تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,035 |
تعداد مشاهده مقاله | 52,540,857 |
تعداد دریافت فایل اصل مقاله | 15,245,095 |
معیار شباهت مسیرهای حرکت مبتنی بر فاصله پاره خطی با استفاده از انحراف زمانی | ||
مجله مهندسی برق دانشگاه تبریز | ||
مقاله 15، دوره 49، شماره 2 - شماره پیاپی 88، مرداد 1398، صفحه 645-656 اصل مقاله (1.24 M) | ||
نویسندگان | ||
امیر سالارپور؛ حسن ختن لو* | ||
دانشکده مهندسی - دانشگاه بوعلی سینا | ||
چکیده | ||
مهمترین مسئله در آنالیز مسیر حرکت اجسام متحرک، به دست آوردن شباهت بین مسیرهای حرکت است. در این مقاله یک روش جدید برای اندازهگیری شباهت بین مسیرهای حرکت مبتنی بر هزینه تطبیق مجموعه پارهخطهای مسیرهای حرکت به همراه تکنیک پیچوتاب زمانی ارائه شده است. شباهت بین دو مسیر حرکت به عنوان حداقل هزینه لازم برای تطبیق یک مسیر حرکت به دیگری تعریف میشود. برای تطبیق یک مسیر حرکت به دیگری، فاصله پارهخطی به صورت میزان هزینه لازم برای تطبیق یک پارهخط به پارهخط دیگر، معرفی شده است. همچنین از تکنیک برنامهنویسی پویا برای پیادهسازی پیچوتاب زمانی و حل مشکل انتقال مکانی استفاده شده است. معیار شباهت پیشنهادی به جای مقایسه مسیرها بر اساس مکان نقاط، از مقایسه پاره خطهای مسیر سود میبرد که کمک بیشتری به مقایسه ساختاری مسیرها میکند. به منظور ارزیابی روش پیشنهادی با روشهای مشابه کاربرد آن را در طبقه بندی نزدیکترین همسایگی مسیر حرکت بررسی نمودهایم. نتایج آزمایشهای انجام شده نشان میدهد معیار شباهت پیشنهادی در قیاس با روشهای مشابه دارای صحت و میانگین رتبه بهتری است. | ||
کلیدواژهها | ||
آنالیز مسیر حرکت؛ معیار شباهت؛ فاصله پارهخطی؛ پیچوتاب زمانی | ||
مراجع | ||
[1] J. D. Mazimpaka and S. Timpf, "Trajectory data mining: A review of methods and applications," Journal of Spatial Information Science, vol. 2016, no. 13, pp. 61-99, 2016. [2] حسین خندانی, سید محمد مهدی دهقان و هادی مرادی, «الگوریتم واگذاری هدف متحرک زمینی میان دو پهپاد با قید بیشترین پوششدهی منطقهای», مجله مهندسی برق دانشگاه تبریز, دوره 47، شماره 3، صفحه 999-989، 1396. [3] مصطفی یحییآبادی و علیرضا صدوقی, «تعیین نواحی با بیشترین احتمال برخورد صاعقه در ساختارهای پیچیده بهمنظور بهینهسازی سیستم حفاظت», مجله مهندسی برق دانشگاه تبریز, دوره 46، شماره 2، صفحه 377-369، 1395. [4] K. Toohey and M. Duckham, "Trajectory similarity measures," SIGSPATIAL Special, vol. 7, no. 1, pp. 43-50, 2015. [5] N. Magdy, M. A. Sakr, T. Mostafa, and K. El-Bahnasy, "Review on trajectory similarity measures," IEEE Seventh International Conference on Intelligent Computing and Information Systems (ICICIS), pp. 613-619, 2015. [6] B. Morris and M. Trivedi, "Learning trajectory patterns by clustering: Experimental studies and comparative evaluation," IEEE Conference on Computer Vision and Pattern Recognition(CVPR), pp. 312-319, 2009. [7] C. Kleist, Time Series Data Mining Methods: A Review, Humboldt-Universität zu Berlin, 2015. [8] J. Lines and A. Bagnall, "Time series classification with ensembles of elastic distance measures," Data Mining and Knowledge Discovery, vol. 29, no. 3, pp. 565-592, 2015. [9] U. Mori, A. Mendiburu, and J. A. Lozano, Distance Measures for Time Series in R: The TSdist Package, r-project,2015. [10] C. Faloutsos, M. Ranganathan, and Y. Manolopoulos, "Fast subsequence matching in time-series databases," ACM, 1994. [11] J. P. Wu and S. Wei, Time series analysis, Hunan Science and Technology Press,ChangSha, 1989. [12] L. R. Rabiner and B. H. Juang, Fundamentals of speech recognition, 1993. [13] D. J. Berndt and J. Clifford, "Using dynamic time warping to find patterns in time series," KDD workshop, vol. 10, no. 16, pp. 359-370, 1994. [14] M. Vlachos, G. Kollios, and D. Gunopulos, "Discovering similar multidimensional trajectories," 18th International Conference on Data Engineering, pp. 673-684, 2002. [15] L. Chen and R. Ng, "On the marriage of lp-norms and edit distance," Proceedings of the Thirtieth international conference on Very large data bases, pp. 792-803, 2004. [16] L. Chen, M. T. Özsu, and V. Oria, "Robust and fast similarity search for moving object trajectories," Proceedings of the 2005 ACM SIGMOD international conference on Management of data, pp. 491-502, 2005. [17] M. D. Morse and J. M. Patel, "An efficient and accurate method