一種移動對象軌跡監(jiān)測方法
【專利摘要】本發(fā)明公開一種移動對象軌跡監(jiān)測方法，采用并行架構(gòu)計算系統(tǒng)，分為任務(wù)管理層與協(xié)同計算層，任務(wù)管理層包括若干任務(wù)管理節(jié)點，協(xié)同計算層包括若干計算節(jié)點；其步驟包括：1)移動對象軌跡采集，獲取移動對象軌跡數(shù)據(jù)集；2)提交移動對象軌跡數(shù)據(jù)集以及計算請求；3)對移動對象軌跡數(shù)據(jù)集進行初始分類得到初始分類樣本集；并分配計算任務(wù)數(shù)據(jù)集；4)對移動對象軌跡數(shù)據(jù)集進行聚類分析，5)匯總各分類樣本集信息及聚類子集信息，得到聚類結(jié)果軌跡；6)根據(jù)聚類結(jié)果軌跡進行移動對象的空間分布監(jiān)測或行為模式監(jiān)測。本發(fā)明適應(yīng)大數(shù)據(jù)應(yīng)用環(huán)境下海量移動對象軌跡監(jiān)測的需求，提升整體計算性能達(dá)30％。
【專利說明】一種移動對象軌跡監(jiān)測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及移動對象大數(shù)據(jù)分析研究與應(yīng)用領(lǐng)域，具體涉及一種移動對象軌跡監(jiān)測方法。
【背景技術(shù)】
[0002]移動對象管理(Mobile Object Management)覆蓋交通、航空/航天/航海、安全監(jiān)控、生態(tài)環(huán)保、物流、災(zāi)害防控等領(lǐng)域。是物聯(lián)網(wǎng)時代信息技術(shù)重要的前沿應(yīng)用領(lǐng)域。主要體現(xiàn)為對移動對象軌跡的監(jiān)測。總得來說，移動對象根據(jù)行為模式可以分為三個類別:
[0003]1.受限移動對象:受限移動對象的行為受外部條件的約束，總體具有一定的規(guī)律性，個體在較為固定的模式下移動，無論宏觀層面還是微觀層面，對象的行為模式都具有較大的約束性；城市交通是具有典型代表性的受限移動對象。這一領(lǐng)域中的車輛行動模式與軌跡受城市路網(wǎng)的約束。
[0004]2.半受限移動對象:半受限移動對象在外部條件約束的情況下，一定程度上具有自由性；行為個體在微觀層面呈現(xiàn)較大的非約束性；而宏觀層面下群體呈現(xiàn)一定的規(guī)律性；航空/航海是具有典型代表性的半受限移動對象。這一領(lǐng)域中飛行器/船只總體按照航線移動，個體在移動過程中，具有一定的自由性。
[0005]3.非受限移動對象:非受限移動對象具有較小的外部約束條件，其個體行為具有較大的自由性；同時，群體行為呈現(xiàn)隨機性；開放空間的人員監(jiān)控室具有典型代表性的非受限移動對象。這一領(lǐng)域中，人員個體在開放空間中自由移動，人流總體的移動較為隨機。
[0006]基于軌跡的行為分析與挖掘是移動對象軌跡監(jiān)控的核心環(huán)節(jié)。通過軌跡的分類-聚類能夠?qū)μ囟s束條件下移動對象的行為模式進行識別與提取，對于特定群體的監(jiān)控與管理、異常識別具有重要的應(yīng)用價值。傳統(tǒng)的軌跡分析技術(shù)，通常以受限移動對象為重點，在路網(wǎng)等較為嚴(yán)格的條件約束下，通過軌跡逐點空間位置對比實現(xiàn)相似度的計算。隨著移動對象管理的應(yīng)用范圍向半受限以及非受限領(lǐng)域的延伸。這一計算方式已經(jīng)不能適應(yīng)移動對象管理的技術(shù)需求。主要體現(xiàn)在以下幾個方面:
[0007]1.移動對象管理呈現(xiàn)典型的大數(shù)據(jù)特點:隨著物聯(lián)網(wǎng)技術(shù)、先進傳感器技術(shù)以及高速網(wǎng)絡(luò)/存儲技術(shù)的發(fā)展；移動對象的管理呈現(xiàn)典型的大數(shù)據(jù)的特點。數(shù)據(jù)量爆發(fā)性的增長導(dǎo)致移動對象軌跡分析計算負(fù)載指數(shù)級的增長；從應(yīng)用性能需求的角度出發(fā)，這一領(lǐng)域需要高性能計算架構(gòu)保證海量對象大數(shù)據(jù)的快速分析。
[0008]2.移動對象軌跡分析過程呈現(xiàn)迭代性與協(xié)同性:在相似性計算的基礎(chǔ)上實現(xiàn)分類-聚類是移動對象軌跡分析的核心邏輯。在這一邏輯需要在計算執(zhí)行過程中針對數(shù)據(jù)集中未實現(xiàn)相似匹配對象迭代處理，實現(xiàn)新的分類建立，滿足應(yīng)用分類的正確性需求；
[0009]3.軌跡相似性從空間位置相似轉(zhuǎn)變?yōu)閹缀蜗嗨?由于對象移動環(huán)境約束放松，對象的移動呈現(xiàn)較大的自由性；對象之間軌跡不再在空間位置上具有較強的關(guān)聯(lián)關(guān)系。行為模式更多的體現(xiàn)在軌跡幾何相似性的方面。
[0010]4.軌跡維度復(fù)雜性與計算基準(zhǔn)一致性的保證:隨著移動對象管理領(lǐng)域的延伸，對象的軌跡維度從傳統(tǒng)的2維向3維、4維甚至更多維的方向發(fā)展。另一方面，由于軌跡之間并不完全相等，這就導(dǎo)致了在軌跡匹配過程中投影基準(zhǔn)一致性保證的困難。
[0011]基于以上應(yīng)用需求，移動對象軌跡檢測需要面向各種類別的移動對象提供完善的分析與挖掘技術(shù)。這一技術(shù)需要針對大數(shù)據(jù)的應(yīng)用背景提供完善的計算架構(gòu)，利用這一架構(gòu)實現(xiàn)挖掘活動中迭代分析與計算處理的協(xié)同組織；同時，在分析過程中需要在約束條件的基礎(chǔ)上，從幾何相似的角度出發(fā)，通過統(tǒng)一的投影變化實現(xiàn)軌跡相似性的計算、識別、分類與聚類。通過這一技術(shù)，實現(xiàn)各種約束條件下對象軌跡的準(zhǔn)確挖掘與行為模式的提取。

【發(fā)明內(nèi)容】

