面向港口停留区域识别的船舶停留轨迹提取方法

针对港口停留区域识别时船舶轨迹大数据的精度低、稀疏、漂移等问题,提出了一种多约束条件下的船舶停留轨迹提取(MPTSSE)方法。首先,结合船舶轨迹数据特点,给出了用于停留区域识别与提取的停留段概念的定义;其次,建立了基于速度、时间差、停留时长、距离等多约束的轨迹停留段提取模型和并行化轨迹停留段提取算法;最后,基于Hadoop框架给出了船舶轨迹大数据集上的轨迹停留段提取算法实现。基于真实船舶轨迹数据的实验结果表明,与基于Stop/Move模型的轨迹停留提取方法相比,MPTSSE方法在三个港口泊位的提取中准确率提高了22%。MPTSSE方法能有效避免轨迹停留段误分割情况,同时在大规模船舶轨迹数据下具有较高的执行效率。

基于时空轨迹相似性的兴趣点推荐算法

针对现有兴趣点推荐中忽略用户轨迹间存在的依赖关系,未充分考虑轨迹间的时空间隔问题,该文提出一种基于时空轨迹相似性的兴趣点推荐算法G-IPRTS.该方法首先对轨迹预处理,将其转化为有意义的停留点轨迹.其次在停留点轨迹相似性处理中利用Geohash编码,以及时间维过滤提高轨迹相似性的精度和速度.同时在兴趣点推荐中引用熵权法构建兴趣点全局属性融合得分机制,与用户局部动态轨迹偏好相结合,进行Top-K兴趣点推荐.最后在两个真实数据集上进行实验比较与分析,实验结果表明该方法能够更好地提高轨迹相似性的处理,提升兴趣点推荐的性能.

一种室内导航网络众包构建方法

室内导航网络是室内位置服务的基础,传统人工测绘或基于CAD半自动提取等方法时效性较差。室内移动对象众包轨迹数据的出现为室内导航网络构建提供了一种新的解决方案。提出一种室内导航网络众包构建方法。首先提取出用于构建室内导航网络的廊道区域轨迹点;其次通过轨迹点生长融合聚类算法将廊道轨迹点转化为聚类点;最后通过聚类点连接生成室内导航网络。以某商城一楼2d的移动对象轨迹数据进行了实验。结果表明,本文方法提取的室内导航网络准确度较高,能够为室内空间结构快速变化检测和更新提供支持。

A parallel algorithm for detecting traffic patterns using stay point features and moving features

In order to detect the traffic pattern of moving objects in the city more accurately and quickly, a parallel algorithm for detecting traffic patterns using stay points and moving features is proposed. First, the features of the stay points in different traffic patterns are extracted, that is, the stay points of various traffic patterns are identified, respectively, and the clustering algorithm is used to mine the unique features of the stop points to different traffic patterns. Then, the moving features in different traffic patterns are extracted from a trajectory of a moving object, including the maximum speed, the average speed, and the stopping rate. A classifier is constructed to predict the traffic pattern of the trajectory using the stay points and moving features. Finally, a parallel algorithm based on Spark is proposed to detect traffic patterns. Experimental results show that the stay points and moving features can reflect the difference between different traffic modes to a greater extent, and the detection accuracy is higher than those of other methods. In addition, the parallel algorithm can increase the speed of identifying traffic patterns.

汾渭平原吕梁市颗粒物潜在源及输送通道分析

基于汾渭平原吕梁市2017~2019年颗粒物浓度监测数据和地面气象观测数据,利用后向轨迹聚类分析法以及潜在源贡献函数(PSCF)等方法研究了吕梁市冬季PM_(10)和PM_(2.5)大气污染特征及其潜在源区,最后结合轨迹密度分析法(TDA)、轨迹停留时间分析法(RTA)对轨迹聚类分析得到污染输送通道进行补充分类,并分析了不同输送通道的输送特征.研究发现,吕梁市2017~2019年颗粒物年均浓度逐年下降,其中PM_(10)下降了28μg/m^(3),PM_(2.5)下降了17μg/m^(3),冬季下降幅度最大.3a冬季风向风速和浓度的统计分析表明吕梁市颗粒物浓度受东北和西南风影响最为显著,其原因是受当地三川河河谷地形的影响.影响吕梁市PM_(10)污染的潜在源区主要位于西南方向,PM_(2.5)污染的潜在源区主要分布在西南、东和东南方向,颗粒物污染输送通道可概括为:西北、西南和偏东(东+东南)通道.西北通道气流移动速度快,途经新疆、内蒙、甘肃和陕西北部等区域;西南通道气流移动速度慢,主要途经陕西中南部渭河平原等污染严重的区域;偏东通道的气流移动速度慢,气流先沿太行山东麓南下,在经过太行山的横断山谷(太行陉、井陉等)时转向进入山西.PM_(10)污染时西北通道贡献最大,偏东通道贡献最小,且两个通道下绝大多数发生的均是轻度污染,占比都在90%左右;PM_(2.5)污染时三类通道下发生轻度污染的比重较PM_(10)均下降,西南和偏东通道下发生中度污染以上的比重在50%左右,且西南和偏东通道途经的区域恰好是PSCF计算得到的潜在源区位置,说明了西南和偏东气流容易将细颗粒物输送至吕梁.WRF(天气预报模式)的风场模拟较为直观的解释了三类污染输送通道,且复杂地形是形成污染输送通道的一个重要因素.西北和西南污染输送通道主要受吕梁山脉的影响,偏东污染输送通道主要受太行山及其横谷的影响.

基于移动性相似用户的位置预测

随着定位技术的发展以及智能设备的普及,人们越来越喜欢在基于位置的社交平台发布自己的地理位置。而用户移动行为具有随机性、多样性和时序性,基于向量自回归的位置转移演化算法(LTE),很好地学习用户位置转移随时间、空间变化的规律,然而该算法未考虑相似用户对目标用户移动行为的影响。针对这一问题,提出基于移动性相似用户的位置预测算法。实验表明,该算法可以在一定程度上排除非相似用户对发现目标用户位置转移规律的干扰,具有较高的性能。

基于移动对象轨迹的室内导航网络构建方法

室内导航网络是行人导航、信息推荐和商业分析的基础。传统人工测绘或半自动提取的室内三维导航网络无法满足复杂室内空间结构高频变化需求。随着室内定位技术的不断发展,室内移动对象轨迹数据爆发式增长,为室内导航网络快速构建与变化监测更新提供了可能。本文提出一种基于移动对象轨迹的室内导航网络构建方法,在基于ST-DBSCAN的轨迹简化预处理基础上,提出了室内轨迹自适应栅格化算法,减弱栅格图像分辨率对导航网络提取的影响,有效避免廊道轨迹密度差异造成的导航网络拓扑连通失效,并通过CFSFDP自适应聚类算法自动识别楼层之间连通点,实现室内导航网络的快速构建。实验数据来源于上海图聚智能科技股份有限公司提供的某商城真实的室内移动对象轨迹数据,实验结果表明,与普适栅格化方法相比,本文提出的方法将导航网络构建准确率平均提高2.43%,拓扑正确度提高12.8%。