹；
划分单元，用于根据预设的网格划分方式，划分关联操作后的位置信息；
提取单元，用于根据建立的运动状态过滤规则实现轨迹数据的预处理，之后将预处理数据送入预设的特征点抽取算法，提取网格划分的运动状态过滤后的位置信息的特征点，得到重采样轨迹；
聚类单元，用于按照时间顺序，将重采样轨迹划分后，得到子轨迹集，并根据位置特征和方位特征建立与所述子轨迹集对应的相似度函数，最后根据相似度函数与预设空间聚类算法，以子轨迹形式对提取特征点后的重采样轨迹进行聚类；
生成单元，用于扫描聚类后的子轨迹，并生成频繁位置轨迹。
8.根据权利要求7所述的装置，其特征在于，所述位置信息包括目标编号、经度、纬度、速度、速度方向、加速度、定位时间及定位误差，所述获取单元包括：
接收模块，用于接收移动目标的的位置信息；
统计模块，用于统计所述位置信息中目标编号、经度、纬度、速度、速度方向、加速度、定位时间及定位误差的最大值、最小值及分布情况；
删除模块，用于按照预设异常数据范围，删除统计后的位置信息中的异常信息。
9.根据权利要求7所述的装置，其特征在于，
所述执行单元，具体用于根据轨迹片段关联函数，执行所述位置信息中目标编号及时间对应的轨迹片段之间的关联操作。
10.根据权利要求7所述的装置，其特征在于，所述划分单元包括：
配置模块，用于为预设的网格划分方式配置空间尺度及经纬度编码；
划分模块，用于根据所述预设的网格划分方式，划分关联操作后的位置信息；
处理模块，用于按照均值处理方式，处理所述位置信息。
11.根据权利要求7所述的装置，其特征在于，所述装置还包括：
建立单元，用于根据角度、速度及加速度的变化情况，建立运动状态过滤器。
12.根据权利要求7所述的装置，其特征在于，所述聚类单元包括：
连接模块，用于按照时间顺序，连接所述重采样轨迹中的各个轨迹的分别对应的特征点，得到子轨迹集；
建立模块，用于根据位置特征和方位特征以及预设的相似度函数的建立方式，建立所述子轨迹集对应的相似度函数，得到相似度矩阵；
生成模块，用于根据相似度矩阵以及预设空间聚类算法，生成聚类划分后的子轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710212963.1A CN107133269B (zh) | 2017-04-01 | 2017-04-01 | 基于移动目标的频繁位置轨迹生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710212963.1A CN107133269B (zh) | 2017-04-01 | 2017-04-01 | 基于移动目标的频繁位置轨迹生成方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107133269A CN107133269A (zh) | 2017-09-05 |
| CN107133269B true CN107133269B (zh) | 2021-06-18 |
Family
ID=59715096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710212963.1A Active CN107133269B (zh) | 2017-04-01 | 2017-04-01 | 基于移动目标的频繁位置轨迹生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107133269B (zh) |
Families Citing this family (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558961B (zh) * | 2017-09-25 | 2023-05-02 | 阿里巴巴集团控股有限公司 | 确定位置信息的方法和系统、存储介质、处理器以及装置 |
| CN108444487B (zh) * | 2018-01-30 | 2021-03-02 | 北京星选科技有限公司 | 导航数据处理方法、导航方法及相关装置 |
| CN109099920B (zh) * | 2018-07-20 | 2021-10-12 | 重庆长安汽车股份有限公司 | 基于多传感器关联的传感器目标精确定位方法 |
| CN109447880B (zh) * | 2018-10-10 | 2020-12-01 | 广州市勤思网络科技有限公司 | 水上路网抽取方法和系统 |
| CN109635063A (zh) * | 2018-12-06 | 2019-04-16 | 拉扎斯网络科技（上海）有限公司 | 地址库的信息处理方法、装置、电子设备和存储介质 |
| CN111291129B (zh) * | 2018-12-06 | 2024-02-02 | 浙江宇视科技有限公司 | 一种基于多维数据研判的目标人员追踪方法及装置 |
| CN109829032B (zh) * | 2019-03-14 | 2021-02-26 | 广州蓝胖子移动科技有限公司 | 一种物品识别的方法、设备及存储介质 |
| CN109947758B (zh) * | 2019-04-03 | 2021-02-09 | 深圳市甲易科技有限公司 | 一种基于行为轨迹库的路线碰撞分析方法 |
| CN110210604B (zh) * | 2019-05-21 | 2021-06-04 | 北京邮电大学 | 一种终端设备移动轨迹预测方法及装置 |
| CN111179136A (zh) * | 2019-08-01 | 2020-05-19 | 北京百分点信息科技有限公司 | 一种动态管控方法、装置、电子设备 |