[0012]針對目前移動對象軌跡分析與挖掘領(lǐng)域的技術(shù)與新的發(fā)展需求之間的矛盾，本發(fā)明的目的在于提供一種基于并行架構(gòu)的移動對象軌跡監(jiān)測方法。通過這一方法實現(xiàn)大數(shù)據(jù)應(yīng)用背景下各種類別移動對象軌跡高性能監(jiān)測。在這一基礎(chǔ)上實現(xiàn)各種約束條件下移動對象行為模式的監(jiān)測，其監(jiān)測結(jié)果為當(dāng)前交通、航空/航天/航海、安全、生態(tài)環(huán)保、物流、災(zāi)害防控等領(lǐng)域的發(fā)展提供有效的技術(shù)支撐。
[0013]為達(dá)到上述目的，本發(fā)明公開一種移動對象軌跡監(jiān)測方法，采用并行架構(gòu)計算系統(tǒng)，所述系統(tǒng)分為任務(wù)管理層與協(xié)同計算層，所述任務(wù)管理層包括若干任務(wù)管理節(jié)點，所述協(xié)同計算層包括若干計算節(jié)點；其步驟包括:
[0014]I)對待檢測移動對象軌跡進行采集，獲取移動對象軌跡數(shù)據(jù)集；
[0015]2)通過一應(yīng)用任務(wù)向一個任務(wù)管理節(jié)點提交所述移動對象軌跡數(shù)據(jù)集以及設(shè)定的計算請求；
[0016]3)所述任務(wù)管理節(jié)點對所述移動對象軌跡數(shù)據(jù)集進行初始分類得到初始分類樣本集，并根據(jù)各個計算節(jié)點當(dāng)前負(fù)載狀態(tài)分配計算任務(wù)數(shù)據(jù)集；
[0017]4)所述任務(wù)管理節(jié)點根據(jù)所述計算任務(wù)數(shù)據(jù)集依次啟動計算節(jié)點上的計算子任務(wù)對移動對象軌跡數(shù)據(jù)集進行聚類分析，得到分類樣本集信息及聚類子集信息，
[0018]4-1)計算節(jié)點從移動對象軌跡數(shù)據(jù)集中提取一個當(dāng)前對象的軌跡數(shù)據(jù)，通過計算當(dāng)前對象的矢量畸變引導(dǎo)因子，根據(jù)系統(tǒng)閾值設(shè)置與矢量畸變引導(dǎo)因子的對比，確定當(dāng)前對象的軌跡數(shù)據(jù)的特征點，根據(jù)特征點重構(gòu)當(dāng)前對象軌跡的幾何形狀，得到特征點重構(gòu)軌跡；
[0019]4-2)從初始分類樣本集中提取一個樣本對象，計算該樣本對象的矢量畸變引導(dǎo)因子與特征點，將該樣本對象的特征點投影到該樣本對象的距離維度投影空間中；
[0020]4-3)根據(jù)距離增量判斷當(dāng)前對象與前述樣本對象的幾何相似度，當(dāng)幾何相似度達(dá)到閾值設(shè)置時，將其作為有效對象進行相似度分析，否則將其作為未匹配對象；
[0021]4-4)將4-1)中獲取的特征點重構(gòu)軌跡投影到4-2)中獲取的樣本對象的距離維度投影中，計算當(dāng)前對象與樣本對象在距離維度投影空間中的相似度，根據(jù)閾值設(shè)置判斷當(dāng)前對象與樣本對象的軌跡是否相似，如果達(dá)到閾值設(shè)置則將當(dāng)前對象作為樣本對象的有效聚類對象，否則作為未匹配對象；
[0022]4-5)計算當(dāng)前對象與初始分類樣本集中全部樣本對象的聚類分析相似度取值，獲取最高聚類分析相似度對應(yīng)的樣本對象，將當(dāng)前對象作為所述樣本對象的聚類子集；
[0023]4-6)如所述樣本對象實現(xiàn)聚類匹配則通過消息中間件廣播前述聚類子集的更新信息，否則計算節(jié)點通知任務(wù)管理節(jié)點緩存該樣本對象的未匹配對象的信息；
[0024]4-7)任務(wù)管理節(jié)點緩存全部計算節(jié)點通知的未匹配對象的信息，當(dāng)未匹配對象數(shù)量達(dá)到閾值設(shè)置時，將緩存的未匹配對象進行重新分類處理，得到新增的分類樣本集，并將新增分類樣本信息與聚類子集信息通過消息中間件廣播給全部計算節(jié)點更新；
[0025]4-8)對移動對象軌跡數(shù)據(jù)集中所有移動對象軌跡進行前述4-1)至4-7)所述的聚類分析，計算節(jié)點匯聚新增的分類樣本集的信息與聚類子集信息到任務(wù)管理節(jié)點。
[0026]5)任務(wù)管理節(jié)點匯總各分類樣本集信息及聚類子集信息，得到聚類結(jié)果軌跡；
[0027]6)根據(jù)所述聚類結(jié)果軌跡進行移動對象的空間分布監(jiān)測或行為模式監(jiān)測。
[0028]通過上述過程，本發(fā)明針對當(dāng)前大數(shù)據(jù)應(yīng)用環(huán)境下海量移動對象軌跡監(jiān)測的前沿技術(shù)需求，從并行計算的角度出發(fā)，構(gòu)建完整技術(shù)方案。在基于計算邏輯的分層調(diào)度的基礎(chǔ)上，通過并行節(jié)點之間的協(xié)同組織實現(xiàn)高性能計算。同時，在計算過程中，利用基于距離的維度投影實現(xiàn)軌跡計算基準(zhǔn)統(tǒng)一性的保證，在這一基礎(chǔ)上通過特征計算實現(xiàn)對象的分類與聚類處理。滿足海量移動對象軌跡快速分析及準(zhǔn)確監(jiān)測的要求。
[0029]本發(fā)明在“數(shù)據(jù)驅(qū)動”的原則基礎(chǔ)上，突破傳統(tǒng)的并行計算模式，利用分層協(xié)同組織的方式實現(xiàn)海量軌跡數(shù)據(jù)快速分類-聚類分析；同時在計算過程中，通過軌跡點的特征提取實現(xiàn)數(shù)據(jù)壓縮，利用基于尺度投影的特征相似度變換實現(xiàn)軌跡的快速匹配，通過這一技術(shù)滿足移動對象管理應(yīng)用領(lǐng)域的前沿技術(shù)需求。
[0030]與現(xiàn)有技術(shù)相比，本發(fā)明的積極成果體現(xiàn)在:
[0031]1.本發(fā)明以并行架構(gòu)為基礎(chǔ)。通過多點協(xié)同計算實現(xiàn)大數(shù)據(jù)的移動對象軌跡快速分析和實時監(jiān)測。在分析和監(jiān)測過程中，結(jié)合計算量預(yù)估實現(xiàn)作業(yè)調(diào)度與負(fù)載均衡。同時，本發(fā)明圍繞移動對象軌跡分類-聚類核心分析計算邏輯提出任務(wù)協(xié)同與數(shù)據(jù)同步機制。實現(xiàn)并行環(huán)境下分類信息的匯聚與聚類處理的協(xié)同，在滿足計算負(fù)載任務(wù)分布的同時，保證數(shù)據(jù)分析的精度與正確性；在軌跡計算的過程中，本發(fā)明提出一種在基于距離的維度投影下利用特征壓縮的計算方法，解決大數(shù)據(jù)背景下，數(shù)據(jù)分析精度與計算量之間的矛盾問題。
