文献综述（或调研报告）：
当前国内外对轨迹数据的研究进展可从以下四个方面进行概括：轨迹数据校准、轨迹数据管理、轨迹数据模式挖掘和轨迹数据在道路交通中的应用。
3.1轨迹数据校准与管理
原始轨迹数据存在很多冗余和噪音，需通过数据清洗、数据压缩等数据预处理方式转化为校准数据，之后通过数据管理技术有效地存取。Douglas和Peucker 提出的道格拉斯普克算法通过用近似线段来代替原有轨迹实现数据压缩，递归地将原始问题分割为两个字问题，直到近似结果和原始轨迹低于指定的误差。Chen等人 研究在数据压缩的同时保留轨迹数据的语义，提出一种轨迹化简算法(Trajectory Simplification)考虑轨迹的形状骨架，并同时根据航向变化程度和与相邻点的距离考虑特殊点。Lee和Krumm 介绍了如何使用卡尔曼滤波器和粒子滤波器来修复有噪声的轨迹点，除减弱噪音外，这两种方法还可以用来估计轨迹数据的高阶属性如速度、方向等；卡尔曼滤波和粒子滤波均采用测量模型和动态模型，但卡尔曼滤波的动态模型是线性的，使其在处理移动对象时具有较大局限性，而粒子滤波则可以处理更复杂的系统，但其缺点在于处理效率较低。
由于挖掘海量轨迹十分耗时，有效的数据管理技术对于快速检索轨迹是十分必要的。Deng等人 对轨迹数据管理方法做了更全面的研究。根据不同的空间数据类型，轨迹查询可被分为三类：轨迹点查询（P-query）、轨迹区域查询（R-query）和轨迹查询（T-query）。三类轨迹查询方法的效率评估一方面取决于空间物体之间的距离测量方法，另一方面则要求合适的索引加快查询处理速度。
3.2轨迹数据模式挖掘
轨迹伴随是轨迹模式挖掘的主要模式之一，它研究一组物体在特定时间段内一起移动的规律。Gudmundsson等人 提出flock模型，定义flock为一组对象，这些对象在某个指定大小的区域中一起移动至少k个连续时间戳。然而该模型在现实中可能无法很好地描述区域大小和移动群体的规模，不能很好地用于实际。为了避免对移动群的大小和形状的严格限制，Jeung等人 提出convoy模型，采用基于密度的聚类方法，捕捉任意形状的通用轨迹模式。
轨迹聚类模式研究的是相似轨迹的分组，从而找到不同运动对象共享的路径或共同趋势。通用的聚类方法是利用特征向量表示轨迹，利用特征向量之间的距离表示两条轨迹之间的相似性，但是对于不同的轨迹生成长度一致的特征向量并不容易。Yuan等人 对轨迹聚类算法和轨迹相似度测量进行了很好的总结。对于传统的基于轨迹点或轨迹相似性的研究已较为完善，目前轨迹聚类算法侧重于结合场景的语义轨迹聚类和基于路网匹配等方面。
一些研究人员从单个或多个轨迹中挖掘轨迹的序列模式，这里序列模式是指一定数量的移动对象在相似的时间间隔内以相同的位置序列移动，这种模式可以挖掘公共性频繁路径等。目前频繁序列模式的挖掘方法主要分为基于Apriori和基于树结构的频繁序列模式挖掘。还有一些研究探索移动物体的周期性活动，例如购物行为、动物迁徙等。周期序列模式在时间序列中得到广泛的研究，但是由于空间位置的模糊性，现有的时间序列数据方法不能直接应用于轨迹。为此，Cao等人 提出了一种从轨迹中提取最大周期模式的有效算法，这种算法通过研究某个连续子区间内频繁发生的周期模式进而验证了算法的有效性。
3.3轨迹数据在道路交通中的应用
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