| CN110991539B (zh) * | 2019-09-05 | 2023-10-31 | 北京无线电测量研究所 | 空间目标高频次重复行为识别方法 |
| CN110826594B (zh) * | 2019-09-29 | 2022-08-09 | 成都华为技术有限公司 | 一种轨迹聚类的方法、设备及存储介质 |
| CN110866988A (zh) * | 2019-12-02 | 2020-03-06 | 四川高路交通信息工程有限公司 | 一种服务区车辆巡检定位方法 |
| CN111310070B (zh) * | 2019-12-20 | 2024-03-08 | 东软集团股份有限公司 | 确定频繁行程的方法、装置、存储介质和电子设备 |
| CN111143500B (zh) * | 2019-12-27 | 2023-07-18 | 中国联合网络通信集团有限公司 | 可视化面积计算方法、终端、控制设备及存储介质 |
| CN111403021B (zh) * | 2020-03-11 | 2023-12-05 | 中国电子工程设计院有限公司 | 一种监测方法及装置 |
| CN111242521B (zh) | 2020-04-24 | 2020-07-31 | 中国人民解放军国防科技大学 | 轨迹异常检测方法和系统 |
| CN111784728B (zh) * | 2020-06-29 | 2023-08-22 | 杭州海康威视数字技术股份有限公司 | 轨迹处理方法、装置、设备及存储介质 |
| CN111858816B (zh) * | 2020-07-23 | 2023-06-13 | 成都民航空管科技发展有限公司 | 一种提高单监视源与多监视源航迹关联效率的方法及系统 |
| CN112118535B (zh) * | 2020-08-12 | 2021-08-17 | 深圳技术大学 | 车辆漫游区域预测方法及系统 |
| CN112307143A (zh) * | 2020-08-26 | 2021-02-02 | 四川云从天府人工智能科技有限公司 | 一种时空轨迹构建方法、系统、设备和介质 |
| CN112033454B (zh) * | 2020-08-28 | 2022-07-12 | 杭州海康威视数字技术股份有限公司 | 轨迹数据处理方法和装置 |
| CN112044075B (zh) * | 2020-09-18 | 2024-07-19 | 网易（杭州）网络有限公司 | 运动轨迹的生成方法和装置 |
| CN112182133B (zh) * | 2020-09-29 | 2022-02-15 | 南京北斗创新应用科技研究院有限公司 | 一种基于ais数据的船舶徘徊检测方法 |
| TWI799761B (zh) | 2020-12-02 | 2023-04-21 | 晶睿通訊股份有限公司 | 監控場域識別方法及其監控設備 |
| CN112613546B (zh) * | 2020-12-16 | 2024-09-20 | 北京锐安科技有限公司 | 一种轨迹生成方法、装置、设备及存储介质 |
| CN112667760B (zh) * | 2020-12-24 | 2022-03-29 | 北京市应急管理科学技术研究院 | 一种用户出行活动轨迹编码方法 |
| CN112748451B (zh) * | 2021-01-26 | 2022-04-22 | 腾讯科技（深圳）有限公司 | 轨迹处理方法、装置、电子设备及介质 |
| CN113312360B (zh) * | 2021-07-28 | 2022-01-04 | 阿里云计算有限公司 | 索引建立方法、装置、设备、存储介质及计算机程序产品 |
| CN114091630B (zh) * | 2022-01-24 | 2022-05-06 | 阿里巴巴达摩院(杭州)科技有限公司 | 获取目标对象移动轨迹信息的方法、装置及系统 |
| CN114530018B (zh) * | 2022-04-24 | 2022-08-16 | 浙江华眼视觉科技有限公司 | 一种基于取件人轨迹分析的语音提示方法及装置 |
| CN114663691B (zh) * | 2022-05-24 | 2022-09-20 | 浙江大华技术股份有限公司 | 一种落脚点定位方法、装置及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239556A (zh) * | 2014-09-25 | 2014-12-24 | 西安理工大学 | 基于密度聚类的自适应轨迹预测方法 |
| CN104657424A (zh) * | 2015-01-21 | 2015-05-27 | 段炼 | 一种多时空特征融合下的兴趣点轨迹聚类方法 |
| CN104915970A (zh) * | 2015-06-12 | 2015-09-16 | 南京邮电大学 | 一种基于轨迹关联的多目标跟踪方法 |
| CN106153031A (zh) * | 2015-04-13 | 2016-11-23 | 骑记(厦门)科技有限公司 | 运动轨迹表示方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1278501C (zh) * | 2002-12-06 | 2006-10-04 | 国际商业机器公司 | 移动目标位置数据的压缩方法和压缩设备 |
-
2017
