轨迹相似性度量方法总结

轨迹相似性度量方法总结

    • 基于点的度量
    • 基于形状的度量
    • 基于分段
    • 基于特定任务

轨迹相似性度量方法总结_第1张图片

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

你可能感兴趣的:(轨迹数据处理,相似,轨迹)