1. 對于Hausdorff距離的理解

Hausdorff距離：描述兩組點集之間相似程度的一種度量。

假設兩組集合A={a1,a2,.....ap},B={b1,b2.....bp},則這兩個點集之間的Hausdorff距離定義為：

H(A,B)=max（h(A,B),h(A,B)）? ? ?(1)

其中，h(A,B)=max(a∈A) min(b∈B) ||a-b||? ? ? ? ? ? ? ? (2)，

? ? ? ? ? h(B,A)=max(b∈B) min(a∈A) ||b-a||? ? ? ? ? ? ? ? ?(3),

||·|| 是A和B點集間的距離范式。

(1)式稱為雙向Hausdorff距離，它度量了兩個點集間的最大不匹配程度。

（2）、（3)式中的h(A,B)? 、h(B,A)分別稱為從A集合到B集合? 和從集合B到集合A 的單向Hausdorff距離。

即h(A,B)實際上首先對點集A中的每個點ai到距離此點ai最近的B集合中點bj之間的距離‖ai-bj‖進行排序,然后取該距離中的最大值作為h(A,B)的值。

?

圖例表示：

?

2.對于LCSS距離的理解

LCSS 最長公共子序列?

歐氏距離和動態時間規劃對軌跡的個別點差異性明顯。

如果兩個時間序列在大多數時間段具有相似的形態，僅僅在很短時間內具有一定的差異，則歐氏距離和DTW無法準確衡量這兩個時間序列的相似度。

而LCSS能處理這種問題。

原理：

假設有兩個長度分別為n和m的時間序列數據A和B ，那么最長公共子序列的長度為：

其中，γ為成員相似閾值，t=1,2,...n;i=1,2,...m?；谏鲜龉?#xff0c;最長公共子序列的相似度公式為：

LCSS算法可以計算兩個子序列之間的最長公共子序列。

結合具體實例理解：

3.改進LCSS算法

見https://blog.csdn.net/weixin_30745641/article/details/95504238

改進后LCSS算法

優點：結合時間、地理因素，提高相似度計算的準確性

缺點：需要抽取時間序列，構造用戶軌跡的頻繁序列，然后才能用改進的LCSS相似度算法計算用戶軌跡的相似度，

? ? ? ? ? 因此算法模型過程比較復雜。

參考：

https://www.cnblogs.com/yhlx125/p/5478147.html

https://www.jianshu.com/p/d7b8db280a01?utm_campaign=maleskine&utm_content=note&utm_medium=reader_share&utm_source=weixin

https://www.it610.com/article/1293141069264920576.htm

https://blog.csdn.net/weixin_30745641/article/details/95504238

?

?

總結

以上是生活随笔為你收集整理的轨迹相似性度量之基于Hausdorff与LCSS的理解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。