一种基于改进粒子群寻优的目标运动轨迹分段压缩方法技术

本发明专利技术提供一种基于改进粒子群寻优的目标运动轨迹分段压缩方法，所述方法包括：构造了基于轮廓保持的粒子群轨迹分段近似方案寻优基本框架，建立了轨迹数据与粒子状态的映射关系，定义了轨迹轮廓贴合度寻优目标函数，实现了基于粒子群算法的个体轨迹分段方案搜索；设计了基于邻域调整与随机跳跃的粒子更新策略，提高了粒子群算法的轨迹分段方案搜索效率；针对数据集中的每条轨迹，进行分段数量由小到大递增的粒子群轨迹分段方案寻优，建立轨迹分段压缩效果评价指标，获得统筹考虑压缩率与分段精度的轨迹数据整体分段压缩方案。所述方法实现了面向全局的群体智能轨迹分段压缩，相比已有方法，轨迹数据压缩效果和分段近似精度均有提高。度均有提高。度均有提高。

【技术实现步骤摘要】
一种基于改进粒子群寻优的目标运动轨迹分段压缩方法


[0001]本专利技术涉及数据处理领域，尤其涉及基于粒子群算法的目标运动轨迹分段压缩方法。

技术介绍

[0002]随着全球定位技术、无线通信技术不断发展以及移动终端的广泛应用，海量的移动目标轨迹数据应运而生。轨迹数据蕴含着丰富的目标时空特征信息，通过数据挖掘、深度分析等技术，可以发现目标活动规律、行为特征、兴趣习惯、异常变化等高价值信息。然而，轨迹数据的剧增也给基于目标时空位置的数据服务带来了许多挑战，包括数据传输负荷增大、数据存储面临压力、数据查询效率降低、数据分析性能下降。因此，轨迹数据压缩是解决上述问题的有效方法，而实现压缩的主要途径是进行轨迹分段，即基于一定的划分准则，获得具有均匀、同质内部运动行为或语义特征的轨迹片段。压缩轨迹仅存储分段特征点和轨迹段特征信息，既能满足用户对其与原始轨迹的相似性要求，又能减少轨迹数据存储量。
[0003]基于线段简化的轨迹数据压缩是轨迹数据分段压缩的常用方法，通过约束条件将自由空间中的目标轨迹进行线性近似分段，仅存储各个近似线段的端点以实现压缩。该方法可分为面向全局分段压缩和局部前推分段压缩两类方法。面向全局分段压缩方法的典型代表是Douglas
‑
Peucker(DP)算法及其相关改进。在距离阈值设置较优的情况下，能够满足用户对压缩轨迹与原始轨迹相似性要求，同时实现较高的数据压缩率，但面临距离阈值设置困难和算法时间复杂度高的问题。局部前推分段压缩方法一般是从轨迹首点开始前推搜索，满足约束条件的轨迹点可以被归为一个局部近似线段，反之不满足条件的轨迹点作为新的轨迹段首点继续向前搜索，而约束条件既可以定义为轨迹点与近似线段的距离函数，也可以定义为轨迹段之间的方向变化函数。优点是计算量小，但存在的问题主要体现在两个方面：一是从首点开始搜索，只能获得局部最优分段，缺乏对分段问题的整体性考虑，分段特征点的选择难以保证全局最优，从而影响分段的精度，降低了压缩轨迹与原始轨迹的相似性；二是衡量轨迹段内同质性和轨迹段间差异性的距离、方向等指标均存在量纲，对阈值参数的设置很敏感。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出了一种基于改进粒子群寻优的目标运动轨迹分段压缩方法，用以解决现有技术中基于线段简化的轨迹数据压缩方法阈值参数设置难、轨迹分段精度不高、难以有效权衡分段精度和压缩率等问题。
[0005]根据本专利技术的第一方面，提供一种对个体轨迹的改进粒子群寻优分段方法，所述方法包括以下步骤：
[0006]步骤S1：初始化粒子群算法的参数，所述参数包括粒子的预定数量、最大迭代寻优次数、压缩
‑
精度贡献率限制条件以及最大压缩率限制条件；初始化j＝1，设置轨迹分段数node的初始值为1；
[0007]步骤S2：获取轨迹数据集合Trace＝{trace1,...,trace
j
,...,trace
num
}中的个体轨迹trace
j
，获取分段数node，基于粒子群算法将个体轨迹trace
j
划分为node个数据段，划分方式即为当前分段方案；其中，num为所述轨迹数据集合中的轨迹数；
[0008]步骤S3：计算个体轨迹trace
j
当前分段方案的压缩率和压缩
‑
精度贡献率，对比压缩
‑
精度贡献率要求和最大压缩率条件，如果不满足要求或条件，则递增轨迹分段数node，将node置为node+1，进入步骤S2；如果满足要求及条件，终止轨迹trace
j
的分段方案搜索，进入步骤S4；所述压缩率为压缩后保留轨迹点总数占原始数据集轨迹点数的比例，所述压缩
‑
精度贡献率为牺牲部分数据压缩率对轨迹分段精度的贡献，表示为δ
P
(i)是轨迹分为i段后的分段精度，即轨迹轮廓贴合度，δ
C
(i)是轨迹分为i段后的压缩率，len是轨迹的总点数；所述特征点用于标记轨迹的分段情况；
[0009]步骤S4：若j<num，将j置为j+1，将分段数node置为轨迹分段数的初始值，进入步骤S2；否则，进入步骤S5；
[0010]步骤S5：统计每条轨迹保留的特征点数并计算轨迹轮廓贴合度，所述轨迹轮廓贴合度是轨迹线性近似为直线段集合后，压缩轨迹与原始轨迹的贴合程度。
[0011]根据本专利技术的第二方面，提供一种基于粒子群算法的目标运动轨迹分段压缩系统，包括：
[0012]处理器，用于执行多条指令；
[0013]存储器，用于存储多条指令；
[0014]其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如前所述的方法。
