CN111797295B - 一种多维时空轨迹融合方法、装置、机器可读介质及设备 - Google Patents

一种多维时空轨迹融合方法、装置、机器可读介质及设备 Download PDF

Info

Publication number
CN111797295B
CN111797295B CN202010564825.1A CN202010564825A CN111797295B CN 111797295 B CN111797295 B CN 111797295B CN 202010564825 A CN202010564825 A CN 202010564825A CN 111797295 B CN111797295 B CN 111797295B
Authority
CN
China
Prior art keywords
time
track
space
similarity
trajectory
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.)
Active
Application number
CN202010564825.1A
Other languages
English (en)
Other versions
CN111797295A (zh
Inventor
周曦
姚志强
郑志骏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yuncong Technology Group Co Ltd
Original Assignee
Yuncong Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yuncong Technology Group Co Ltd filed Critical Yuncong Technology Group Co Ltd
Priority to CN202010564825.1A priority Critical patent/CN111797295B/zh
Publication of CN111797295A publication Critical patent/CN111797295A/zh
Application granted granted Critical
Publication of CN111797295B publication Critical patent/CN111797295B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Library & Information Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种多维时空轨迹融合方法，包括：通过获取时空轨迹间的轨迹相似度；基于所述轨迹相似度以及时空轨迹的轨迹长度得到轨迹重合度；基于所述轨迹相似度以及所述轨迹重合度得到待融合轨迹；对所述待融合轨迹进行融合。本发明通过使用多维时空轨迹融合的技术，丰富了人像时空轨迹。

