轨迹数据挖掘对于基于位置的应用非常重要,而轨迹划分是轨迹数据挖掘的重要步骤。节点的运动轨迹数量很大,轨迹形状迥异千差万别,使得轨迹划分成为轨迹数据挖掘的关键和难点。轨迹划分的目的是去掉多余的轨迹点,留下重要的轨迹点数据,...轨迹数据挖掘对于基于位置的应用非常重要,而轨迹划分是轨迹数据挖掘的重要步骤。节点的运动轨迹数量很大,轨迹形状迥异千差万别,使得轨迹划分成为轨迹数据挖掘的关键和难点。轨迹划分的目的是去掉多余的轨迹点,留下重要的轨迹点数据,且要求处理后得到的轨迹留有原来轨迹的特征。该文从速度和加速度等方面分析了节点的运动行为,提出了一种基于双速度特征的轨迹划分方法(trajectory partition method based on double velocities,TPDV)。在TPDV中,首先通过检测节点移动速度的变化来找出速度改变点,并且根据节点加速度变化也可提取出特征点,然后在检测节点的速度和加速度变化的前提下,根据节点活动的时间和范围来确定停留点,最后根据提取的特征点对子轨迹进行划分。基于Geolife轨迹数据集的仿真结果表明,基于双速度特征的轨迹划分方法在运行时间、简化率和划分误差方面都表现较好。展开更多
文摘轨迹数据挖掘对于基于位置的应用非常重要,而轨迹划分是轨迹数据挖掘的重要步骤。节点的运动轨迹数量很大,轨迹形状迥异千差万别,使得轨迹划分成为轨迹数据挖掘的关键和难点。轨迹划分的目的是去掉多余的轨迹点,留下重要的轨迹点数据,且要求处理后得到的轨迹留有原来轨迹的特征。该文从速度和加速度等方面分析了节点的运动行为,提出了一种基于双速度特征的轨迹划分方法(trajectory partition method based on double velocities,TPDV)。在TPDV中,首先通过检测节点移动速度的变化来找出速度改变点,并且根据节点加速度变化也可提取出特征点,然后在检测节点的速度和加速度变化的前提下,根据节点活动的时间和范围来确定停留点,最后根据提取的特征点对子轨迹进行划分。基于Geolife轨迹数据集的仿真结果表明,基于双速度特征的轨迹划分方法在运行时间、简化率和划分误差方面都表现较好。
