大型室内活动中获取的室内人员轨迹数据具有时空复杂性高、高维且不规则等特点,给可视分析带来了一定挑战。针对该问题,面向室内人员的时空模式、人群移动模式、异常行为模式等设计了一种基于兴趣区(AOI,area of interest)划分的室内轨...大型室内活动中获取的室内人员轨迹数据具有时空复杂性高、高维且不规则等特点,给可视分析带来了一定挑战。针对该问题,面向室内人员的时空模式、人群移动模式、异常行为模式等设计了一种基于兴趣区(AOI,area of interest)划分的室内轨迹可视分析方法 ,用户可自定义兴趣区并以此为单位进行室内轨迹分析,从而确定其时空模式、移动模式或异常行为。最后,使用China Vis2019挑战赛的数据验证了所提方法的有效性,达到了通过探索式分析室内人员轨迹获取有价值信息的目的。展开更多
面向室内空间的移动轨迹聚类有利于发现室内热点和用户移动模式。针对室内环境在定位技术、距离度量等方面的特殊性,充分考虑室内移动轨迹的空间和语义特征,提出一种基于无线射频识别(radio frequency identification,RFID)位置语义的...面向室内空间的移动轨迹聚类有利于发现室内热点和用户移动模式。针对室内环境在定位技术、距离度量等方面的特殊性,充分考虑室内移动轨迹的空间和语义特征,提出一种基于无线射频识别(radio frequency identification,RFID)位置语义的室内移动轨迹聚类方法。该方法对原始轨迹提取特征点,可简化轨迹以降低算法时间复杂度;从空间形状和位置语义2个方面加权计算轨迹相似度,其中,空间相似度通过定义适用于室内三维空间的距离函数来计算,语义相似度计算基于最长公共子序列思想,并引入移动对象在轨迹点的到达时间和停留时间;利用线性表存储轨迹相似度,采用改进的层次聚类方法对移动轨迹进行聚类。实验结果表明,该方法能够有效地进行室内轨迹聚类并具有较高的效率。展开更多
文摘大型室内活动中获取的室内人员轨迹数据具有时空复杂性高、高维且不规则等特点,给可视分析带来了一定挑战。针对该问题,面向室内人员的时空模式、人群移动模式、异常行为模式等设计了一种基于兴趣区(AOI,area of interest)划分的室内轨迹可视分析方法 ,用户可自定义兴趣区并以此为单位进行室内轨迹分析,从而确定其时空模式、移动模式或异常行为。最后,使用China Vis2019挑战赛的数据验证了所提方法的有效性,达到了通过探索式分析室内人员轨迹获取有价值信息的目的。
文摘面向室内空间的移动轨迹聚类有利于发现室内热点和用户移动模式。针对室内环境在定位技术、距离度量等方面的特殊性,充分考虑室内移动轨迹的空间和语义特征,提出一种基于无线射频识别(radio frequency identification,RFID)位置语义的室内移动轨迹聚类方法。该方法对原始轨迹提取特征点,可简化轨迹以降低算法时间复杂度;从空间形状和位置语义2个方面加权计算轨迹相似度,其中,空间相似度通过定义适用于室内三维空间的距离函数来计算,语义相似度计算基于最长公共子序列思想,并引入移动对象在轨迹点的到达时间和停留时间;利用线性表存储轨迹相似度,采用改进的层次聚类方法对移动轨迹进行聚类。实验结果表明,该方法能够有效地进行室内轨迹聚类并具有较高的效率。