Description

一种多维时空轨迹融合方法、装置、机器可读介质及设备
技术领域
本发明涉及数据处理领域，具体涉及一种多维时空轨迹融合方法、装置、机器可读介质及设备。
背景技术
对于人像大数据***，则面临着特定人员轨迹点稀疏的问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种多维时空轨迹融合方法、***、机器可读介质及设备，用于解决现有技术存在的问题。
为实现上述目的及其他相关目的，本发明提供一种多维时空轨迹融合方法，包括：
获取不同来源的时空轨迹间的轨迹相似度；
基于所述轨迹相似度以及时空轨迹的轨迹长度得到轨迹重合度；
基于所述轨迹相似度以及所述轨迹重合度得到待融合轨迹；
对所述待融合轨迹进行融合。
可选地，所述不同来源的时空轨迹包括人像轨迹、通信端轨迹。
可选地，所述获取不同来源的时空轨迹间的轨迹相似度，包括：
按时间间隔对每个所述时空轨迹进行切分，得到多条子轨迹；
将所述多条子轨迹栅格化；
对栅格化后的多条子轨迹进行聚类，得到聚类子轨迹；
获取同一时间间隔内有交集的聚类子轨迹间的相似度；
对不同时间间隔内的多条聚类子轨迹间的相似度进行累加，得到时空轨迹间的相似度。
可选地，使用墨卡托投影将多条子轨迹栅格化。
可选地，基于改进后的LCSS++算法计算同一时间间隔内有交集的聚类子轨迹间的LCSS++距离，以得到聚类子轨迹间的相似度。
可选地，通过通信端的唯一标识符确定所述通信端轨迹。
可选地，基于通信端的种类以及通信端区获取的数据对所述通信端的唯一标识符进行第一次去噪。
可选地，通过扩展卡尔曼滤波器对第一次去噪后的唯一标识符进行第二次去噪。
可选地，根据以下公式计算所述轨迹重合度：
Figure GDA0002671609390000021
其中，C_SCORE表示轨迹重合度，LCSS_SIMILARITY表示时空轨迹间的轨迹相似度，LEN表示不同时空轨迹的轨迹长度。
为实现上述目的及其他相关目的，本发明提供一种多维时空轨迹融合装置，包括：
相似度获取模块，用于获取不同来源的时空轨迹间的轨迹相似度；
轨迹重合度计算模块，用于基于所述轨迹相似度以及时空轨迹的轨迹长度得到轨迹重合度；
待融合轨迹确定模块，用于基于所述轨迹相似度以及所述轨迹重合度得到待融合轨迹；
轨迹融合模块，用于对所述待融合轨迹进行融合。
可选地，所述不同来源的时空轨迹包括人像轨迹、通信端轨迹。
可选地，所述相似度获取模块包括：
切分子模块，用于按时间间隔对每个所述时空轨迹进行切分，得到多条子轨迹；
栅格化子模块，用于将所述多条子轨迹栅格化；
聚类子模块，用于对栅格化后的多条子轨迹进行聚类，得到聚类子轨迹；
相似度获取子模块，用于获取同一时间间隔内有交集的聚类子轨迹间的相似度；
累加子模块，用于对不同时间间隔内的多条聚类子轨迹间的相似度进行累加，得到时空轨迹间的相似度。
可选地，使用墨卡托投影将多条子轨迹栅格化。
可选地，基于改进后的LCSS++算法计算同一时间间隔内有交集的聚类子轨迹间的LCSS++距离，以得到聚类子轨迹间的相似度。
可选地，通过通信端的唯一标识符确定所述通信端轨迹。
可选地，基于通信端的种类以及通信端区获取的数据对所述通信端的唯一标识符进行第一次去噪。
可选地，通过扩展卡尔曼滤波器对第一次去噪后的唯一标识符进行第二次去噪。
可选地，根据以下公式计算所述轨迹重合度：
Figure GDA0002671609390000031
其中，C_SCORE表示轨迹重合度，LCSS_SIMILARITY表示时空轨迹间的轨迹相似度，LEN表示不同时空轨迹的轨迹长度。
为实现上述目的及其他相关目的，本发明提供一种设备，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行前述的一个或多个所述的方法。
为实现上述目的及其他相关目的，本发明提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行前述的一个或多个所述的方法。
如上所述，本发明提供的一种多维时空轨迹融合方法、***、机器可读介质及设备，具有以下有益效果：
本发明的一种多维时空轨迹融合方法，通过获取时空轨迹间的轨迹相似度；基于所述轨迹相似度以及时空轨迹的轨迹长度得到轨迹重合度；基于所述轨迹相似度以及所述轨迹重合度得到待融合轨迹；对所述待融合轨迹进行融合。通过使用多维时空轨迹融合的技术，丰富了人像时空轨迹。
附图说明
图1为本发明一实施例提供的一种多维时空轨迹融合方法的流程图；
图2为本发明一实施例中获取不同来源的时空轨迹间的轨迹相似度；
图3为本发明一实施例中使用墨卡托投影将轨迹栅格化的示意图；
图4为本发明一实施例中DBSCAN聚类结果示意图；
图5为本发明一实施例中使用扩展卡尔曼滤波器对MAC地址进行去噪的效果图；
图6为本发明一实施例提供的一种时空轨迹融装置的硬件结构示意图；
图7为本发明一实施例提供的终端设备的硬件结构示意图；
