基于改进分段截断二次速度轨迹模型的行程时间估计

为解决交通网络行程时间估计的问题,在经典分段截断二次速度轨迹模型的基础上进行改进,融入对速度变化的考虑,建立了改进的分段截断二次速度轨迹模型。首先,根据行程经过节点上游路段的累计时间窗来计算节点到达速度。其次,用各个路段节点到达时刻的速度代替出发时刻的速度。最后,用相邻三个路段节点的到达时刻速度构造速度轨迹,速度轨迹函数由拉格朗日二次插值基函数和常基函数构成。为验证改进模型的性能,引入经典分段截断二次速度轨迹模型作为对比,在实际道路上进行了实证研究。结果表明:改进的分段截断二次速度轨迹模型估计行程时间比原模型在均方误差和平均绝对百分比误差分别降低了46%和51%,且改进模型相对误差基本能保持10%以内,拟合度高于原始模型。

基于差分隐私的轨迹模式挖掘算法

针对现有基于差分隐私的频繁轨迹模式挖掘算法全局敏感度过高、挖掘结果可用性较低的问题,提出一种基于前缀序列格和轨迹截断的差分隐私下频繁轨迹模式挖掘算法——LTPM。该算法首先利用自适应的方法获得最优截断长度,然后采用一种动态规划的策略对原始数据库进行截断处理,在此基础上,利用等价关系构建前缀序列格,并挖掘频繁轨迹模式。理论分析表明LTPM算法满足ε-差分隐私;实验结果表明,LTPM算法的准确率(TPR)和平均相对误差(ARE)明显优于N-gram和Prefix算法,能有效提高挖掘结果的可用性。