[0032]2.在基于某市交通流量監(jiān)測的實驗中表明。本發(fā)明所提供的方法在整體計算性能提升方面達(dá)到30%，在保證足夠計算精度的情況下有效提高海量移動對象軌跡監(jiān)測的需求。
[0033]綜上，本發(fā)明針對移動對象的個體與群體的行為實現(xiàn)高性能監(jiān)測，提供大數(shù)據(jù)應(yīng)用背景下海量移動對象軌跡監(jiān)測的核心技術(shù)。利用并行架構(gòu)、基于計算邏輯的作業(yè)調(diào)度與協(xié)同機制以及基于距離的維度投影的特征壓縮計算軌跡相似性；在交通、航空、災(zāi)害防控、環(huán)境保護、人流監(jiān)控、物流追溯等方面具有積極的應(yīng)用價值。
【專利附圖】

【附圖說明】
[0034]圖1為本發(fā)明實施例所述的系統(tǒng)的構(gòu)成框架圖。
[0035]圖2為本發(fā)明實施例所述的移動對象軌跡分析挖掘協(xié)同組織過程圖。
[0036]圖3為本發(fā)明實施例所述的任務(wù)管理節(jié)點計算任務(wù)組織過程圖。
[0037]圖4為本發(fā)明實施例所述的計算節(jié)點計算任務(wù)執(zhí)行與協(xié)同圖。
[0038]圖5為本發(fā)明實施例所述的作業(yè)調(diào)度過程圖。
[0039]圖6為本發(fā)明實施例所述的軌跡特征提取與計算示意圖。[0040]圖7為本發(fā)明實施例所述的MO對象軌跡特征提取過程圖。
[0041]圖8為本發(fā)明實施例所述的軌跡特征基于距離的維度投影示意圖。
[0042]圖9為本發(fā)明實施例所述的軌跡特征點對比取值示意圖。
[0043]圖10為本發(fā)明實施例所述的對象軌跡與樣本軌跡相似性計算過程圖。
【具體實施方式】
[0044]為使本發(fā)明的上述特征和優(yōu)點能更明顯易懂，下文特舉實施例，并配合所附圖作詳細(xì)說明如下。
[0045]移動對象覆蓋車輛交通、航空航天、環(huán)境保護等多個領(lǐng)域；隨著物聯(lián)網(wǎng)技術(shù)、GPS技術(shù)以及先進傳感器技術(shù)的技術(shù)進步與應(yīng)用深化。移動對象軌跡監(jiān)測工作核心之一是在移動對象之間進行軌跡對比、分類、聚類等處理，從而對特定約束條件下對象行為模式進行提取；在大數(shù)據(jù)的應(yīng)用背景下，上述分析工作對其對處理邏輯的組織形式與性能提出了新的技術(shù)需求。本發(fā)明在并行計算的架構(gòu)上，針對海量移動對象的增量過程分析建立計算框架與方法。這一計算框架由兩個層次構(gòu)成，針對移動對象軌跡分析業(yè)務(wù)邏輯建立并行計算任務(wù)調(diào)度策略。上層的任務(wù)管理節(jié)點負(fù)責(zé)對象數(shù)據(jù)管理、計算任務(wù)的分發(fā)與協(xié)同組織；下層的計算節(jié)點負(fù)責(zé)任務(wù)分包中對象軌跡的計算。同時，計算節(jié)點與任務(wù)管理節(jié)點之間利用消息中間件的方式實現(xiàn)共享數(shù)據(jù)交換。從而滿足軌跡分析過程中樣本聚合集數(shù)據(jù)的全局同步。一方面保證計算精度；另一方面使得整個計算架構(gòu)具有良好的適應(yīng)性與可擴展性；滿足大數(shù)據(jù)應(yīng)用背景下數(shù)據(jù)分析的基本要求。
[0046]在對象軌跡分析與聚類的過程中，首先依據(jù)時空約束關(guān)系，對對象的軌跡進行特征抽取。針對移動對象軌跡時空變化的特點。通過端點偏移與臨點偏移的計算確定軌跡點在整個軌跡中的矢量畸變引導(dǎo)因子(VDF，Vector Distort1n Factor)。將其與全部軌跡點的矢量畸變引導(dǎo)因子經(jīng)過基于距離的維度投影處理后，確定當(dāng)前對象軌跡的畸變特征描述；在軌跡的聚類過程中，通過樣本與對象的畸變特征描述相似度計算確定當(dāng)前對象與樣本的關(guān)系。同時，在增量過程中，針對對象的相似熵量計算，發(fā)現(xiàn)新的聚類樣本，實現(xiàn)海量移動對象軌跡相似性的高性能分析；以獲得高性能的監(jiān)測。其具體技術(shù)方案如下:
[0047]移動對象軌跡的采集
[0048]通過在移動對象上安裝GPS等傳感器設(shè)備。在日常行為中以一定的頻率上報其空間位置；系統(tǒng)收集這些移動對象的軌跡數(shù)據(jù)，經(jīng)過時序組織后形成對象軌跡數(shù)據(jù)。
[0049]并行計算架構(gòu)與執(zhí)行
[0050]本發(fā)明為大數(shù)據(jù)背景下海量移動對象分析提供高性能計算服務(wù)。結(jié)合移動對象計算分析邏輯特點。本發(fā)明以并行架構(gòu)實現(xiàn)計算任務(wù)的執(zhí)行。如圖1所示整個計算框架由兩個層次構(gòu)成:任務(wù)管理層與計算層，其中:
[0051]任務(wù)管理層:其主要由任務(wù)管理節(jié)點與消息總線構(gòu)成。任務(wù)管理節(jié)點負(fù)責(zé)整個計算任務(wù)的協(xié)同與組織。其依據(jù)“負(fù)載平衡”的原則建立調(diào)度策略對任務(wù)進行分發(fā)與組織。在計算過程中，首先接受輸入的待分析移動對象軌跡數(shù)據(jù)集。根據(jù)調(diào)度策略，首先對數(shù)據(jù)集初始樣本進行提??；而后將對象軌跡數(shù)據(jù)集進行分包，針對每一個分包數(shù)據(jù)建立計算任務(wù)并將其綁定在一個底層計算節(jié)點中；完成任務(wù)分包后，將全部計算任務(wù)發(fā)送給給對應(yīng)的計算節(jié)點進行分析處理；在計算過程中，計算節(jié)點在任務(wù)數(shù)據(jù)分包中對軌跡進行匹配與聚類；聚類的信息通過消息總線實現(xiàn)全局的數(shù)據(jù)同步更新；同時，將未能實現(xiàn)匹配的對象軌跡提交給任務(wù)管理節(jié)點。任務(wù)管理節(jié)點通過共享數(shù)據(jù)池進行未匹配對象的緩存。當(dāng)緩存池中增量比達(dá)到閾值設(shè)置時，對緩存池中的對象進行分類處理；分類處理產(chǎn)生新的樣本數(shù)據(jù)通過消息總線同步到下層的各個計算節(jié)點，實現(xiàn)新的分類信息更新。
