CN107169260A - 基于时空轨迹异构多源数据共振***及方法 - Google Patents
基于时空轨迹异构多源数据共振***及方法 Download PDFInfo
- Publication number
- CN107169260A CN107169260A CN201710179782.3A CN201710179782A CN107169260A CN 107169260 A CN107169260 A CN 107169260A CN 201710179782 A CN201710179782 A CN 201710179782A CN 107169260 A CN107169260 A CN 107169260A
- Authority
- CN
- China
- Prior art keywords
- track
- time
- similarity
- data
- space
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000012800 visualization Methods 0.000 claims abstract description 9
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 238000007794 visualization technique Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000000205 computational method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于时空轨迹异构多源数据共振***及方法，该***包括实时序列流接收模块、轨迹相似度计算模块、轨迹可视化模块，其中实时序列流接收模块用于实时接收时序向量，并保证数据传输过程中的完整性，一致性；轨迹相似度计算模块用于计算轨迹相似度并筛选出相似度大于一定阈值的轨迹，作为共振轨迹；轨迹可视化模块用于直观显示目标轨迹，轨迹数据同时包含空间和时间属性，数据量大且维度高，分析起来难度很大，可视化技术可以直观地呈现多维时空轨迹数据，并提供丰富的互动，以揭示数据中包含的时空规律。本发明能够避免欧式距离脱离实际的情况，保证数据的完整性和一致性，提高计算效率，使用范围广泛。
Description
技术领域
本发明涉及一种数据共振***及方法，特别是涉及一种基于时空轨迹异构多源数据共振***及方法。
背景技术
在传统的欧几里德距离函数的轨迹相似性计算过程中，要求轨迹等长且时间点对应，无法度量不等长且具有局部事件偏移的轨迹相似性。因此在发现异源同步轨迹集合过程中产生信息损失较大，影响轨迹数据的可用性。
发明内容
本发明所要解决的技术问题是提供一种基于时空轨迹异构多源数据共振***及方法，去能够避免欧式距离脱离实际的情况，保证数据的完整性和一致性，提高计算效率，使用范围广泛。
本发明是通过下述技术方案来解决上述技术问题的：一种基于时空轨迹异构多源数据共振***，其特征在于，其包括：
实时序列流接收模块，用于实时接收时序向量，并保证数据传输过程中的完整性，一致性；
轨迹相似度计算模块，用于计算轨迹相似度并筛选出相似度大于一定阈值的轨迹，作为共振轨迹；
轨迹可视化模块，用于直观显示目标轨迹，轨迹数据同时包含空间和时间属性，数据量大且维度高，分析起来难度很大，可视化技术可以直观地呈现多维时空轨迹数据，并提供丰富的互动，以揭示数据中包含的时空规律。
优选地，所述实时序列流接收模块包括：
数据转换模块，用于将原始的轨迹数据转换为时序向量；
消息传输模块，用于将时序向量以消息的方式实时传送到相似度计算模块，并保证数据传输过程中的完整性，一致性。
优选地，所述轨迹相似度计算模块包括：
时序向量规则模块，用于规则化接收到的时序向量，保证计算的一致性；
相似度筛选模块，用于筛选出相似度大于一定阈值的轨迹，作为共振轨迹，进而大大减小计算量，提高计算效率；
轨迹缺失值补全模块，用于补全原查询轨迹，轨迹数据采集过程中常常会有缺失，把缺失的轨迹补全，以及经过这个轨迹点的时间范围的估计区域的尽量缩小，对于实际的业务应用非常有用。
本发明还提供一种基于时空轨迹异构多源数据共振方法，其包括以下步骤：
步骤一，将原始轨迹数据转换为时序向量；
步骤二，时序向量规则化；
步骤三，向量时间切片；
步骤四，通过相似度计算方法计算相似度作为共振率；
步骤五，筛选共振率大于一定数值的轨迹作为共振轨迹；
步骤六，补全原查询轨迹；
步骤七，轨迹可视化；
步骤八，结束。
优选地，所述步骤四根据哈希区域映射的时空距离计算方法计算点与点之间的距离，把测地距离通过一定的hash算法映射为区域点之间的距离，在实际计算相似度的时候，通过hash查找对应的测地距离作为相似度，使用hash距离通过时序偏移的时空三维向量序列的相似度计算方法计算相似度作为共振率；对于不同长度的序列向量的相似度，以及时间点不对齐的序列向量的相似度的计算，通过动态规划考虑时间轴可能偏移的情况，重新计算相似度，得到两个时空三维向量序列的最终相似度。
