一种用于轨迹相似度度量的原则性分布方法
机器学习
2023-01-03 v1
摘要
现有的轨迹度量与表示方法存在两个长期存在的根本性缺陷，即计算代价高昂，且无法保证距离函数的“唯一性”性质：dist(X,Y) = 0 当且仅当 X=Y，其中 和 为两条轨迹。本文提出一种简单而强大的方法，利用分布核来表示轨迹并度量两条轨迹之间的相似性，以解决这些缺陷。这是一种基于核均值嵌入的原则性方法，具有坚实的理论基础。与现有方法相比，它具有三个显著特征：(1) 首次将分布核用于轨迹表示与相似度度量；(2) 不依赖于大多数现有轨迹距离所使用的逐点距离；(3) 与现有的学习和深度学习方法不同，它无需学习。我们在三个应用中展示了这一新方法的通用性：(a) 轨迹异常检测，(b) 异常子轨迹检测，以及 (c) 轨迹模式挖掘。我们指出分布核具有 (i) 一种独特的数据依赖性质及上述唯一性性质，这是其在特定任务上表现优越的关键因素；以及 (ii) 运行时间比现有距离度量快数个数量级。
引用
@article{arxiv.2301.00393,
title = {A principled distributional approach to trajectory similarity measurement},
author = {Yufan Wang and Kai Ming Ting and Yuanyi Shang},
journal= {arXiv preprint arXiv:2301.00393},
year = {2023}
}