[0052]計算層:其主要由計算節(jié)點構(gòu)成。計算節(jié)點負(fù)責(zé)計算分包任務(wù)的計算處理工作。在任務(wù)執(zhí)行過程中，其通過任務(wù)系統(tǒng)接口接受任務(wù)管理節(jié)點分發(fā)的計算任務(wù)分包。根據(jù)分包中對象的對象軌跡提取其軌跡基本特征；而后將該軌跡特征與樣本集中的樣本軌跡進行對比；在樣本對比分析的過程中，通過最大相似度的方式消除軌跡相似復(fù)用的現(xiàn)象，實現(xiàn)軌跡聚類歸一；同時，將對應(yīng)的樣本相似集中的對象進行更新；這一更新通過消息中間件的方式，同步到全局；實現(xiàn)并行計算節(jié)點之間的協(xié)同；如果當(dāng)前軌跡未實現(xiàn)匹配，將其提交給任務(wù)管理節(jié)點，實現(xiàn)新的分類處理；計算節(jié)點的基本信息與負(fù)載信息記錄在任務(wù)管理節(jié)點的元數(shù)據(jù)管理模塊中；通過這一組織方式，實現(xiàn)計算框架良好的計算處理協(xié)同組織能力與擴展能力。
[0053]整個計算框架的基本任務(wù)協(xié)同組織邏輯如圖2所示:
[0054]其基本過程如下:
[0055]1.系統(tǒng)任務(wù)管理節(jié)點接受分析任務(wù)請求，獲取其提交的移動對象軌跡數(shù)據(jù)集MC ；
[0056]2.獲取移動對象軌跡數(shù)據(jù)集MC中對象軌跡的總數(shù)量Num(MC)；
[0057]3.根據(jù)預(yù)設(shè)的初始分類比IniD (預(yù)設(shè)值為:10% )從MC中提取額定數(shù)量的軌跡作為初始分類樣本集MC ； [0058]4.在MC中對軌跡進行分類，形成初始分類集CC ；
[0059]5.通過系統(tǒng)元數(shù)據(jù)信息獲取全部任務(wù)節(jié)點信息；
[0060]6.將對象軌跡數(shù)據(jù)集MC中的MC(1-1niD)對象的軌跡分包，并與計算節(jié)點對應(yīng)建立子任務(wù)請求；
[0061]7.將計算節(jié)點與對應(yīng)的子任務(wù)綁定，并將子任務(wù)請求、軌跡集分包、以及CC發(fā)送給對應(yīng)的計算節(jié)點；同時，在本地啟動分類值守子線程；
[0062]8.計算節(jié)點接受子任務(wù)請求、軌跡集分包以及CC，開始準(zhǔn)備計算任務(wù)；為當(dāng)前任務(wù)建立軌跡對象隊列并將軌跡集分包中的數(shù)據(jù)防治在該任務(wù)軌跡對象隊列中；同時，將CC放置在當(dāng)前任務(wù)聚類樣本集中；
[0063]9.令i = I,計算節(jié)點從當(dāng)前任務(wù)軌跡對象對立中提取第i個對象Ti ；
[0064]10.提取當(dāng)前Ti對象的軌跡特征；
[0065]11.令j = 1，從當(dāng)前聚類樣本集中提取第j個樣本對象Sj ；
[0066]12.計算當(dāng)前對象Ti與Sj的特征相似度值,記作，Tsij ;
[0067]13.令j = j+1，提取下一個樣本對象；如果提取成功執(zhí)行步驟12，否則執(zhí)行步驟14 ；
[0068]14.完成當(dāng)前Ti對象與樣本集中全部樣本的特征相似度計算，獲取相似度最高值TS，如果TS≥相似辨識閾值設(shè)置(預(yù)設(shè)值為:60% )則執(zhí)行步驟15 ;否則執(zhí)行步驟19 ；
[0069]15.通過消息中間件將當(dāng)前Ti對象與樣本對比信息廣播給其他計算節(jié)點與任務(wù)管理節(jié)點；這些節(jié)點接受到該信息后，將其同步更新在本地的聚類樣本集中；
[0070]16.令i = i+Ι，提取下一個軌跡對象，如果提取成功則執(zhí)行步驟10，否則執(zhí)行步驟17 ；
[0071]17.完成全部軌跡分析處理，將任務(wù)完成信息返回任務(wù)管理節(jié)點；
[0072]18.任務(wù)管理節(jié)點查看任務(wù)執(zhí)行日志；完成全部子任務(wù)，結(jié)束當(dāng)前分類值守子線程，將聚類樣本集中的數(shù)據(jù)處理后，輸出返回；
[0073]19.在步驟14中當(dāng)前Ti對象未與聚類樣本集中的樣本實現(xiàn)相似；計算節(jié)點該對象信息發(fā)送給任務(wù)管理節(jié)點；
[0074]20.任務(wù)管理節(jié)點收到未聚類的Ti對象信息后將緩存在本地共享數(shù)據(jù)池中；
[0075]21.分類值守子線程檢查當(dāng)前共享數(shù)據(jù)池中緩存的未聚類Ti對象數(shù)量是否超過IniD (預(yù)設(shè)值為:10% )，如果未超過，結(jié)束當(dāng)前檢查操作；否則執(zhí)行步驟22 ；
[0076]22.任務(wù)管理節(jié)點從共享數(shù)據(jù)池中提取全部為聚類的對象數(shù)據(jù)，進行分類分析處理；將形成的分類信息通過消息中間件廣播給計算節(jié)點，由其同步更新到本地的聚類樣本集中;
[0077]23.任務(wù)管理節(jié)點將形成新的分類樣本的對象從共享數(shù)據(jù)池中刪除；將未實現(xiàn)重新分類的對象繼續(xù)在緩存池中存儲，等待后續(xù)操作。
[0078]任務(wù)管理節(jié)點與計算節(jié)點
