معيار شباهت مسيرهاي حركت مبتني بر فاصله پاره خطي با استفاده از انحراف زماني

Line-Segment based Trajectory Similarity Measure using Time Warping Technique

مهم‌ترين مسئله در آناليز مسير حركت اجسام متحرك، به دست آوردن شباهت بين مسيرهاي حركت است. در اين مقاله يك روش جديد براي اندازه‌گيري شباهت بين مسيرهاي حركت مبتني بر هزينه تطبيق مجموعه پاره‌خط‌هاي مسيرهاي حركت به همراه تكنيك پيچ‌وتاب زماني ارائه شده است. شباهت بين دو مسير حركت به عنوان حداقل هزينه لازم براي تطبيق يك مسير حركت به ديگري تعريف مي‌شود. براي تطبيق يك مسير حركت به ديگري، فاصله پاره‌خطي به صورت ميزان هزينه لازم براي تطبيق يك پاره‌خط به پاره‌خط ديگر، معرفي شده است. همچنين از تكنيك برنامه‌نويسي پويا براي پياده‌سازي پيچ‌وتاب زماني و حل مشكل انتقال مكاني استفاده شده است. معيار شباهت پيشنهادي به جاي مقايسه مسيرها بر اساس مكان نقاط، از مقايسه پاره خط‌هاي مسير سود مي‌برد كه كمك بيشتري به مقايسه ساختاري مسيرها مي‌كند. به منظور ارزيابي روش پيشنهادي با روش‌هاي مشابه كاربرد آن را در طبقه بندي نزديكترين همسايگي مسير حركت بررسي نموده‌ايم. نتايج آزمايش‌هاي انجام شده نشان مي‌دهد معيار شباهت پيشنهادي در قياس با روش‌هاي مشابه داراي صحت و ميانگين رتبه بهتري است.

The most important issue with trajectory analysis is calculating similarity between trajectories. In this paper a novel method for measuring similarity between trajectories based on the cost to match a set of trajectories segments was introduced. The similarity between two trajectories is defined as a minimum cost to match a trajectory to the other one. For this purpose, the segment based distance was introduced to as a cost of matching two trajectories segments. In addition, the dynamic programming technique is used to implement the time warp method. We performed some experiments to compare the proposed similarity measure with the similar approaches in the application of trajectory classification. The empirical quality of the proposed similarity measure was evaluated on 1-nearest neighbor (1-NN) classification task using 13 publicly available data sets. Compared to the other well-known similarity measures, the proposed method proved to be effective in the considered experiments based on the accuracy of classification.