English
2019_A Novel Spatial-Temporal Fusion Framework based on Object Trajectories
文件大小：
335k
资源说明：### 基于对象轨迹的一种新型时空融合框架
#### 概述
本文介绍了一种基于对象轨迹的新型时空融合框架，旨在通过模糊化的时空痕迹来识别特定用户（如嫌疑人）。随着信息技术的发展，城市中的各类传感器可以捕捉到居民的活动轨迹。公共安全部门近年来对利用这些数据来识别特定个人（如犯罪嫌疑人）表现出了浓厚的兴趣。虽然大量的时空记录具有一定的优势，但由于这些活动记录包含了高阶且稀疏的时间和空间上下文信息，因此识别用户变得尤为困难，特别是对于小群体的个体。
#### 研究背景与动机
犯罪状况分析及犯罪趋势预测一直是公共安全部门关注的核心问题之一。由于人的活动轨迹具有多样性和稀疏性，因此识别嫌疑人并非易事。本文的研究重点是通过已知目标人群的活动轨迹来预测潜在的嫌疑人。这些已知的目标群体可能彼此之间存在紧密联系，因此研究结果具有重要的理论指导意义。
#### 方法论
本文提出了一种用于通过模糊化时空痕迹来识别用户的框架。该方法首先从多个角度提取特征，并生成TSGH（时间切片GeoHash模型）和STPS（时空比例与相似性模型）。所有这些特征随后与经典分类模型相结合，以区分不同的用户。
- **TSGH模型**：该模型将时空数据进行分割，每个时间段内的地理位置采用GeoHash编码表示，以便高效存储和查询。
- **STPS模型**：此模型衡量不同时间段内用户活动的空间分布比例及其与其他用户的相似度，从而捕捉用户的时空行为模式。
通过实验设置真实世界的数据集并采用精确率和召回率等评估指标，验证了所提方法的有效性。实验结果显示，模糊操作能够更好地描述轨迹特性并提高预测性能。
#### 关键技术点
1. **时空数据处理**：时空数据因其独特的时空属性，在处理时需考虑时间和空间两个维度的信息。
2. **特征提取**：从多个角度提取有效的时空特征是提高识别准确性的关键步骤。
3. **TSGH模型**：时间切片GeoHash模型能够有效地压缩和组织时空数据，便于后续处理。
4. **STPS模型**：时空比例与相似性模型可以量化不同用户在不同时段的活动分布特点，有助于发现异常行为。
5. **融合策略**：将提取的多种特征与传统分类算法结合，形成一套完整的识别系统。
#### 实验设计与结果
为了验证所提出的时空融合框架的有效性，研究人员构建了一个真实世界的数据集来进行实验。通过对不同用户的活动轨迹进行分析，采用精度和召回率作为主要评估标准，结果显示该方法能够显著提高识别准确性。
#### 结论
本文提出了一种基于对象轨迹的新型时空融合框架，该框架通过模糊化的时空痕迹识别用户，特别是在小群体中的个体识别方面表现出色。实验结果表明，这种方法不仅能够有效提升识别精度，而且为公共安全领域提供了有力的技术支持。未来的研究方向可能包括进一步优化特征提取方法以及扩展应用场景等。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