[0079]本發(fā)明在并行架構(gòu) 的基礎(chǔ)上針對大數(shù)據(jù)應(yīng)用背景下海量移動對象軌跡監(jiān)測提供技術(shù)方案。由于軌跡分析中存在大量分類、聚類操作。傳統(tǒng)的并行架構(gòu)中并行計算節(jié)點負(fù)責(zé)對數(shù)據(jù)集的特定子集進行處理，這就導(dǎo)致初始分類操作中，樣本容量與精度不足的問題；進而影響并行架構(gòu)在軌跡大數(shù)據(jù)分析中效能的發(fā)揮。針對這一問題。本發(fā)明在整體架構(gòu)設(shè)計上采用兩層基本結(jié)構(gòu)。上層的任務(wù)管理層負(fù)責(zé)作業(yè)調(diào)度的同時，還負(fù)責(zé)分類操作；下層的計算節(jié)點負(fù)責(zé)特定數(shù)據(jù)子集中對象聚類的工作；在分類-聚類的過程中，在計算節(jié)點中未能實現(xiàn)聚類匹配的節(jié)點，通過兩層節(jié)點之間的數(shù)據(jù)交換匯聚在任務(wù)管理節(jié)點的共享數(shù)據(jù)池中；任務(wù)節(jié)點負(fù)責(zé)對這些未匹配軌跡數(shù)據(jù)進行再次分類處理，形成新的分類對象后，將其分類信息同步更新到下層計算節(jié)點中，實現(xiàn)新分類對象的聚類處理；在這一架構(gòu)中任務(wù)管理節(jié)點與計算節(jié)點構(gòu)成整體協(xié)同計算的對象。
[0080]任務(wù)管理節(jié)點:如前所述，任務(wù)管理節(jié)點負(fù)責(zé)任務(wù)的作業(yè)調(diào)度與分類處理，其定義如下:
[0081]taskMgr = {ClassFilter, JobRunner, mesger, dataCache, taskffatcher, nodelnf
ο}
[0082]其由一個六元組構(gòu)成，其中:
[0083]ClassFilter是任務(wù)管理節(jié)點的分類處理器，其根據(jù)提交的軌跡數(shù)據(jù)集中的數(shù)據(jù)進行分類處理。在分類過程中依次提取軌跡數(shù)據(jù)集中軌跡的特征，通過對比實現(xiàn)類別的識別與創(chuàng)建；
[0084]JobRunner是任務(wù)管理節(jié)點的作業(yè)調(diào)度器，其根據(jù)前述的計算邏輯，將提交的分析任務(wù)請求，經(jīng)過前期處理、任務(wù)分解、作業(yè)調(diào)度、未匹配數(shù)據(jù)回收再處理、結(jié)果匯聚等步驟完成整個分析任務(wù)的執(zhí)行與協(xié)同組織；
[0085]mesger為任務(wù)管理節(jié)點的消息交換器，消息交換器與消息總線連接，通過PUB/SUB的方式建立消息主題與底層的計算節(jié)點實現(xiàn)數(shù)據(jù)交換；在任務(wù)執(zhí)行過程中，計算節(jié)點中未能實現(xiàn)匹配的軌跡對象信息通過消息總線交換到任務(wù)管理節(jié)點的消息交換器，并實現(xiàn)緩存；
[0086]dataCache為任務(wù)管理節(jié)點的數(shù)據(jù)緩存。在任務(wù)執(zhí)行過程中，數(shù)據(jù)緩存為每個任務(wù)建立緩存單元。緩存單元中緩存當(dāng)前任務(wù)計算節(jié)點提交的未匹配對象軌跡數(shù)據(jù)信息，供再次分類處理使用；dataCache的定義如下:
[0087]dataCache = {(appID, 1bjIDj j = I, 2,....m}) j | i = 1，2，....η}
[0088]其中appID為當(dāng)前任務(wù)ID ;
[0089]objID為未匹配對象的標(biāo)識信息；
[0090]taskffatcher為任務(wù)值守，其在任務(wù)執(zhí)行過程中對數(shù)據(jù)緩存中的數(shù)據(jù)進行監(jiān)測，當(dāng)數(shù)據(jù)緩存數(shù)量達(dá)到閾值設(shè)置(初始分類比IniD，預(yù)設(shè)值為:10% )時，將緩存池中的數(shù)據(jù)提取，進行再次分類分析處理；
[0091]nodeinfo為任務(wù)管理節(jié)點的元數(shù)據(jù)管理模塊，其負(fù)責(zé)維護計算節(jié)點的基本信息以及負(fù)載動態(tài)信息；根據(jù)其中的信息，任務(wù)管理節(jié)點對任務(wù)進行分解、節(jié)點綁定與作業(yè)調(diào)度；
[0092]系統(tǒng)中計算節(jié)點的元數(shù)據(jù)定義如下格式:
[0093]nodeinfo = { (ID, IP, port, cpu, cpuload, memory, memory load) j | j =1,2,……1}；
[0094]其中:ID為節(jié)點標(biāo)識； [0095]IP為計算節(jié)點的IP地址；
[0096]Port為計算節(jié)點任務(wù)通信的端口；
[0097]cpu為計算節(jié)點的CPU計算性能指標(biāo)；
[0098]cpuload為計算節(jié)點的當(dāng)前負(fù)載；在系統(tǒng)運行中，這一信息根據(jù)時間間隔設(shè)置更新；
[0099]memory為計算節(jié)點的內(nèi)存容量；
[0100]Memoryload為計算節(jié)點的內(nèi)容負(fù)載；在系統(tǒng)運行中，這一信息根據(jù)時間間隔設(shè)置更新。
[0101]圖3中展示任務(wù)管理節(jié)點整個計算任務(wù)協(xié)同組織的基本過程。
[0102]其過程如下:
[0103]1.任務(wù)管理節(jié)點接受任務(wù)請求MC ；
[0104]2.根據(jù)復(fù)雜度模型估算任務(wù)計算量；
[0105]3.根據(jù)各個計算節(jié)點負(fù)載分配計算任務(wù)；
[0106]4.完成作業(yè)調(diào)度分配；
[0107]5.在共享數(shù)據(jù)池中為當(dāng)前任務(wù)建立共享數(shù)據(jù)集，這一數(shù)據(jù)集用于計算過程中迭代分類的對象數(shù)據(jù)緩存；
[0108]6.為當(dāng)前計算任務(wù)啟動任務(wù)值守線程；值守線程負(fù)責(zé)在任務(wù)執(zhí)行過程中檢測當(dāng)前任務(wù)的共享數(shù)據(jù)集，并進行迭代分類；該線程啟動后執(zhí)行步驟13 ；
[0109]7.從當(dāng)前任務(wù)MC中提取初始分類比IniD (預(yù)設(shè)值為:10% )個對象軌跡，形成初始分類；
[0110]8.將作業(yè)調(diào)度與初始分類信息發(fā)送給計算節(jié)點并啟動并行聚類處理，并等待任務(wù)結(jié)束；
[0111]9.當(dāng)前任務(wù)進程查看是否完成全部計算處理，如果完成則執(zhí)行步驟10 ;否則繼續(xù)等待;
[0112]10.當(dāng)前任務(wù)完成全部計算，收集計算結(jié)果；
[0113]11.結(jié)束當(dāng)前任務(wù)的值守線程、銷毀共享數(shù)據(jù)池中當(dāng)前任務(wù)的共享數(shù)據(jù)集；
[0114]12.結(jié)束當(dāng)前計算任務(wù)；
[0115]13.計算任務(wù)的值守線程啟動；
[0116]14.檢測共享數(shù)據(jù)池中當(dāng)前任務(wù)的共享數(shù)據(jù)集是否達(dá)到閾值限制IniD ;如果未達(dá)至|J，繼續(xù)等待并執(zhí)行步驟14，否則執(zhí)行步驟15 ；
[0117]15.提取當(dāng)前任務(wù)共享數(shù)據(jù)集中全部未實現(xiàn)聚類匹配的對象軌跡進行新的分類計算；將形成新的分類的對象從共享數(shù)據(jù)集中刪除，為實現(xiàn)新分類的數(shù)據(jù)繼續(xù)保存；
[0118]16.將新的分類信息同步給全部計算節(jié)點；
[0119]17.查看當(dāng)前任務(wù)是否完成，如果完成則結(jié)束當(dāng)前線程；否則執(zhí)行步驟14。
[0120]計算節(jié)點:計算節(jié) 點承擔(dān)對象軌跡聚類分析的工作。在本發(fā)明中，計算節(jié)點之間通過消息中間件同步計算過程中的聚類信息，利用計算節(jié)點的協(xié)同工作完成全部聚類處理；其定義如下:
[0121]jobNode = {ID, jobRunner, jobCache, mesglnter, sampleCache, Cluster, featureFilter}
[0122]其由一個七元組構(gòu)成，其中:
[0123]ID為當(dāng)前計算節(jié)點的標(biāo)識；在整個計算架構(gòu)中，這一標(biāo)識為全局唯一；
[0124]jobRunner為當(dāng)前計算節(jié)點的任務(wù)協(xié)同接口，通過這一接口，計算節(jié)點獲取當(dāng)前任務(wù)執(zhí)行信息與初始分類信息；
[0125]jobCache為當(dāng)前計算節(jié)點的任務(wù)數(shù)據(jù)緩存池,其由一個哈希表構(gòu)成:
[0126]jobCahche = {(Hash (appIDj), MCi) i \ i = I, 2,....n}
[0127]其中:appID為當(dāng)前計算任務(wù)的標(biāo)識；其經(jīng)過哈希處理后作為當(dāng)前計算任務(wù)數(shù)據(jù)緩存
[0128]的主key !MCi為當(dāng)前計算任務(wù)分配在本節(jié)點中的MC子集；
[0129]mesglnter為當(dāng)前計算節(jié)點與消息中間件的訪問接口 ；通過這一接口同步聚類消息；同時接受迭代分類消息；
[0130]sampleCache為當(dāng)前計算節(jié)點中分類樣本集，其由一個哈希表構(gòu)成:
[0131]sampleCache = {(Hash (appIDj), ClassSeti) j | i = I, 2,.....η}
[0132]ClassSeti = {(Sample, {(MOIDk | k = I,.....p)})}；
[0133]其中Sample為當(dāng)前分類的樣本對象數(shù)據(jù)；M0IDk為當(dāng)前聚類集中與樣本匹配的對象集合；
[0134]Cluser為當(dāng)前計算節(jié)點對象聚類計算式,通過計算式實現(xiàn)對象特征與分類樣本集中樣本對比；
[0135]featrueFilter為當(dāng)前計算節(jié)點中對象特征提取模塊,通過這一模塊從對象軌跡數(shù)據(jù)中提取特征，這一特征與分類樣本集中樣本特征對比結(jié)果進行聚類；
[0136]計算節(jié)點的任務(wù)執(zhí)行過程如圖4:
[0137]其過程如下:
[0138]1.計算節(jié)點接收任務(wù)管理節(jié)點發(fā)送的調(diào)度作業(yè)；[0139]2.在本節(jié)點的數(shù)據(jù)緩存中為當(dāng)前任務(wù)建立緩存數(shù)據(jù)集，并將作業(yè)請求中的對象軌跡子集緩存在這一數(shù)據(jù)集中；
[0140]3.在本地分類樣本集中為當(dāng)前任務(wù)建立分類樣本數(shù)據(jù)集，并將作業(yè)請求中的分類樣本數(shù)據(jù)緩存在這一數(shù)據(jù)集中；
[0141]4.令i = I,計算節(jié)點從當(dāng)前任務(wù)軌跡對象對立中提取第i個對象Ti ；
[0142]5.提取當(dāng)前Ti對象的軌跡特征；
[0143]6.令j = I，從當(dāng)前聚類樣本集中提取第j個樣本對象Sj ；
[0144]7.計算當(dāng)前對象Ti與Sj的特征相似度值,記作，Tsij ；
[0145]8.令j = j+1，提取下一個樣本對象；如果提取成功執(zhí)行步驟9，否則執(zhí)行步驟10 ；
[0146]9.完成當(dāng)前Ti對象與樣本集中全部樣本的特征相似度計算，獲取相似度最高值TS，如果TS≥相似辨識閾值設(shè)置(預(yù)設(shè)值為:60% )則執(zhí)行步驟10 ;否則執(zhí)行步驟11 ；
[0147]10.通過消息中間件將當(dāng)前Ti對象與樣本對比信息廣播給其他計算節(jié)點與任務(wù)管理節(jié)點；這些節(jié)點接受到該信息后，將其同步更新在本地的聚類樣本集中，執(zhí)行步驟12 ；
[0148]11.將對象未匹配消息發(fā)送給任務(wù)管理節(jié)點，開展迭代分類；
[0149]12.令i = i+Ι，提取下一個軌跡對象，如果提取成功則執(zhí)行步驟5，否則執(zhí)行步驟13 ；
[0150]13.完成全部軌跡分析處理；
[0151]14.刪除當(dāng)前任務(wù)數(shù)據(jù)集；
[0152]15.刪除當(dāng)前任務(wù)分類樣本集；
[0153]16.將本節(jié)點的聚類結(jié)果返回給任務(wù)管理節(jié)點；
[0154]17.結(jié)束；
[0155]18.在任務(wù)執(zhí)行過程中，消息接口通過消息總線獲取當(dāng)前任務(wù)迭代分類信息；
[0156]19.將分類信息緩存在分類樣本集中；
[0157]20.在任務(wù)執(zhí)行過程中，消息接口通過消息總線獲取當(dāng)前任務(wù)同步聚類信息；
[0158]21.將同步聚類信息在當(dāng)前樣本集中更新。
[0159]計算任務(wù)拆分與調(diào)度策略
[0160]本發(fā)明以并行架構(gòu)為基礎(chǔ)，為大數(shù)據(jù)背景下海量移動對象軌跡聚類分析提供完成技術(shù)解決方案。在整個計算架構(gòu)中任務(wù)管理節(jié)點負(fù)責(zé)對任務(wù)請求的分解，調(diào)度，任務(wù)請求轉(zhuǎn)發(fā)等工作。為了充分發(fā)揮并行架構(gòu)的效能，保證計算性能，在任務(wù)調(diào)度過程中依據(jù)“負(fù)載平衡”的原則對任務(wù)包的分解構(gòu)成，請求定向綁定等操作進行處理。
[0161]分析任務(wù)的請求如下定義:
[0162]TaskReq = {MC, acFactor}
[0163]其中，MC為待分析的移動對象軌跡集，其由一組軌跡描述構(gòu)成:
[0164]MC = Iti I i = 1，2，.....η},
[0165]t = {objID，{(X，y, V, t) j I j = 1，2，.....m}}
[0166]其中，objID為對象標(biāo)識；(x，y, v, t)j為當(dāng)前對象軌跡中第j個軌跡點的坐標(biāo)、速度與時刻信息；
[0167]acFactor為當(dāng)前計算任務(wù)精度約束；
[0168]在任務(wù)執(zhí)行過程中，任務(wù)管理節(jié)點根據(jù)任務(wù)數(shù)據(jù)集與計算節(jié)點狀態(tài)，將任務(wù)分解為節(jié)點子任務(wù)執(zhí)行，子任務(wù)請求如下定義:
[0169]JobReq = {sub jobk | k = 1，2，....1}
[0170]SubJobk = {MCk, CC, appID, nodeID, acFacotr}
[0171]子任務(wù)請求由一組與計算節(jié)點數(shù)量對應(yīng)的subjob對應(yīng)；其中
[0172]MCk為當(dāng)前子任務(wù)所要處理的移動對象軌跡集；
[0173]CC為當(dāng)前任務(wù)初始初始分類集；
[0174]appID為當(dāng)前分析任務(wù)標(biāo)識；
[0175]nodeID為對應(yīng)的計算節(jié)點標(biāo)識；
[0176]調(diào)度過程就是將TaskReq分解為JobReq的邏輯過程,其定義為
[0177]schedule (TaskReq) = JobReq
[0178]這一過程如下:
[0179]i)首先從TaskReq中獲取全部待分析的移動對象軌跡集中軌跡的數(shù)量TaskNum =Num(MC)；
[0180]ii)從 TaskNum 中減去分類集 CC 的數(shù)目:TaskNum = TaskNum-1niD^TaskNum ；
[0181]iii)獲取初始分類集CC中樣本的數(shù)量:SNum = Num(CC)；
[0182]iv)計算任務(wù)總體計算量
[0183]
【權(quán)利要求】
1.一種移動對象軌跡監(jiān)測方法，采用并行架構(gòu)計算系統(tǒng)，所述系統(tǒng)分為任務(wù)管理層與協(xié)同計算層，所述任務(wù)管理層包括若干任務(wù)管理節(jié)點，所述協(xié)同計算層包括若干計算節(jié)點；其步驟包括: 1)對待監(jiān)測移動對象軌跡進行采集，獲取移動對象軌跡數(shù)據(jù)集； 2)通過一應(yīng)用任務(wù)向一任務(wù)管理節(jié)點提交所述移動對象軌跡數(shù)據(jù)集以及設(shè)定的計算請求； 3)所述任務(wù)管理節(jié)點對所述移動對象軌跡數(shù)據(jù)集進行初始分類得到初始分類樣本集，并根據(jù)各個計算節(jié)點當(dāng)前負(fù)載狀態(tài)分配計算任務(wù)數(shù)據(jù)集； 4)所述任務(wù)管理節(jié)點根據(jù)所述計算任務(wù)數(shù)據(jù)集依次啟動計算節(jié)點上的計算子任務(wù)對移動對象軌跡數(shù)據(jù)集進行聚類分析，得到分類樣本集信息及聚類子集信息， 5)任務(wù)管理節(jié)點匯總各分類樣本集信息及聚類子集信息，得到聚類結(jié)果軌跡； 6)根據(jù)所述聚類結(jié)果軌跡進行移動對象的空間分布監(jiān)測或行為模式監(jiān)測。
2.如權(quán)利要求1中所述的移動對象軌跡監(jiān)測方法，所述步驟4)中聚類分析過程包括以下分步驟: 4-1)計算節(jié)點從移動對象軌跡數(shù)據(jù)集中提取一個當(dāng)前對象的軌跡數(shù)據(jù)，通過計算當(dāng)前對象的矢量畸變引導(dǎo)因子，根據(jù)系統(tǒng)閾值設(shè)置與矢量畸變引導(dǎo)因子的對比，確定當(dāng)前對象的軌跡數(shù)據(jù)的特征點，根據(jù)特征點重構(gòu)當(dāng)前對象軌跡的幾何形狀，得到特征點重構(gòu)軌跡；4-2)從初始分類樣本集中提取一個樣本對象，計算該樣本對象的矢量畸變引導(dǎo)因子與特征點，將該樣本對象的特征點投影到該樣本對象的距離維度投影空間中； 4-3)根據(jù)距離增量判斷當(dāng)前對象與前述樣本對象的幾何相似度，當(dāng)幾何相似度達(dá)到閾值設(shè)置時，將其作為有效對象進行相似度分析，否則將其作為未匹配對象； 4-4)將4-1)中獲取的特征點重構(gòu)軌跡投影到4-2)中獲取的樣本對象的距離維度投影空間中，計算當(dāng)前對象與樣本對象在距離維度投影空間中的相似度，根據(jù)閾值設(shè)置判斷當(dāng)前對象與樣本對象的軌跡是否相似，如果達(dá)到閾值設(shè)置則將當(dāng)前對象作為樣本對象的有效聚類對象，否則作為未匹配對象； 