Journal of Guilin University of Technology.
2022, 42(4):
977-987.
为了尽可能多地保留有效轨迹信息, 并更好地平衡有效轨迹信息与全局压缩效率之间的动态关联关系, 利用海量移动轨迹数据, 提出了一种基于Douglas Peucker-particle swarm optimization(DP-PSO)的车辆GPS 轨迹时空自适应离线压缩算法。首先, 根据原始轨迹时空特性, 在第一阶段利用MDL 分割框架对筛选出的有效轨迹进行初步分割, 获取表征原始轨迹特性的轨迹分段数; 然后, 在第二阶段考虑偏移角度、垂直欧氏距离、轨迹分段数等多种影响因素, 建立基于DP-PSO 的车辆GPS 轨迹时空自适应离线压缩算法,动态调整各参数阈值将所有轨迹同化为具有相似特性的一类轨迹簇, 建立能够全面反映压缩结果的空间、时间特征的评价指标, 实现所有轨迹的全局优化和有效压缩; 最后, 选择某城市车辆GPS 轨迹数据验证本算法的可靠性。结果表明: 与经典的TRACLUS 算法和新算法TCDP、RSF、Top-Down Time Ratio 相比, 在轨迹压缩的准确性上, 本文算法在保留较多特征轨迹点的同时, 也涵盖了较丰富的轨迹信息。在精简性方面,本文算法在轨迹压缩数的平均变化量, 相比于其他4 种算法分别减少了55. 823%、45. 802%、50. 815%和32. 566%。在复杂度方面, 本文算法不仅能获得较好的压缩精度, 还能在压缩时间上相较于其他4 种算法有较大优势, 且稳定在101095 ms 左右, 提升轨迹压缩的整体运行效能。