[0015]根据本专利技术的第三方面，提供一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如前所述的方法。
[0016]根据本专利技术的上述方案，首先确定基于轮廓保持的粒子群轨迹分段方案寻优基本框架，对每条轨迹进行如下处理：明确轨迹数据与粒子状态的映射关系，定义轨迹轮廓贴合度并作为寻优目标函数；其次，将贴合度高的粒子视为优质粒子，进行基于粒子群的个体轨迹分段方案搜索，搜索过程中，运用基于邻域调整与随机跳跃的粒子更新策略，提高最优轨迹分段方案搜索效率；最后，对数据集中的每条轨迹，分段数量由小到大递增进行粒子群轨迹分段方案寻优，并基于压缩
‑
精度贡献率的轨迹分段满意度判决，得到统筹考虑分段数量与分段精度的最优分段压缩方案，实现轨迹数据的整体优化压缩。本专利技术将“整体考虑轨迹分段压缩问题，优先提高轨迹分段精度，并确保轨迹数据压缩率优于已有方法”作为基本考虑，把轨迹分段问题转化为利用群体智能方法对分段特征点的全局寻优问题，提出了本专利技术的基于改进粒子群寻优的目标运动轨迹分段压缩方法。本专利技术利用种群行为对轨迹分段方案进行启发式搜索，具有面向全局分段压缩方法的整体性优点，且不需要反复尝试调节算法阈值参数；与局部前推分段压缩方法相比，分段特征点选择更加准确，压缩轨迹与目标原始轨迹具有更好的相似度。在同等精度要求下，压缩效果较已有两类典型分段压缩方法均有提升。同时，定义轨迹轮廓贴合度作为压缩轨迹与目标原始轨迹相似度评价指标，并应用于分段方案寻优，该指标没有量纲，有效解决了已有方法在对不同长度、不同采样间隔、
不同轮廓变化程度轨迹进行分段时，距离阈值、方向变化阈值等参数设置难的问题，改善了方法的适用性。本专利技术能够实现对目标轨迹的线性近似分段优化和有效数据压缩，提高轨迹分段精度和数据压缩率。
[0017]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。
附图说明
[0018]构成本专利技术的一部分的附图用来提供对本专利技术的进一步理解，本专利技术提供如下附图进行说明。在附图中：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粒子群算法的目标运动轨迹分段压缩方法，其特征在于，所述方法包括以下步骤：步骤S1：初始化粒子群算法的参数，所述参数包括粒子的预定数量、最大迭代寻优次数、压缩
‑
精度贡献率限制条件以及最大压缩率限制条件；初始化j＝1，设置轨迹分段数node的初始值为1；步骤S2：获取轨迹数据集合Trace＝{trace1,...,trace
j
,...,trace
num
}中的个体轨迹trace
j
，获取分段数node，基于粒子群算法将个体轨迹trace
j
划分为node个数据段，划分方式即为当前分段方案；其中，num为所述轨迹数据集合中的轨迹数；步骤S3：计算个体轨迹trace
j
当前分段方案的压缩率和压缩
‑
精度贡献率，对比压缩
‑
精度贡献率要求和最大压缩率条件，如果不满足要求或条件，则递增轨迹分段数node，将node置为node+1，进入步骤S2；如果满足要求及条件，终止轨迹trace
j
的分段方案搜索，进入步骤S4；所述压缩率为压缩后保留轨迹点总数占原始数据集轨迹点数的比例，所述压缩
‑
精度贡献率为牺牲部分数据压缩率对轨迹分段精度的贡献，表示为δ
P
(i)是轨迹分为i段后的分段精度，即轨迹轮廓贴合度，δ
C
(i)是轨迹分为i段后的压缩率，len是轨迹的总点数；所述特征点用于标记轨迹的分段情况；步骤S4：若j<num，将j置为j+1，将分段数node置为轨迹分段数的初始值，进入步骤S2；否则，进入步骤S5；步骤S5：统计每条轨迹保留的特征点数并计算轨迹轮廓贴合度，所述轨迹轮廓贴合度是轨迹线性近似为直线段集合后，压缩轨迹与原始轨迹的贴合程度。2.如权利要求1所述的方法，其特征在于，所述步骤S2，基于粒子群算法将个体轨迹trace
j
划分为node个数据段，包括：步骤S201：建立轨迹数据trace
j
与粒子的映射关系，对于长度为l的轨迹trace
j
，将trace'
j
映射为一个长度为l的0、1序列，序列中1所在位置为分段特征点的位置；即定义粒子为序列p＝{1,Φ,1}，Φ是一个长度为l
‑
2的0、1序列，序列p中1的数量为node+1，则轨迹分段数量为node；随机初始化粒子是将Φ中1所在位置随机化，随机生成预定数量的粒子，所述预定数量为num
j
；算各粒子的轮廓贴合度，初始化全局最优粒子为所有粒子中的轨迹轮廓贴合度最大的粒子，初始化局部最优粒子为每一粒子自身进化历史中的最优状态，进化前每个粒子的初始状态就是其自身局部最优；初始化迭代次数num1＝1；步骤S202：建立寻优目标函数，所述寻优目标函数为轨迹轮廓贴合度步骤S202：建立寻优目标函数，所述寻优目标函数为轨迹轮廓贴合度和分别是投影角度因子和投影距离因子的重要度权值，两者之和为1；OF为轨迹轮廓贴合度，是轨迹线性近似为直线段集合后，压缩轨迹与原始轨迹的...

【专利技术属性】
技术研发人员：欧阳志宏，薛磊，毛毅，丁锋，郑超，桂树，李达，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：