图8为本发明另一实施例提供的终端设备的硬件结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，本实施例提供一种多维时空轨迹融合方法，包括：
S11获取不同来源的时空轨迹间的轨迹相似度；
S12基于所述轨迹相似度以及时空轨迹的轨迹长度得到轨迹重合度；
S13基于所述轨迹相似度以及所述轨迹重合度得到待融合轨迹；
S14对所述待融合轨迹进行融合。
在一实施例中，所述不同来源的时空轨迹包括人像轨迹、通信端轨迹。
其中，人像轨迹可以包括人脸轨迹、人体轨迹。人脸轨迹、人体轨迹可以通过安装有人脸卡口和电梯等位置的摄像机抓拍的数据来确定。
需要说明的是，在本实施例中，通信端可以是手机或其他具有通信功能的装置，其具有唯一标识符，如IMSI(国际移动用户识别码，InternationalMobileSubscriberIdentity)、MAC地址，后文中都用手机以MAC地址进行详细描述。因此，通信端轨迹可以通过感知到的MAC地址、IMSI来确定。通过MAC地址就可以确定手机的位置，从而得到手机的轨迹。MAC地址可以通地WIFI探针来获取。所述人脸轨迹、人体轨迹可以通过安装在人脸卡口和电梯等位置的摄像机抓拍的数据来确定。
在一实施例中，如图2所示，所述获取不同来源的时空轨迹间的轨迹相似度，包括：
S21按时间间隔对每条所述时空轨迹进行切分，得到多条子轨迹；
例如，可以每3分钟作为时间间隔，对每一条时空轨迹进行划分，可以得到20条子轨迹。
例如，时空轨迹A按时间间隔切分，可以被切分为轨迹AA1、A1A2、A2A3、........、A19A20；时空轨迹B按时间间隔切分，可以被切分为轨迹BB1、B1B2、B2B3、........、B19B20。
S22将所述多条子轨迹栅格化；
具体地，在本实施例中，采用使用墨卡托投影将多条子轨迹栅格化。墨卡托投影是正轴等角圆柱投影。假想一个与地轴方向一致的圆柱切或割于地球，按等角条件，将经纬网投影到圆柱面上，将圆柱面展为平面后，即得墨卡托投影。如图3，为两个不同人的轨迹，通过墨卡托投影，可将其映射到栅格中。
S23对栅格化后的多条子轨迹进行聚类，得到聚类子轨迹；
具体地，采用DBSCAN算法进行聚类。例如，设在区域范围内有两组设备,抓拍相机(图中4方形)和伪基站(图中4三角),他们的经纬度坐标分别为:(2,1),(2,2),(2,7),(2,8),(1,8),(7,5),(8,4)和(1,2),(1,4.5),(2,4.5),(7,4),(8.5),(10.5,7.5)。
使用DBSCAN算法进行聚类，假设半径取1，最小样本数取2，则聚类结果如图4所示。其中标记为-1的点为离群点，由于其本身为孤立点，因此无需参与匹配。
S24获取同一时间间隔内有交集的聚类子轨迹间的相似度；
其中，在同一时间间隔内位于同一个栅格中被认为存在交集，则此时计算这些聚类子轨迹间的相似度。
在一实施例中，基于改进后的LCSS++算法计算同一时间间隔内有交集的聚类子轨迹间的LCSS++距离，以得到聚类子轨迹间的相似度。
LCSS++距离可以衡量轨迹之间的相似度，LCSS++距离一般通过状态转移矩阵计算。该算法在改进最长公共子序列法(LCSS+)距离的基础上，交换时间和空间的计算顺序，从而大幅减少总计算量。改进最长公共子序列法(LCSS+)是在LCS算法的基础上，将“交点”的定义泛化为在同一或相邻地理网格内，从而减少计算量，并引入时间松弛系数，使得交点的时间之差越大，时空相似度越低，从而使得算法有良好的泛化性能。
在本实施例中，当两个时空轨迹点在时间上相似的时候，轨迹点之间的相似性sim(Pai,Pbj)为：
sim(Pai,Pbj)＝sim(Pai,Pbj)+OFFSET_DIST/(DIS(Pai(pos),Pbj(pos)))2
式子中OFFSET_DIST为距离阈值，是一个常数，Pai(pos),Pbj(pos)分别为时空轨迹Ta的时空轨迹点Pai、时空轨迹Tb的时空轨迹点Pbj的经纬度坐标，DIS(Pai(pos),Pbj(pos)为时空轨迹点Pai、Pbj的经纬度坐标的欧式距离。在比较两条轨迹时，目标是使轨迹点之间的相似性之和最大。
定义dp[i][j]为时空轨迹Ta从1到i-1编号组成的子序列与时空轨迹Tb从1到j-1编号组成的子序列中的最大公共子序列的LCSS++距离之和。
当Pai(time)-Pbj(time)≤OFFSET_TIME时，
dp[i][j]＝max{dp[i-1][j-1]+OFFSET_DIST/(DIS(Pai(pos),Pbj(pos)))2,dp[i][j-1],dp[i-1][j]}；
当Pai(time)-Pbj(time)＞OFFSET_TIME时，dp[i][j]＝max{dp[i][j-1],dp[i-1][j]}；
当i＝0或者j＝0时，dp[i][j]＝0。
式中，OFFSET_TIME为时间阈值，为一常数，Pai(time)，Pbj(time)分别为时空轨迹点Pa、Pb的时间戳。
S25对不同时间间隔内的多条聚类子轨迹间的相似度进行累加，得到时空轨迹间的相似度。