4-5)計算當(dāng)前對象與初始分類樣本集中全部樣本對象的聚類分析相似度取值，獲取最高聚類分析相似度對應(yīng)的樣本對象，將當(dāng)前對象作為所述樣本對象的聚類子集； 4-6)如所述樣本對象實現(xiàn)聚類匹配則通過消息中間件廣播前述聚類子集的更新信息，否則計算節(jié)點通知任務(wù)管理節(jié)點緩存該樣本對象的未匹配對象的信息； 4-7)任務(wù)管理節(jié)點緩存全部計算節(jié)點通知的未匹配對象的信息；當(dāng)未匹配對象數(shù)量達(dá)到閾值設(shè)置時，將緩存的未匹配對象進行重新分類處理，得到新增的分類樣本集，并將新增分類樣本信息與聚類子集信息通過消息中間件廣播給全部計算節(jié)點更新； 4-8)對移動對象軌跡數(shù)據(jù)集中所有移動對象軌跡進行前述4-1)至4-7)所述的聚類分析，計算節(jié)點匯聚新增的分類樣本集的信息與聚類子集信息到任務(wù)管理節(jié)點。
3.根據(jù)權(quán)利要求1所述的移動對象軌跡監(jiān)測方法，其特征在于，所述任務(wù)管理節(jié)點用以實現(xiàn)作業(yè)調(diào)度及分類操作，計算節(jié)點用以實現(xiàn)對象軌跡聚類分析，計算節(jié)點之間以及計算節(jié)點與任務(wù)管理節(jié)點之間通過消息中間件通信；步驟I)中所述采集過程為，在移動對象上安裝定位傳感裝置，并以一定的頻率上報其空間位置的軌跡數(shù)據(jù)，再對軌跡數(shù)據(jù)進行收集，經(jīng)過時序組織后得到移動對象軌跡數(shù)據(jù)集。
4.根據(jù)權(quán)利要求3所述的移動對象軌跡監(jiān)測方法，其特征在于，任務(wù)管理節(jié)點還用以實現(xiàn)計算過程中的迭代分類；計算節(jié)點之間通過協(xié)同方式實現(xiàn)樣本對象在初始分類樣本集中有效聚類對象的匹配。
5.根據(jù)權(quán)利要求1所述的移動對象軌跡監(jiān)測方法，其特征在于，步驟3)及步驟4)中，根據(jù)移動對象軌跡數(shù)據(jù)集的規(guī)模評估計算復(fù)雜度:TaskLoad = O(TaskNum-1SNum) ^O(HvcragcO)), I g MC 計算節(jié)點的當(dāng)前負(fù)載狀態(tài)根據(jù)計算節(jié)點負(fù)責(zé)監(jiān)控的信息動態(tài)評估:
CAP = y"(l-cpuload,.)*cpu,.,cpu,.e nodef,Cpiiloadj g node,,node, e nodes 在前述信息動態(tài)評估的基礎(chǔ)上獲得計算任務(wù)數(shù)據(jù)集的規(guī)模/處理能力:
CAPRATE = Taskload/CAP ； 由此分配分配計算任務(wù)數(shù)據(jù)集，并啟動各個計算節(jié)點的子任務(wù):
NumMCk ^ CAPTATEX (l-cpuloadk) Xcpuloadk,
NumMCk+s>Num (MC) — NumMCk = Num (MC)-S。
6.根據(jù)權(quán)利要求4所述的移動對象軌跡監(jiān)測方法，其特征在于，通過消息隊列的方式實現(xiàn)計算過程中的迭代分類；在后續(xù)的計算中，各個計算節(jié)點將子任務(wù)數(shù)據(jù)集中軌跡與新增的分類樣本集進行聚類處理；在消息隊列中，迭代分類請求消息隊列的消息發(fā)布者為全部計算節(jié)點，消息接收者為任務(wù)管理節(jié)點；消息定義如下:
classReqMsg = {appID, nodeID, MOID, closeTo, simValue} 迭代分類同步消息隊列的發(fā)布者為任務(wù)管理節(jié)點，消息接收者為全部計算節(jié)點，消息定義如下:
ClassInfo = {appID, classID, sample, MC}。
7.根據(jù)權(quán)利要求2所述的移動對象軌跡監(jiān)測方法，其特征在于，步驟4-1)中根據(jù)距離增量與偏移量的對比分布計算軌跡的矢量畸變引導(dǎo)因子，當(dāng)某個軌跡點的數(shù)值超過閾值設(shè)置則將其識別為特征點，一個軌跡的特征由一組特征點構(gòu)成；同時，特征點中保留原始軌跡距離增量的數(shù)值，通過特征點重構(gòu)軌跡的幾何形狀的方式壓縮軌跡的數(shù)據(jù)量，同時保證后續(xù)投影過程中當(dāng)前對象的數(shù)據(jù)精度。
8.根據(jù)權(quán)利要求2所述的移動對象軌跡監(jiān)測方法，其特征在于，步驟4-2)所述距離維度投影空間為I維空間。
9.根據(jù)權(quán)利要求2所述的移動對象軌跡監(jiān)測方法，其特征在于，步驟4-4)中所述當(dāng)前對象的特征點投影到樣本對象的距離維度投影空間中，獲得的投影點與樣本特征點之間通過距離比判斷計算有效性，當(dāng)投影點與最近的樣本對象的特征點之間距離比在閾值范圍內(nèi)時，將投影點中的特征信息與該樣本對象的特征點進行對比計算，否則通過插值的方式在投影空間中獲取投影點對應(yīng)位置上的特征信息。
10.根據(jù)權(quán)利要求9所述的移動對象軌跡監(jiān)測方法，其特征在于，步驟4-4)中計算投影點與樣本對象特征點的特征信息構(gòu)成分析空間維度，通過計算兩者在所述分析空間維度中信息的夾角與位置關(guān)系確定投影點與樣本對象特征點的相似值；一個當(dāng)前對象與樣本對象的相似度由該當(dāng)前對象全部特征點的投影點與樣本對象的特征點的相似值累加構(gòu)成，當(dāng)前述當(dāng)前對象與樣本的相似度達(dá)到精度要求時則將其視作與該樣本對象相似的有效聚類對象，否則視為未匹配 對象。
【文檔編號】G06F19/00GK104036139SQ201410260980
【公開日】2014年9月10日 申請日期:2014年6月12日 優(yōu)先權(quán)日:2014年6月12日
【發(fā)明者】郭皓明, 丁治明, 張?zhí)鞛? 徐懷野, 郭黎敏 申請人:中國科學(xué)院軟件研究所