基于时空立方体的轨迹相似性度量结题报告.docVIP

基于时空立方体的轨迹相似性度量结题报告

一、研究背景与问题提出

在移动互联网、物联网和定位技术飞速发展的今天，人类与物体的时空轨迹数据呈爆炸式增长。从城市交通中的车辆行驶路径、物流配送的货物运输轨迹，到智能手机用户的移动记录、野生动物的迁徙路线，轨迹数据蕴含着个体行为模式、群体运动规律、空间资源利用等多维度的关键信息。轨迹相似性度量作为轨迹数据挖掘的核心基础任务，其结果直接影响着轨迹聚类、异常检测、模式识别、路径预测等上层应用的准确性与可靠性。

传统的轨迹相似性度量方法主要基于轨迹点的欧氏距离、动态时间规整（DTW）、最长公共子序列（LCSS）等算法。然而，这些方法大多将轨迹视为时间序列或空间点集的简单组合，割裂了轨迹在时间与空间维度上的内在关联。例如，欧氏距离仅考虑轨迹点在空间上的位置差异，忽略了时间维度上的先后顺序与速度变化；DTW虽然能处理时间轴上的伸缩变形，但对空间维度的拓扑结构捕捉不足；LCSS则侧重于轨迹的公共部分，难以全面衡量整体的相似性。

随着轨迹数据复杂度的提升，传统方法在处理具有非线性、非均匀采样、多模态特征的轨迹时表现出明显局限性。例如，在城市交通场景中，两条轨迹可能在空间路径上高度重合，但由于出发时间、行驶速度的不同，其实际的行为模式与交通状态关联存在显著差异；而在野生动物迁徙研究中，轨迹的时间周期性与空间季节性变化是分析迁徙规律的关键，传统方法无法有效融合