在一实施例中，基于通信端的种类以及通信端区获取的数据对所述通信端的唯一标识符进行第一次去噪。
例如，对MAC地址对应的手机品牌进行统计，若某个MAC地址对应手机品牌A的数据条数远大于手机品牌B，则认为品牌B是其他手机产生的随机MAC地址，予以剔除。
在一实施例中，通过扩展卡尔曼滤波器对第一次去噪后的唯一标识符进行第二次去噪。
卡尔曼滤波是一种高效率的递归滤波器(自回归滤波器)，它能够从一系列的不完全包含噪声的测量中，估计动态***的状态。扩展卡尔曼滤波基于卡尔曼滤波改进而来，可应用于时间非线性的动态***。
使用扩展卡尔曼滤波器对MAC地址进行去噪的效果如图5中，圆点表示mac探针的分布，曲线A为人员实际运动的路线，曲线B为扩展卡尔曼滤波后的预测曲线。
在一实施例中，根据以下公式计算所述轨迹重合度：
Figure GDA0002671609390000061
其中，C_SCORE表示轨迹重合度，LCSS_SIMILARITY表示时空轨迹间的轨迹相似度，LEN表示不同时空轨迹的轨迹长度，具体地，LED_MAC表示通信端轨迹的轨迹长度，LEN_FACE表示人像轨迹的长度。
最终对轨迹重合度大于设定阈值，且时空轨迹间的相似度大于设定阈值的轨迹进行融合。其中对两个时空轨迹融合的过程就是采用同一个标记对两个时空轨迹进行标识，例如采用标识1来对多个时空轨迹进行标识，例如，对时空轨迹A、时空轨迹B、时空轨迹C采用标识1进行标识，因此，可以认为时空轨迹A、时空轨迹B、时空轨迹C是同一个管理对象的轨迹。
本发明通过对原始轨迹数据去噪和栅格化，并利用dbscan聚类在计算之前即剔除其中的离群点，并采用改进LCSS++距离的计算轨迹间的相似度的方法，降低了总计算量并增加算法的准确性，实测单台服务器下十亿级存量多维时空轨迹的融合过程从数天降低到了小时级。通过对轨迹进行时间切片，从而使用Spark流式计算实现每日亿级增量轨迹的分钟级准实时增量融合。
如图6所示，本实施例提供一种多维时空轨迹融合装置，包括：
相似度获取模块61，用于获取不同来源的时空轨迹间的轨迹相似度；
轨迹重合度计算模块62，用于基于所述轨迹相似度以及时空轨迹的轨迹长度得到轨迹重合度；
待融合轨迹确定模块63，用于基于所述轨迹相似度以及所述轨迹重合度得到待融合轨迹；
轨迹融合模块64，用于对所述待融合轨迹进行融合。
在一实施例中，所述不同来源的时空轨迹包括人像轨迹、通信端轨迹。
其中，人像轨迹可以包括人脸轨迹、人体轨迹。人脸轨迹、人体轨迹可以通过安装有人脸卡口和电梯等位置的摄像机抓拍的数据来确定。
需要说明的是，在本实施例中，通信端可以是手机或其他具有通信功能的装置，其具有唯一标识符，如IMSI(国际移动用户识别码，InternationalMobileSubscriberIdentity)、MAC地址，后文中都用手机以MAC地址进行详细描述。因此，通信端轨迹可以通过感知到的MAC地址、IMSI来确定。通过MAC地址就可以确定手机的位置，从而得到手机的轨迹。MAC地址可以通地WIFI探针来获取。所述人脸轨迹、人体轨迹可以通过安装在人脸卡口和电梯等位置的摄像机抓拍的数据来确定。
在一实施例中，所述相似度获取模块包括切分子模块、栅格化子模块、聚类子模块、相似度获取子模块、累加子模块；
切分子模块，用于按时间间隔对每个所述时空轨迹进行切分，得到多条子轨迹；
例如，可以每3分钟作为时间间隔，对每一条时空轨迹进行划分，可以得到20条子轨迹。
例如，轨迹A按时间间隔切分，可以被切分为轨迹AA1、A1A2、A2A3、........、A19A20；轨迹B按时间间隔切分，可以被切分为轨迹BB1、B1B2、B2B3、........、B19B20。
栅格化子模块，用于将所述多条子轨迹栅格化；
具体地，在本实施例中，采用使用墨卡托投影将多条子轨迹栅格化。墨卡托投影是正轴等角圆柱投影。假想一个与地轴方向一致的圆柱切或割于地球，按等角条件，将经纬网投影到圆柱面上，将圆柱面展为平面后，即得墨卡托投影。如图3，为两个不同人的轨迹，通过墨卡托投影，可将其映射到栅格中。
聚类子模块，用于对栅格化后的多条子轨迹进行聚类，得到聚类子轨迹；
具体地，采用DBSCAN算法进行聚类。例如，设在区域范围内有两组设备,抓拍相机(图中4方形)和伪基站(图中4三角),他们的经纬度坐标分别为:(2,1),(2,2),(2,7),(2,8),(1,8),(7,5),(8,4)和(1,2),(1,4.5),(2,4.5),(7,4),(8.5),(10.5,7.5)。
使用DBSCAN算法进行聚类，假设半径取1，最小样本数取2，则聚类结果如图4所示。其中标记为-1的点为离群点，由于其本身为孤立点，因此无需参与匹配。
相似度获取子模块，用于获取同一时间间隔内有交集的聚类子轨迹间的相似度；
其中，在同一时间间隔内位于同一个栅格中被认为存在交集，则此时计算这些聚类子轨迹间的相似度。
累加子模块，用于对不同时间间隔内的多条聚类子轨迹间的相似度进行累加，得到时空轨迹间的相似度。
其中，在同一时间间隔内位于同一个栅格中被认为存在交集，则此时计算这些聚类子轨迹间的相似度。