for evaluating time series similarity," Proceedings of the 2007 ACM SIGMOD international conference on Management of data, pp. 569-580, 2007. [18] P. F. Marteau, "Time warp edit distance with stiffness adjustment for time series matching," IEEE Trans Pattern Anal Mach Intell, vol. 31, no. 2, pp. 306-18, Feb 2009. [19] A. Stefan, V. Athitsos, and G. Das, "The move-split-merge metric for time series," IEEE transactions on Knowledge and Data Engineering, vol. 25, no. 6, pp. 1425-1438, 2013. [20] F. Hausdorff, Mengenlehre. Walter de Gruyter Berlin, 1927. [21] J. Lou, Q. Liu, T. Tan, and W. Hu, "Semantic interpretation of object activities in a surveillance system," 16th International Conference on Pattern Recognition, 2002. Proceedings, vol. 3, pp. 777-780, 2002. [22] H. Alt and M. Godau, "Computing the Fréchet distance between two polygonal curves," International Journal of Computational Geometry & Applications, vol. 5, no. 01n02, pp. 75-91, 1995. [23] T. Eiter and H. Mannila, Computing discrete Fréchet distance, Citeseer, 1994. [24] P. C. Besse, B. Guillouet, J.-M. Loubes, and F. Royer, "Review and Perspective for Distance-Based Clustering of Vehicle Trajectories," IEEE Transactions on Intelligent Transportation Systems, vol. 17, no. 11, pp. 3306-3317, 2016. [25] H. Sakoe and S. Chiba, "Dynamic programming algorithm optimization for spoken word recognition," IEEE transactions on acoustics, speech, and signal processing, vol. 26, no. 1, pp. 43-49, 1978. [26] T. Górecki and M. Łuczak, "Using derivatives in time series classification," Data Mining and Knowledge Discovery, pp. 1-22, 2013. [27] G. E. Batista, E. J. Keogh, O. M. Tataw, and V. M. De Souza, "CID: an efficient complexity-invariant distance for time series," Data Mining and Knowledge Discovery, vol. 28, no. 3, pp. 634-669, 2014. [28] J. Chen, M. K. Leung, and Y. Gao, "Noisy logo recognition using line segment Hausdorff distance," Pattern recognition, vol. 36, no. 4, pp. 943-955, 2003. [29] J.-G. Lee, J. Han, and K.-Y. Whang, "Trajectory clustering: a partition-and-group framework," Proceedings of the 2007 ACM SIGMOD international conference on Management of data, pp. 593-604, 2007. [30] E. Keogh and S. Kasetty, "On the need for time series data mining benchmarks: a survey and empirical demonstration," Data Mining and knowledge discovery, vol. 7, no. 4, pp. 349-371, 2003. [31] X. Wang, A. Mueen, H. Ding, G. Trajcevski, P. Scheuermann, and E. Keogh, "Experimental comparison of representation methods and distance measures for time series data," Data Mining and Knowledge Discovery, pp. 1-35, 2013. [32] A. Bagnall and J. Lines, "An experimental evaluation of nearest neighbour time series classification," arXiv preprint arXiv:1406.4757, 2014. [33] Z. Zhang, K. Huang, and T. Tan, "Comparison of similarity measures for trajectory clustering in outdoor surveillance scenes," 18th International Conference on Pattern Recognition, vol. 3, pp. 1135-1138, 2006. [34] W. Kadous, GRASP: Recognition of Australian sign language using Instrumented gloves, 1995. [35] W. Hu, X. Li, G. Tian, S. Maybank, and Z. Zhang, "An incremental DPMM-based method for trajectory clustering, modeling, and retrieval," IEEE Trans Pattern Anal Mach Intell, vol. 35, no. 5, pp. 1051-65, May 2013. [36] C. Beyan and R. B. Fisher, "Detection of Abnormal Fish Trajectories Using a Clustering Based Hierarchical Classifier," BMVC, 2013. [37] R. Ramos-Garijo, S. Martín, A. Marzal, F. Prat, J. M. Vilar, and D. Llorens, "An input panel and recognition engine for on-line handwritten text recognition," Frontiers in Artificial Intelligence and Applications, vol. 163, p. 223, 2007. [38] R. Kohavi, "A study of cross-validation and bootstrap for accuracy estimation and model selection," Ijcai, vol. 14, no. 2, pp. 1137-1145, 1995. [39] Y. S. Abu-Mostafa, M. Magdon-Ismail, and H.-T. Lin, Learning from data. AMLBook New York, NY, USA:, 2012. [40] D. M. Powers, "Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation," 2011. | ||
آمار تعداد مشاهده مقاله: 506 تعداد دریافت فایل اصل مقاله: 424 |