- 2017-04-01 CN CN201710212963.1A patent/CN107133269B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239556A (zh) * | 2014-09-25 | 2014-12-24 | 西安理工大学 | 基于密度聚类的自适应轨迹预测方法 |
| CN104657424A (zh) * | 2015-01-21 | 2015-05-27 | 段炼 | 一种多时空特征融合下的兴趣点轨迹聚类方法 |
| CN106153031A (zh) * | 2015-04-13 | 2016-11-23 | 骑记(厦门)科技有限公司 | 运动轨迹表示方法和装置 |
| CN104915970A (zh) * | 2015-06-12 | 2015-09-16 | 南京邮电大学 | 一种基于轨迹关联的多目标跟踪方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于空间填充曲线的轨迹热点区域挖掘算法研究;张鲁斌;《电子世界》;20161208(第23期);69,71 * |
| 基于轨迹片段关联的目标跟踪与事件检测方法研究;王江峰;《中国博士学位论文全文数据库信息科技辑》;20120715;I138-79 * |
| 移动对象轨迹数据挖掘方法研究;袁冠;《中国博士学位论文全文数据库 信息科技辑》;20121015;I138-25 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107133269A (zh) | 2017-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107133269B (zh) | 基于移动目标的频繁位置轨迹生成方法及装置 | |
| JP7038151B2 (ja) | 軌跡分類モデルのトレーニング方法及び装置、電子機器 | |
| US11086016B2 (en) | Method and apparatus for tracking obstacle | |
| CN111784728B (zh) | 轨迹处理方法、装置、设备及存储介质 | |
| US20240036203A1 (en) | Methods and systems for geo-referencing mapping systems | |
| CN112526513A (zh) | 基于聚类算法的毫米波雷达环境地图构建方法及装置 | |
| CN105307121B (zh) | 一种信息处理方法及装置 | |
| CN105785411A (zh) | 一种基于区域划分的异常轨迹检测方法 | |
| Makris et al. | A comparison of trajectory compression algorithms over AIS data | |
| CN107528904B (zh) | 用于数据分布式异常检测的方法与设备 | |
| CN112732682B (zh) | 时空轨迹数据的处理方法、装置及计算机存储介质 | |
| CN111475746B (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
| CN103839291B (zh) | 构建三维地形的方法及装置 | |
| CN111190975A (zh) | 一种根据gps数据计算任务轨迹覆盖率的河道巡查方法 | |
| CN114155391A (zh) | 轨迹处理方法、装置及计算机设备 | |
| CN105517018A (zh) | 一种获取位置信息的方法及装置 | |
| US10743090B2 (en) | Filtering noise values from telemetry data | |
| CN104121917A (zh) | 一种自动发现新建桥梁的方法和装置 | |
| CN111540202A (zh) | 一种相似卡口确定方法、装置、电子设备及可读存储介质 | |
| CN108986217B (zh) | 基于图型矢量距离的多点地质统计学建模方法 | |
| Moreira et al. | The impact of data quality in the context of pedestrian movement analysis | |
| CN111179319B (zh) | 一种基于人脸识别室内移动轨迹获取方法及系统 | |
| CN109902139B (zh) | 一种基于r树的轨迹数据压缩方法 | |
| CN113518328A (zh) | 一种网络接入设备的识别方法、定位方法、装置和设备 | |
| KR102649607B1 (ko) | 3d 센서 기반 실시간 재고 파악 시스템 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210527 Address after: 410073 Hunan province Changsha Kaifu District, Deya Road No. 109 Applicant after: National University of Defense Technology Address before: 410073 Hunan province Changsha Kaifu District, Deya Road No. 109 Applicant before: NATIONAL University OF DEFENSE TECHNOLOGY |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |