轨迹相似性度量方法总结

基于点的度量

1.欧氏距离

优点：线性计算时间
缺点：轨迹长度要相同

2.DTW

是对时间序列距离测量的改进

优点：考虑到时间差；
比欧式距离效果好

缺点：对噪音比较敏感

３.LCSS

优点：对噪音有一定的鲁棒性

缺点:阈值不好定义

4.EDR

优点：对噪音有一定的鲁棒性

缺点:阈值不好定义

EDR和LCSS的比较:

共同点:他们都是基于点的

EDR计算操作代价时需要考虑未匹配的点

不同点：LCSS代价高，EDR代价低

基于形状的度量

5.Hausdorff距离

计算两条轨迹之间最近点距离的最大值.

条件:

两条轨迹之间点的个数不能相差太多,

对噪音敏感

6.Frechet距离

基于动态规划的思想,
对噪音敏感

基于分段

7.单向距离(OWD)

OWD距离的基本思想基于两条轨迹围成的面积，当面积大，说明轨迹之间距离较远，相似度就低；相反，若围成的面积为0，则说明两条轨迹重合，相似度最高。

8.LIP

当某区域面积的周长占总长比重大时权重也自然就大；当Area均为0时，说明两条轨迹重合没有缝隙，LIP距离为0；当Area加权和大时，则说明两条轨迹之间缝隙较大，LIP距离也就大。此外，权重由区域周长占总长比重大决定，也一定程度对抗了噪音点的干扰。

只作用于2维轨迹

基于特定任务

9.CATS(基于线索感知的轨迹相似度)

由于轨迹在采集的时候可能会存在大量采样点缺 失的轨迹段，而对象的同一种运动行为形成的轨迹在空 间上和时间上应该都比较接近，
因此,对于同一模式的轨迹，将他们的采样点相互补 充，得到一条采样完整的轨迹。CATS可以支持局部时间 扭曲，对轨迹的采样率和长度都没有要求，并且对噪声 具有鲁棒性。

10.TRACLUS(轨迹聚类)

通过轨迹聚类找出有代表性的相似轨迹

11.NEAT

轨迹聚类时,考虑路网因素,分三次聚类

12语义轨迹

轨迹序列包含时空语义信息

参考:
https://blog.csdn.net/weixin_39910711/article/details/109333641

https://www.jianshu.com/p/8a5755c1831a

https://www.zhihu.com/question/27213170?sort=created