时空和语义结合的船舶轨迹数据压缩方法

大数据时代积累了覆盖范围广、时效性强的船舶轨迹数据。对海量冗余轨迹数据进行压缩,可提高检索效率,降低数据存储和传输负担;然而现有方法容易忽略移动对象的运动特征。因此,本文提出一种顾及轨迹时空特征和航行语义特征的压缩方法。首先,分析船舶轨迹的空间、时间和语义特征,设计顾及时空语义特征的轨迹数据压缩流程;其次,通过道格拉斯-普克和滑动窗口法计算轨迹点的时空和语义特征值;然后,加权融合轨迹点的时空和语义特征,构建轨迹点的重要性排序,并通过指定压缩比例获取保留轨迹点数目,实现船舶轨迹数据压缩;最后,根据压缩算法效率、质量和实例分析,表明本文方法可保留行驶的动态语义信息和时空形态特征,既可根据压缩比例控制压缩过程,又可显著减少数据冗余,为后续轨迹挖掘等应用提供数据基础。

基于运动状态改变的在线全球定位系统轨迹数据压缩

针对基于偏移量计算的轨迹数据压缩算法中对于关键点的评估不足以及基于在线轨迹数据压缩算法中累积误差和对偏移量考虑不足的问题,提出一种基于运动状态改变的在线全球定位系统（GPS）轨迹数据压缩算法——限定同步欧氏距离（SED）的阈值结合算法（SLTA）。该算法通过轨迹点的转向角度大小和速度变化大小来评估轨迹点信息量的大小;同时用SED限制点的偏移量,以达到较好的信息保留度。实验结果表明,SLTA的轨迹压缩率能够达到50%左右,与阈值结合算法（TA）相比,SLTA的平均SED误差（5 m以内）可以忽略不计;相对于基于偏移量计算的轨迹数据压缩算法,SLTA的平均角度误差最小（1.5°-2.3°）,运行时间最稳定。SLTA能够稳定有效地进行在线GPS轨迹数据压缩。

顾及运动特征的滑动窗口轨迹数据压缩改进算法

滑动窗口轨迹数据压缩算法使用垂直欧式距离作为轨迹点能否被压缩的判断依据,且能够针对实时数据进行在线压缩,在轨迹数据处理中应用广泛。但是,同目前大多数轨迹压缩算法一样,其将轨迹数据的几何形态特征作为判断特征点是否应当被压缩的唯一依据。除几何特征外,轨迹数据中还包含了速度、时间间隔等运动特征信息,且轨迹主体的运动状态对轨迹数据几何形态有很大影响。针对该问题,在滑动窗口压缩算法的基础上,提出一种顾及时间同步欧式距离和运动速度的轨迹数据压缩算法,通过运动特征的加入更加准确地捕捉轨迹特征点,实现更高精度的数据压缩。实验结果表明,较现有的滑动窗口轨迹数据压缩算法,本文算法能够有效减小压缩误差,提高压缩准确率。