优选地，所述步骤六使用相似轨迹来进行哈希映射的轨迹缺失值补全方法，把缺失的轨迹点尽量准确的补全和经过时间范围估计缩小。
优选地，所述步骤七使用相似轨迹哈希映射的轨迹缺失值补全方法补全原查询轨迹，进行可视化展示。
本发明的积极进步效果在于：本发明能够在大量获取的数据存在准确性不高以及数据碎片化的情况下，在无法通过确定手段进行关联的情况下，通过数据共振，可以有效甄别数据，并将真实的数据关联起来；数据共振将数据上未直接反应出来的内在关系挖掘出来，深入揭示不同实体的时间空间关联，进而发现不同的独立数据间的彼此关系。
附图说明
图1为本发明的结构示意图。
图2为本发明的流程图。
具体实施方式
下面结合附图给出本发明较佳实施例，以详细说明本发明的技术方案。
如图1所示，本发明基于时空轨迹异构多源数据共振***包括实时序列流接收模块、轨迹相似度计算模块、轨迹可视化模块，其中：
实时序列流接收模块用于实时接收时序向量，并保证数据传输过程中的完整性，一致性；
轨迹相似度计算模块用于计算轨迹相似度并筛选出相似度大于一定阈值的轨迹，作为共振轨迹；
轨迹可视化模块用于直观显示目标轨迹，轨迹数据同时包含空间和时间属性，数据量大且维度高，分析起来难度很大，可视化技术可以直观地呈现多维时空轨迹数据，并提供丰富的互动，以揭示数据中包含的时空规律。
所述实时序列流接收模块包括数据转换模块、消息传输模块，其中：
数据转换模块用于将原始的轨迹数据转换为时序向量；
消息传输模块用于将时序向量以消息的方式实时传送到相似度计算模块，并保证数据传输过程中的完整性，一致性。
所述轨迹相似度计算模块包括时序向量规则模块、相似度筛选模块、轨迹缺失值补全模块，其中：
时序向量规则模块用于规则化接收到的时序向量，保证计算的一致性；
相似度筛选模块用于筛选出相似度大于一定阈值的轨迹，作为共振轨迹，进而可以大大减小计算量，提高计算效率；
轨迹缺失值补全模块用于补全原查询轨迹，轨迹数据采集过程中常常会有缺失，如何把缺失的轨迹补全，以及经过这个轨迹点的时间范围的估计区域的尽量缩小，对于实际的业务应用非常有用。
如图2所示，本发明基于时空轨迹异构多源数据共振方法包括以下步骤：
步骤一，将原始轨迹数据转换为时序向量；
步骤二，时序向量规则化；
步骤三，向量时间切片；
步骤四，通过相似度计算方法计算相似度作为共振率；
步骤五，筛选共振率大于一定数值的轨迹作为共振轨迹；
步骤六，补全原查询轨迹；
步骤七，轨迹可视化；
步骤八，结束。
所述步骤四根据哈希区域映射的时空距离计算方法计算点与点之间的距离，把测地距离通过一定的hash算法映射为区域点之间的距离，在实际计算相似度的时候，通过hash查找对应的测地距离作为相似度，使用hash距离通过时序偏移的时空三维向量序列的相似度计算方法计算相似度作为共振率；对于不同长度的序列向量的相似度，以及时间点不对齐(允许各种时间不等片的偏离)的序列向量的相似度的计算，通过动态规划考虑时间轴可能偏移的情况，重新计算相似度，得到两个时空三维向量序列的最终相似度。
所述步骤六使用相似轨迹来进行哈希映射的轨迹缺失值补全方法，把缺失的轨迹点尽量准确的补全和经过时间范围估计缩小。
所述步骤七使用相似轨迹哈希映射的轨迹缺失值补全方法补全原查询轨迹，进行可视化展示。
以上所述的具体实施例，对本发明的解决的技术问题、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于时空轨迹异构多源数据共振***，其特征在于，其包括：
实时序列流接收模块，用于实时接收时序向量，并保证数据传输过程中的完整性，一致性；
轨迹相似度计算模块，用于计算轨迹相似度并筛选出相似度大于一定阈值的轨迹，作为共振轨迹；
轨迹可视化模块，用于直观显示目标轨迹，轨迹数据同时包含空间和时间属性，数据量大且维度高，分析起来难度很大，可视化技术可以直观地呈现多维时空轨迹数据，并提供丰富的互动，以揭示数据中包含的时空规律。
2.如权利要求1所述的基于时空轨迹异构多源数据共振***，其特征在于，所述实时序列流接收模块包括：
数据转换模块，用于将原始的轨迹数据转换为时序向量；
消息传输模块，用于将时序向量以消息的方式实时传送到相似度计算模块，并保证数据传输过程中的完整性，一致性。
3.如权利要求1所述的基于时空轨迹异构多源数据共振***，其特征在于，所述轨迹相似度计算模块包括：
时序向量规则模块，用于规则化接收到的时序向量，保证计算的一致性；
相似度筛选模块，用于筛选出相似度大于一定阈值的轨迹，作为共振轨迹，进而大大减小计算量，提高计算效率；
轨迹缺失值补全模块，用于补全原查询轨迹，轨迹数据采集过程中常常会有缺失，把缺失的轨迹补全，以及经过这个轨迹点的时间范围的估计区域的尽量缩小，对于实际的业务应用非常有用。
4.一种基于时空轨迹异构多源数据共振方法，其特征在于，其包括以下步骤：
步骤一，将原始轨迹数据转换为时序向量；
步骤二，时序向量规则化；
步骤三，向量时间切片；
步骤四，通过相似度计算方法计算相似度作为共振率；
步骤五，筛选共振率大于一定数值的轨迹作为共振轨迹；
步骤六，补全原查询轨迹；
步骤七，轨迹可视化；
步骤八，结束。