在一实施例中，基于改进后的LCSS++算法计算同一时间间隔内有交集的聚类子轨迹间的LCSS++距离，以得到聚类子轨迹间的相似度。
LCSS++距离可以衡量轨迹之间的相似度，LCSS++距离一般通过状态转移矩阵计算。该算法在改进最长公共子序列法(LCSS+)距离的基础上，交换时间和空间的计算顺序，从而大幅减少总计算量。改进最长公共子序列法(LCSS+)是在LCS算法的基础上，将“交点”的定义泛化为在同一或相邻地理网格内，从而减少计算量，并引入时间松弛系数，使得交点的时间之差越大，时空相似度越低，从而使得算法有良好的泛化性能。
在本实施例中，当两个时空轨迹点在时间上相似的时候，轨迹点之间的相似性sim(Pai,Pbj)为：
sim(Pai,Pbj)＝sim(Pai,Pbj)+OFFSET_DIST/(DIS(Pai(pos),Pbj(pos)))2
式子中OFFSET_DIST为距离阈值，是一个常数，Pai(pos),Pbj(pos)分别为时空轨迹Ta的时空轨迹点Pai、时空轨迹Tb的时空轨迹点Pbj的经纬度坐标，DIS(Pai(pos),Pbj(pos)为时空轨迹点Pai、Pbj的经纬度坐标的欧式距离。在比较两条轨迹时，目标是使轨迹点之间的相似性之和最大。
定义dp[i][j]为时空轨迹Ta从1到i-1编号组成的子序列与时空轨迹Tb从1到j-1编号组成的子序列中的最大公共子序列的LCSS++距离之和。
当Pai(time)-Pbj(time)≤OFFSET_TIME时，
dp[i][j]＝max{dp[i-1][j-1]+OFFSET_DIST/(DIS(Pai(pos),Pbj(pos)))2,dp[i][j-1],dp[i-1][j]}；
当Pai(time)-Pbj(time)＞OFFSET_TIME时，dp[i][j]＝max{dp[i][j-1],dp[i-1][j]}；
当i＝0或者j＝0时，dp[i][j]＝0。
式中，OFFSET_TIME为时间阈值，为一常数，Pai(time)，Pbj(time)分别为时空轨迹点Pa、Pb的时间戳。
在一实施例中，基于通信端的种类以及通信端区获取的数据对所述通信端的唯一标识符进行第一次去噪。
例如，对MAC地址对应的手机品牌进行统计，若某个MAC地址对应手机品牌A的数据条数远大于手机品牌B，则认为品牌B是其他手机产生的随机MAC地址，予以剔除。
在一实施例中，通过扩展卡尔曼滤波器对第一次去噪后的唯一标识符进行第二次去噪。
卡尔曼滤波是一种高效率的递归滤波器(自回归滤波器)，它能够从一系列的不完全包含噪声的测量中，估计动态***的状态。扩展卡尔曼滤波基于卡尔曼滤波改进而来，可应用于时间非线性的动态***。
使用扩展卡尔曼滤波器对MAC地址进行去噪的效果如图5中，圆点表示mac探针的分布，曲线A为人员实际运动的路线，曲线B为扩展卡尔曼滤波后的预测曲线。
在一实施例中，根据以下公式计算所述轨迹重合度：
Figure GDA0002671609390000091
其中，C_SCORE表示轨迹重合度，LCSS_SIMILARITY表示时空轨迹间的轨迹相似度，LEN表示不同时空轨迹的轨迹长度，具体地，LED_MAC表示通信端轨迹的轨迹长度，LEN_FACE表示人像轨迹的长度。
最终对轨迹重合度大于设定阈值，且时空轨迹间的相似度大于设定阈值的轨迹进行融合。其中对两个时空轨迹融合的过程就是采用同一个标记对两个时空轨迹进行标识，例如采用标识1来对多个时空轨迹进行标识，例如，对时空轨迹A、时空轨迹B、时空轨迹C采用标识1进行标识，因此，可以认为时空轨迹A、时空轨迹B、时空轨迹C是同一个管理对象的轨迹。
本申请实施例还提供了一种设备，该设备可以包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述设备执行图1所述的方法。在实际应用中，该设备可以作为终端设备，也可以作为服务器，终端设备的例子可以包括：智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3，MovingPictureExpertsGroupAudioLayerIII)播放器、MP4(动态影像专家压缩标准语音层面4，MovingPictureExpertsGroupAudioLayerIV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等，本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图1中方法所包含步骤的指令(instructions)。
图7为本申请一实施例提供的终端设备的硬件结构示意图。如图所示，该终端设备可以包括：输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，第一存储器1103中可以存储各种程序，用于完成各种处理功能以及实现本实施例的方法步骤。
