第３９卷第３期２０２３年５月地理与地理信息科学ＧｅｏｇｒａｐｈｙａｎｄＧｅｏＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅＶｏｌ．３９Ｎｏ．３Ｍａｙ２０２３收稿日期：２０２２１１０２；修回日期：２０２３０２０３基金项目：国家重点研发计划项目“地理空间知识图谱与知识库引擎”（２０２１ＹＦＢ３９００９０３）；国家自然科学基金项目“基于地理认知的地理场景数据模型与数据组织方法”（４１６３１１７５）作者简介：刘星雨（１９９９—），女，硕士研究生，主要研究方向为时空轨迹数据挖掘。Ｅｍａｉｌ：２１１３０２１７７＠ｎｊｎｕ．ｅｄｕ．ｃｎｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７２０５０４．２０２３．０３．００１基于隐马尔可夫模型的时空轨迹语义匹配方法刘星雨１，２，３，盛业华１，２，３，秦佳睿１，２，３，刘青昊１，２，３，叶龙杰４（１．南京师范大学地理科学学院，江苏南京２１００２３；２．南京师范大学虚拟地理环境教育部重点实验室，江苏南京２１００２３；３．江苏省地理信息资源开发与利用协同创新中心，江苏南京２１００２３；４．香港理工大学土地测量及地理资讯学系，香港９９９０７７）摘要：时空轨迹数据关联的语义信息能更好地反映用户行为，对于ＰＯＩ密集分布的城市区域，轨迹的语义信息很难根据单一的距离或时间要素进行匹配，该文设计一种基于隐马尔可夫模型（ＨＭＭ）的时空轨迹语义匹配方法。首先，利用时间阈值与距离阈值提取逗留点，并利用考虑时间的ＤＢＳＣＡＮ聚类方法对逗留点进行聚类，得到由抽象停留位置构成的轨迹；然后，结合ＰＯＩ数据获得停留位置的候选语义，再以停留位置序列为观测序列，以每个停留位置所关联的候选地点作为隐藏状态建立ＨＭＭ，并用改进的加权距离的ＴＦＩＤＦ方法计算ＨＭＭ的观测概率；最后，解算ＨＭＭ得到最有可能的访问地点序列作为轨迹的语义匹配结果。该方法不依赖其他外部数据或训练数据，适用于ＰＯＩ密集分布的城市区域，基于真实时空轨迹数据集的实验结果验证了该方法的有效性。关键词：时空轨迹；地理语义关联；语义轨迹；隐马尔可夫模型；兴趣点中图分类号：Ｐ２０８；ＴＰ３９１．１文献标识码：Ａ文章编号：１６７２０５０４（２０２３）０３０００１０６０引言移动定位、位置服务等技术的发展和移动设备的普及衍生了大量轨迹数据，广泛应用于交通监测［１］、模式挖掘［２］、路径规划［３］、位置预测［４，５］等方面。原始时空...