5.如权利要求4所述的基于时空轨迹异构多源数据共振方法，其特征在于，所述步骤四根据哈希区域映射的时空距离计算方法计算点与点之间的距离，把测地距离通过一定的hash算法映射为区域点之间的距离，在实际计算相似度的时候，通过hash查找对应的测地距离作为相似度，使用hash距离通过时序偏移的时空三维向量序列的相似度计算方法计算相似度作为共振率；对于不同长度的序列向量的相似度，以及时间点不对齐的序列向量的相似度的计算，通过动态规划考虑时间轴偏移的情况，重新计算相似度，得到两个时空三维向量序列的最终相似度。
6.如权利要求4所述的基于时空轨迹异构多源数据共振方法，其特征在于，所述步骤六使用相似轨迹来进行哈希映射的轨迹缺失值补全方法，把缺失的轨迹点尽量准确的补全和经过时间范围估计缩小。
7.如权利要求4所述的基于时空轨迹异构多源数据共振方法，其特征在于，所述步骤七使用相似轨迹哈希映射的轨迹缺失值补全方法补全原查询轨迹，进行可视化展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710179782.3A CN107169260B (zh) | 2017-03-23 | 2017-03-23 | 基于时空轨迹异构多源数据共振***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710179782.3A CN107169260B (zh) | 2017-03-23 | 2017-03-23 | 基于时空轨迹异构多源数据共振***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107169260A true CN107169260A (zh) | 2017-09-15 |
| CN107169260B CN107169260B (zh) | 2021-05-11 |
Family
ID=59848821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710179782.3A Expired - Fee Related CN107169260B (zh) | 2017-03-23 | 2017-03-23 | 基于时空轨迹异构多源数据共振***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107169260B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376178A (zh) * | 2018-08-17 | 2019-02-22 | 中国电子科技集团公司电子科学研究院 | 时空大数据轨迹分析平台、方法、服务器及存储介质 |
| CN109558470A (zh) * | 2017-09-27 | 2019-04-02 | 方正国际软件(北京)有限公司 | 一种轨迹数据可视化方法及装置 |
| CN111241217A (zh) * | 2018-11-29 | 2020-06-05 | 阿里巴巴集团控股有限公司 | 数据处理的方法、装置和*** |
| CN111666358A (zh) * | 2019-03-05 | 2020-09-15 | 上海光启智城网络科技有限公司 | 一种轨迹碰撞方法及*** |
| CN112309118A (zh) * | 2020-11-03 | 2021-02-02 | 广州市交通规划研究院 | 一种基于时空相似度的车辆轨迹推算方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722541A (zh) * | 2012-05-23 | 2012-10-10 | 中国科学院计算技术研究所 | 一种时空轨迹相似度计算方法及*** |
| CN103092925A (zh) * | 2012-12-30 | 2013-05-08 | 信帧电子技术（北京）有限公司 | 一种视频摘要生成方法和装置 |
| CN104036139A (zh) * | 2014-06-12 | 2014-09-10 | 中国科学院软件研究所 | 一种移动对象轨迹监测方法 |
| 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 |
| CN106211071A (zh) * | 2016-07-04 | 2016-12-07 | 深圳大学 | 基于多源时空轨迹数据的群体活动数据收集方法及*** |
-
2017
- 2017-03-23 CN CN201710179782.3A patent/CN107169260B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722541A (zh) * | 2012-05-23 | 2012-10-10 | 中国科学院计算技术研究所 | 一种时空轨迹相似度计算方法及*** |
| CN103092925A (zh) * | 2012-12-30 | 2013-05-08 | 信帧电子技术（北京）有限公司 | 一种视频摘要生成方法和装置 |
| CN104036139A (zh) * | 2014-06-12 | 2014-09-10 | 中国科学院软件研究所 | 一种移动对象轨迹监测方法 |