可选的，上述第一处理器1101例如可以为中央处理器(CentralProcessingUnit，简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，该第一处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。
可选的，上述输入设备1100可以包括多种输入设备，例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的，该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件***接口(例如USB接口、串口等)；可选的，该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等)；可选的，上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口，例如芯片的输入引脚接口或者输入接口等；输出设备1102可以包括显示器、音响等输出设备。
在本实施例中，该终端设备的处理器包括用于执行各设备中各模块的功能，具体功能和技术效果参照上述实施例即可，此处不再赘述。
图8为本申请的一个实施例提供的终端设备的硬件结构示意图。图8是对图7在实现过程中的一个具体的实施例。如图所示，本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。
第二处理器1201执行第二存储器1202所存放的计算机程序代码，实现上述实施例中图1所述方法。
第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，例如消息，图片，视频等。第二存储器1202可能包含随机存取存储器(randomaccessmemory，简称RAM)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
可选地，第二处理器1201设置在处理组件1200中。该终端设备还可以包括：通信组件1203，电源组件1204，多媒体组件1205，语音组件1206，输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定，本实施例对此不作限定。
处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令，以完成上述数据处理方法中的全部或部分步骤。此外，处理组件1200可以包括一个或多个模块，便于处理组件1200和其他组件之间的交互。例如，处理组件1200可以包括多媒体模块，以方便多媒体组件1205和处理组件1200之间的交互。
电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理***，一个或多个电源，及其他与为终端设备生成、管理和分配电力相关联的组件。
多媒体组件1205包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中，显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板，显示屏可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
语音组件1206被配置为输出和/或输入语音信号。例如，语音组件1206包括一个麦克风(MIC)，当终端设备处于操作模式，如语音识别模式时，麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中，语音组件1206还包括一个扬声器，用于输出语音信号。
输入/输出接口1207为处理组件1200和***接口模块之间提供接口，上述***接口模块可以是点击轮，按钮等。这些按钮可包括但不限于：音量按钮、启动按钮和锁定按钮。
传感器组件1208包括一个或多个传感器，用于为终端设备提供各个方面的状态评估。例如，传感器组件1208可以检测到终端设备的打开/关闭状态，组件的相对定位，用户与终端设备接触的存在或不存在。传感器组件1208可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在，包括检测用户与终端设备间的距离。在一些实施例中，该传感器组件1208还可以包括摄像头等。
通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个实施例中，该终端设备中可以包括SIM卡插槽，该SIM卡插槽用于***SIM卡，使得终端设备可以登录GPRS网络，通过互联网与服务器建立通信。
由上可知，在图8实施例中所涉及的通信组件1203、语音组件1206以及输入/输出接口1207、传感器组件1208均可以作为图7实施例中的输入设备的实现方式。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (18)

1.一种多维时空轨迹融合方法，其特征在于，包括：
获取不同来源的时空轨迹间的轨迹相似度；
基于所述轨迹相似度以及不同时空轨迹的轨迹长度得到轨迹重合度C_SCORE；
Figure DEST_PATH_IMAGE002
其中，C_SCORE表示轨迹重合度，LCSS_SIMILARITY表示时空轨迹间的轨迹相似度，LED_MAC、LEN_FACE分别表示不同时空轨迹的轨迹长度；
对轨迹重合度大于设定阈值的轨迹以及轨迹相似度大于设定阈值的轨迹进行融合，得到待融合轨迹；
对所述待融合轨迹进行融合。
2.根据权利要求1所述的多维时空轨迹融合方法，其特征在于，所述不同来源的时空轨迹包括人像轨迹、通信端轨迹。
3.根据权利要求1所述的多维时空轨迹融合方法，其特征在于，所述获取不同来源的时空轨迹间的轨迹相似度，包括：
按时间间隔对每个所述时空轨迹进行切分，得到多条子轨迹；
将所述多条子轨迹栅格化；
对栅格化后的多条子轨迹进行聚类，得到聚类子轨迹；
获取同一时间间隔内有交集的聚类子轨迹间的相似度；
对不同时间间隔内的多条聚类子轨迹间的相似度进行累加，得到时空轨迹间的相似度。
4.根据权利要求3所述的多维时空轨迹融合方法，其特征在于，使用墨卡托投影将多条子轨迹栅格化。
5.根据权利要求3所述的多维时空轨迹融合方法，其特征在于，计算同一时间间隔内有交集的聚类子轨迹间的LCSS++距离，以得到聚类子轨迹间的相似度；
其中，聚类子轨迹间的相似度的计算方法包括：
当两个时空轨迹点在时间上相似的时候，轨迹点之间的相似性sim(Pai,Pbj)为：
sim(Pai,Pbj)=sim(Pai,Pbj)+OFFSET_DIST/(DIS(Pai(pos),Pbj(pos)))2
其中，OFFSET_DIST为距离阈值，是一个常数，Pai(pos),Pbj(pos)分别为时空轨迹Ta的时空轨迹点Pai、时空轨迹Tb的时空轨迹点Pbj的经纬度坐标，DIS(Pai(pos),Pbj(pos)为时空轨迹点Pai、Pbj的经纬度坐标的欧式距离；
在比较两条轨迹时，目标是使轨迹点之间的相似性之和最大；
定义dp[i][j]为时空轨迹Ta从1到i-1编号组成的子序列与时空轨迹Tb从1到j-1编号组成的子序列中的最大公共子序列的LCSS++距离之和；
当Pai(time)-Pbj(time)≤ OFFSET_TIME时，
dp[i][j]=max{dp[i-1][j-1]+OFFSET_DIST/(DIS(Pai(pos),Pbj(pos)))2,dp[i][j-1],dp[i-1][j]};
当Pai(time)-Pbj(time)＞ OFFSET_TIME时，dp[i][j]=max{dp[i][j-1],dp[i-1][j]};
当i=0或者j=0时，dp[i][j]=0；
式中，OFFSET_TIME为时间阈值，为一常数，Pai(time)，Pbj(time)分别为时空轨迹点Pa、Pb的时间戳。
6.根据权利要求2所述的多维时空轨迹融合方法，其特征在于，通过通信端的唯一标识符确定所述通信端轨迹。
7.根据权利要求6所述的多维时空轨迹融合方法，其特征在于，基于通信端的种类以及通信端区获取的数据对所述通信端的唯一标识符进行第一次去噪。
8.根据权利要求7所述的多维时空轨迹融合方法，其特征在于，通过扩展卡尔曼滤波器对第一次去噪后的唯一标识符进行第二次去噪。
9.一种多维时空轨迹融合装置，其特征在于，包括：
相似度获取模块，用于获取不同来源的时空轨迹间的轨迹相似度；
轨迹重合度计算模块，用于基于所述轨迹相似度以及人像轨迹与通信端轨迹的轨迹长度得到轨迹重合度C_SCORE；
Figure DEST_PATH_IMAGE002A
其中，C_SCORE表示轨迹重合度，LCSS_SIMILARITY表示时空轨迹间的轨迹相似度，LED_MAC、LEN_FACE分别表示不同时空轨迹的轨迹长度；
待融合轨迹确定模块，用于对轨迹重合度大于设定阈值的轨迹以及轨迹相似度大于设定阈值的轨迹进行融合，得到待融合轨迹；
轨迹融合模块，用于对所述待融合轨迹进行融合。
10.根据权利要求9所述的多维时空轨迹融合装置，其特征在于，所述不同来源的时空轨迹包括人像轨迹、通信端轨迹。
11.根据权利要求9所述的多维时空轨迹融合装置，其特征在于，所述相似度获取模块包括：
切分子模块，用于按时间间隔对每个所述时空轨迹进行切分，得到多条子轨迹；
栅格化子模块，用于将所述多条子轨迹栅格化；
聚类子模块，用于对栅格化后的多条子轨迹进行聚类，得到聚类子轨迹；
相似度获取子模块，用于获取同一时间间隔内有交集的聚类子轨迹间的相似度；
累加子模块，用于对不同时间间隔内的多条聚类子轨迹间的相似度进行累加，得到时空轨迹间的相似度。
12.根据权利要求11所述的多维时空轨迹融合装置，其特征在于，使用墨卡托投影将多条子轨迹栅格化。
13.根据权利要求11所述的多维时空轨迹融合装置，其特征在于，计算同一时间间隔内有交集的聚类子轨迹间的LCSS++距离，以得到聚类子轨迹间的相似度；
其中，聚类子轨迹间的相似度的计算方法包括：
当两个时空轨迹点在时间上相似的时候，轨迹点之间的相似性sim(Pai,Pbj)为：
sim(Pai,Pbj)=sim(Pai,Pbj)+OFFSET_DIST/(DIS(Pai(pos),Pbj(pos)))2
其中，OFFSET_DIST为距离阈值，是一个常数，Pai(pos),Pbj(pos)分别为时空轨迹Ta的时空轨迹点Pai、时空轨迹Tb的时空轨迹点Pbj的经纬度坐标，DIS(Pai(pos),Pbj(pos)为时空轨迹点Pai、Pbj的经纬度坐标的欧式距离；
在比较两条轨迹时，目标是使轨迹点之间的相似性之和最大；
定义dp[i][j]为时空轨迹Ta从1到i-1编号组成的子序列与时空轨迹Tb从1到j-1编号组成的子序列中的最大公共子序列的LCSS++距离之和；
当Pai(time)-Pbj(time)≤ OFFSET_TIME时，
dp[i][j]=max{dp[i-1][j-1]+OFFSET_DIST/(DIS(Pai(pos),Pbj(pos)))2,dp[i][j-1],dp[i-1][j]};
当Pai(time)-Pbj(time)＞ OFFSET_TIME时，dp[i][j]=max{dp[i][j-1],dp[i-1][j]};
当i=0或者j=0时，dp[i][j]=0；
式中，OFFSET_TIME为时间阈值，为一常数，Pai(time)，Pbj(time)分别为时空轨迹点Pa、Pb的时间戳。
14.根据权利要求10所述的多维时空轨迹融合装置，其特征在于，通过通信端的唯一标识符确定所述通信端轨迹。
15.根据权利要求14所述的多维时空轨迹融合装置，其特征在于，基于通信端的种类以及通信端区获取的数据对所述通信端的唯一标识符进行第一次去噪。
16.根据权利要求15所述的多维时空轨迹融合装置，其特征在于，通过扩展卡尔曼滤波器对第一次去噪后的唯一标识符进行第二次去噪。
17.一种设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如权利要求1-8所述的一个或多个所述的方法。
18.一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-8所述的一个或多个所述的方法。
CN202010564825.1A 2020-06-19 2020-06-19 一种多维时空轨迹融合方法、装置、机器可读介质及设备 Active CN111797295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010564825.1A CN111797295B (zh) 2020-06-19 2020-06-19 一种多维时空轨迹融合方法、装置、机器可读介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010564825.1A CN111797295B (zh) 2020-06-19 2020-06-19 一种多维时空轨迹融合方法、装置、机器可读介质及设备

