5、网络约束移动对象轨迹相似度及新兴交通消息服务探索

网络约束移动对象轨迹相似度及新兴交通消息服务探索

1. 网络约束移动对象轨迹相似度

在处理网络约束移动对象的轨迹数据时，阈值 - s1 ρ1 和阈值 - t1 δ1 具有显著优势。即使轨迹未经过兴趣点（POI）中的所有点和兴趣时间（TOI）中的所有时间点，我们也能通过它们了解轨迹的相似程度，这一特性可用于后续的轨迹聚类。

在相关算法中，二进制编码的优势在于可利用区域或道路的二进制代码组件进行初始过滤。当查询需求局限于特定区域或道路时，能在初始阶段剔除大量不必要的轨迹。

为了验证相关算法的性能，我们采用了一个包含 276 条轨迹的真实数据集，从中选取了属于两个区域聚类的 20 条轨迹子集。该数据集来自在希腊雅典大都市区周边为多个建筑工地运送混凝土的 50 辆卡车，记录为期 33 天，每条记录的结构为 {obj - id, traj - id, date(dd/mm/yyyy), time(hh:mm:ss), lat, lon, x, y}，其中 (lat, lon) 采用 WGS84 参考系统，(x, y) 采用 GGRS87 参考系统。

通过实验，我们比较了三种方法在查询处理中的平均搜索时间与 POI 数量的关系。在之前的实验中，方法 2 在过滤阶段会涉及大量轨迹，包括一些无意义的轨迹，因为查询轨迹的时间间隔小于所有移动对象的总生命周期。而在我们的实验中，当 POI 或 TOI 限定在特定区域或道路时，能剔除大量不必要的轨迹。方法 2 在 POI 数量较少时耗时较少，但不像之前实验中那样显著。由于我们可以基于行政区或道路进行初步过滤，三种方法的平均搜索时间相比之前的实现都有所减少。此外，过滤步骤中使用的额外阈值为未来的数据挖掘应用提供了轨迹聚类的可能性。 <