| 算法类别 | 轨迹采集方式 | 分类器 | 轨迹特征 | 作者 | 优缺点 | | 运动特征 | GPS | 专家系统 | 最大速度的95%,平均速度,平均移动速度,段出现的位置是否有基础设施且接近程度值 | Biljecki F[1] | 该类方法结合轨迹的特点以及统计学知识,提取具有较强识别能力的运动特征,但没有考虑到轨迹出现的地点以及具体时间信息 | | GPS | 决策树、支持向量机、贝叶斯网络、条件随机域 | 角度变化率 (HCR),停留次数比例 (SR)与速度变化率 (VCR) | Zheng Y[3, 18] | | GPS | 无监督学习 | 最大速度分布情况 | Lin M[17] | | GPS | 决策树+隐马尔可夫 | 单条轨迹特征,前后段轨迹类别转换特征,地理数据特征 | Zhu Y[6] | | GPS、加速度计数据、陀螺仪数据 | k近邻、支持向量机、决策树、Bagging与随机森林 | 加速度、速度、谱熵等165个特征值 | Jahangiri A[19] | | GPS | 支持向量机 | 运动轨迹的全局特征与局部特征 | 朱进[23] | | GPS | 支持向量机 | 加速度、减速度、加速度和减速度标准偏差 | Sun Z[32] | | 加速度计、 陀螺仪 | 支持向量机、神经网络、决策树、Boosted Decision Tree、随机森林与朴素贝叶斯 | 两传感器数据标准差、偏度和峰度 | Shafique M A[20] | | GPS | 神经网络 | 平均速度、停留时间、关键点信息等 | Gonzalez P A[11] | | GPS | 高斯混合模型 | 速度信息 | Zhu W[15] | | GPS,加速度计 | 决策树+隐马尔可夫模式 | 均值,方差等 | Reddy S[21] | | GPS、真实交通数据 | 贝叶斯、决策树、随机森林 | 速度信息、平均车辆亲密度、平均铁路亲密度、平均候选车辆亲密度 | Stenneth L[33] | | GPS | 支持向量机 | 速度、加速度 | Bolbol A[22] | | gms、wifi | 决策树 | 基站信息、信号强度、接入wifi的持续时间等 | Mun M[34] | | 分类规则 | GPS、呼叫详细记录 | 支持向量机 | 起点位置、终点位置、从起点到终点的运动时间 | Wang H[14] | 该类方法充分利用训练数据,挖掘具有较强识别能力的分类规则,考虑到轨迹的时间以及地点信息,但仅适用于训练数据足够充分,便于挖掘规律的情况 | | GPS | 支持向量机 | 区域分类规则、路径分类规则 | Brinkhoff T[28]、Lee J G[4]、
Patel D[5] | | 图像信号 | 加速度计 | Adaboost+隐马尔可夫 | 基于帧的特征、基于峰值的特征(加速度)、基于段的特征值 | Hemminki S[35] | 该类方法更加注重轨迹形状对轨迹分类结果的影响,但轨迹转化为图像或信号时,并不能将时间信息考虑进去 | | GPS | 支持向量机 | 墨西哥帽小波、回归系数等5种特征的平均值与标准差 | Macdonald A[30] | | GPS | 逻辑回归、支持向量机、决策树 | 转化为图像,使用神经网络自动生成特征 | Endo Y[31] |
|