Publications (2)

Publication Number Publication Date
CN111797295A CN111797295A (zh) 2020-10-20
CN111797295B true CN111797295B (zh) 2021-04-02

Family

ID=72803129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010564825.1A Active CN111797295B (zh) 2020-06-19 2020-06-19 一种多维时空轨迹融合方法、装置、机器可读介质及设备

Country Status (1)

Country Link
CN (1) CN111797295B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329882A (zh) * 2020-11-23 2021-02-05 中国人民解放军96901部队22分队 一种基于局部匹配度的高效轨迹融合方法
CN113807223B (zh) * 2021-09-07 2024-04-09 南京中兴力维软件有限公司 人脸聚类子类合并方法、装置及设备
CN113946575B (zh) * 2021-09-13 2022-10-14 中国电子科技集团公司第十五研究所 时空轨迹数据处理方法、装置、电子设备及存储介质
CN115033732B (zh) * 2022-08-11 2022-11-15 深圳前海中电慧安科技有限公司 一种时空轨迹关联方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106776482A (zh) * 2016-12-01 2017-05-31 河海大学 一种轨迹相似度计算方法
CN107301254A (zh) * 2017-08-24 2017-10-27 电子科技大学 一种路网热点区域挖掘方法
US10217120B1 (en) * 2015-04-21 2019-02-26 Videomining Corporation Method and system for in-store shopper behavior analysis with multi-modal sensor fusion
CN109711370A (zh) * 2018-12-29 2019-05-03 北京博睿视科技有限责任公司 一种基于wifi探测和人脸聚类的数据融合算法
CN110162588A (zh) * 2019-05-29 2019-08-23 浪潮软件集团有限公司 一种多维关联信息的轨迹融合方法
CN110555061A (zh) * 2019-09-06 2019-12-10 北京百度网讯科技有限公司 轨迹相似度确定方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10217120B1 (en) * 2015-04-21 2019-02-26 Videomining Corporation Method and system for in-store shopper behavior analysis with multi-modal sensor fusion
CN106776482A (zh) * 2016-12-01 2017-05-31 河海大学 一种轨迹相似度计算方法
CN107301254A (zh) * 2017-08-24 2017-10-27 电子科技大学 一种路网热点区域挖掘方法
CN109711370A (zh) * 2018-12-29 2019-05-03 北京博睿视科技有限责任公司 一种基于wifi探测和人脸聚类的数据融合算法
CN110162588A (zh) * 2019-05-29 2019-08-23 浪潮软件集团有限公司 一种多维关联信息的轨迹融合方法
CN110555061A (zh) * 2019-09-06 2019-12-10 北京百度网讯科技有限公司 轨迹相似度确定方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Trajectory Clustering Based on Trajectory Structure and Longest Common Subsequence;Guang-ya ZHANG，Jing ZHANG;《2018 International Conference on Computer, Electronic Information and Communications》;20180527;全文 *
基于改进LCSS的移动用户轨迹相似性查询算法研究;陈少权;《2016广东蜂窝物联网发展论坛》;20161222;全文 *
基于时空相似性的大规模轨迹数据融合技术;熊文, 周钱梅, 杨昆;《集成技术》;20190930;第8卷(第5期);全文 *

Also Published As

Publication number Publication date
CN111797295A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN111797295B (zh) 一种多维时空轨迹融合方法、装置、机器可读介质及设备
US11842438B2 (en) Method and terminal device for determining occluded area of virtual object
CN110288710B (zh) 一种三维地图的处理方法、处理装置及终端设备
CN110296686B (zh) 基于视觉的定位方法、装置及设备
WO2019174398A1 (zh) 一种利用手势模拟鼠标操作的方法、装置及终端
CN108961267B (zh) 图片处理方法、图片处理装置及终端设备
CN113052079B (zh) 一种基于人脸聚类的区域客流统计方法、***、设备和介质
CN103870559A (zh) 一种基于播放的视频获取信息的方法及设备
CN112068698A (zh) 一种交互方法、装置及电子设备、计算机存储介质
KR20140103046A (ko) 객체 추적 방법 및 이를 지원하는 전자 장치
CN111832579B (zh) 地图兴趣点数据处理方法、装置、电子设备以及可读介质
CN111340848A (zh) 对目标区域的对象跟踪方法、***、设备及介质
CN109873980B (zh) 视频监控方法、装置及终端设备
CN111401206A (zh) 一种全景图共享方法、***、设备和介质
CN111178455B (zh) 图像聚类方法、***、设备及介质
CN110222576B (zh) 拳击动作识别方法、装置和电子设备
CN111353007B (zh) 基于矢量切片的地理要素拾取方法、编码方法、装置及电子设备
CN111091152A (zh) 图像聚类方法、***、设备及机器可读介质
CN108549702B (zh) 一种移动终端的图片库的清理方法及移动终端
CN111695511B (zh) 基于城市社区的对象管理方法、装置、可读介质及设备
CN113780291B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN111813988B (zh) 用于图像特征库的hnsw节点删除方法、***、设备和介质
CN111294253B (zh) 测试数据处理方法、装置、计算机设备及存储介质
CN107180073B (zh) Poi推荐方法、装置、设备及计算机可读存储介质
CN110794994A (zh) 真实触点的确定方法及装置

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