| 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 |
| CN106211071A (zh) * | 2016-07-04 | 2016-12-07 | 深圳大学 | 基于多源时空轨迹数据的群体活动数据收集方法及*** |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558470A (zh) * | 2017-09-27 | 2019-04-02 | 方正国际软件(北京)有限公司 | 一种轨迹数据可视化方法及装置 |
| CN109376178A (zh) * | 2018-08-17 | 2019-02-22 | 中国电子科技集团公司电子科学研究院 | 时空大数据轨迹分析平台、方法、服务器及存储介质 |
| CN111241217A (zh) * | 2018-11-29 | 2020-06-05 | 阿里巴巴集团控股有限公司 | 数据处理的方法、装置和*** |
| CN111241217B (zh) * | 2018-11-29 | 2023-05-30 | 阿里巴巴集团控股有限公司 | 数据处理的方法、装置和*** |
| CN111666358A (zh) * | 2019-03-05 | 2020-09-15 | 上海光启智城网络科技有限公司 | 一种轨迹碰撞方法及*** |
| CN112309118A (zh) * | 2020-11-03 | 2021-02-02 | 广州市交通规划研究院 | 一种基于时空相似度的车辆轨迹推算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107169260B (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107169260A (zh) | 基于时空轨迹异构多源数据共振***及方法 | |
| KR102205096B1 (ko) | 거래 위험 검출 방법 및 장치 | |
| CN106023587B (zh) | 基于多信息融合的轨迹数据路网精确匹配方法 | |
| CN110287904A (zh) | 一种基于众包数据的车道线提取方法、装置及存储介质 | |
| CN109167805A (zh) | 基于城市场景中车联网时空数据的分析处理方法 | |
| CN104679248A (zh) | 一种多场景交互数据可视化***及工作方法 | |
| JP2018538627A (ja) | 交通道路の経路ヒートを取得する方法および装置 | |
| US11788850B2 (en) | Route deviation quantification and vehicular route learning based thereon | |
| CN105678842A (zh) | 室内环境三维地图制作方法及装置 | |
| CN103365886B (zh) | 车联网中的空间事件的查询方法和优化查询器 | |
| CN102122291A (zh) | 一种基于树形日志模式分析的博客好友推荐方法 | |
| CN106910350B (zh) | 一种寻找信号控制交叉口群关键路径的方法 | |
| EP3401703A1 (en) | Generating trail network maps | |
| CN106802958B (zh) | Cad数据到gis数据的转换方法及*** | |
| CN104731887B (zh) | 一种协同过滤中的用户相似度度量方法 | |
| CN108153917A (zh) | 一种可视化定义人地房关系的不动产调查建库方法 | |
| CN106326480A (zh) | 一种关联企业的地理信息挖掘和分析方法 | |
| WO2021114615A1 (zh) | 行为风险识别的可视化方法、装置、设备及存储介质 | |
| CN103039036A (zh) | 用户数量计算方法及*** | |
| CN115035720A (zh) | 基于卫星定位的交通路况数据采集、处理方法及管理*** | |
| CN105243121B (zh) | 一种基于数据挖掘的文本数据网络构建*** | |
| CN103150348B (zh) | 一种gis数据库增量更新方法及其*** | |
| CN109726916A (zh) | 一种适用于公路全寿命周期智能健康监测的方法 | |
| CN105023089A (zh) | 基于gis平台的城市管理数据监测***及其方法 | |
| UA126999C2 (uk) | Визначення смуги захоплення дії із зібраних машиною оброблених даних |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210511 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |