我们的生活：评估日常位置轨迹的相似度解析.docx

我们的生活：评估日常位置轨迹的相似度James Biagioni1 and John Krumm2 1 Department of Computer Science, University of Illinois at Chicago, Chicago, IL, USA jbiagi1@ 2 Microsoft Research, Microsoft Corporation, Redmond, WA, USA jckrumm@摘要。我们开发和测试的算法是基于GPS记录的个人日常位置轨迹的相似度的评估。一份精确的相似度评估可以被用来发现异常行为，聚类相似的天数，并且预测未来的旅程。我们根据30名志愿测试者的46天的GPS轨迹，收集了一份平均数据。每个测试者每天随机匹配并且被要求评估它们的相似度。我们测试了8种不同的相似度算法以准确再现我们的测试者的评估结果，并且我们的统计测试发现有2种算法比其他算法优秀。我们也成功的运用其中一种相似度算法于通过使用位置轨迹聚集相似的天数。关键词：位置轨迹，相似度，异常检测，聚类。1 介绍消费者和企业都意识到了通过位置轨迹来了解日常习惯和预测临时的需求的价值，并且安装了GPS的智能手机的大量使用使得这些更容易收集。这些轨迹可以帮助我们了解日常活动；特别的是，我们可以使用位置轨迹发现异常的天和聚类相似的天，以使得更好的了解我们的日常行程。这两个任务都需要一种方法来比较这些天和其他的不同。本文开发和测试算法测算相似天数来表示位置轨迹，从真实用户的相似性评估测试。通过可靠的方法测算相似度，我们可以发现与其它截然不同的异常天数，比如暗示混淆（一个重要的在人群中检测到认知障碍的用户的现象）或者某种习惯的改变。我们也可以将属于一起的天数做出合理的归类来获取他们的变化并且预测一天会如何发展，为未来适应系统的影响力提供有用的基础知识。我们相信这是第一次使用位置轨迹以人类的评估的方式来测算天数的相似度。各种各样的传感器可以用来描述一天的数据，比如测算一个人的手机，台式电脑，车辆，社交网站，生物识别传感器等等活动。我们的工作是针对位置轨迹，通常使用GPS来测算。这样的一个好处是，位置是一个持续存在的状态（如果不是总是可以测量的话），而不是基于事件的活动，比如短信活动，这只是偶尔发生。大多数人的位置也是不断变化的并且在户外是易于使用GPS来测算的。这些特征使得位置成为一个很方便的测算天数之间的相似度的变量。地理信息系统社区已经广泛的关注位置轨迹的相似度，比如，【1】，但是这些努力主要是机器处理过程。我们感兴趣的是匹配人类评估的相似度，这似乎更常见于异常检测的研究中。在【2】中，Ma从GPS轨迹中检测到的异常首先呈现一个正常轨迹作为地面矩阵序列的结果。如果一个新的矩阵轨迹与其他正常轨迹完全不同，那么一个异常会被申明。这里的相似度测算是明确的，它依赖于一个在正常行程和查询行程之间的地理差异的数量测算。同时它也忽略的时间。在【3】中，Patterson等进行了基于GPS跟踪的异常行为检测。他们基于一个人的历史GPS轨迹建立了一个动态的概率模型。如果建立的模型的不准确度超过了一般先验模型，那么系统就会申明一个异常。这是一个隐含的相似度测算的例子。【2】和【3】的目的都在于检测生活中认知障碍的异常。【4】中Giroux等人的系统也是同样的目的，只有他们在家中使用传感器检测与预定义日常行程不同的异常，比如制作咖啡。如果违反了事件的正常序列或者该序列的时间与正常有所不同，那么一个异常会被申明。研究人员也在录像中检测到异常比如Xian和Gong【5】，他们的系统能自动建立正常的模型。所有这些技术都依赖于从观察学会某种正常行为的模型，这意味着他们必须接受新的训练。我们的目标之一就是找到一个单一的相似度量测算工作是否适合多人，且不需要经过任何培训。此外，以前的技术检测基于研究者设计的算法或阀值的不同行为。相反，我们的另一个目标就是找到一个相似度量能近似估算一个人类主题的数据。实现这些目标将使我们能够提供一种未来的自适应系统的方法来准确地再现评估人类一天的相似度且对一般人效果很好不需要任何训练，也许有助于缓解相关应用领域的冷启动问题。为此，我们从30名支援测试者中收集了他们的GPS数据并让他们评估他们每天的相似度。有了这些真实数据，我们进行了各种相似度测算并且找出了2种方法能够较好的再现测试者的评估结果。我们先论述如何从实验中收集到数据。2 GPS数据和进程为了完成基于位置轨迹天数相似度的评估实验的结果，我们收集到的数据来自志愿者的车辆。本节展现了我们为了第三节的实验准备的数据的记录和处理过程。图1.一段间隔10S的 GPS采样点的段序列2.1 志愿者的GPS数据我们记录了30名志愿者（8名女性）的GPS数据。每位志愿者借了一台Roy