Surveying Similarly Distance for Trajectory Data

Abstract

I takt med en økning av enheter som kan registrere og lagre bevegelsesdata har interessen for å analysere denne dataen vokst. Å begrene likhetsavstand mellom observasjoner er avgjørende for å kunne gjennomføre all type analyse. For tidsrekkedata finnes det mange ulike algoritmer som måler deres likhetsavstand

Denne oppgaven består av teoretiske og eksperimentelle undersøkelser av syv likhetsavstandsmål. Den teoretiske delen greier ut om ulike mål av sporlikhet, og hvordan disse er inspirert av dataformatet til tidsrekker. Den eksperimentelle delen av oppgaven handler om hvordan teorien utspiller seg i praksis. Vi analyserer et datasett bestående av tilnærmet vilkårlige spor. Analysen tydeliggjør hvordan de ulike algoritmene bruker forskjellige definisjoner av likhet.

In tandem with an increase in devices that can detect and store motion data, the interest in analyzing this type of data has grown. Computing similarity distance is crucial for all types of analysis, and for trajectory data, there are several algorithms that compute it.

In this thesis, we theoretically and experimentally investigate seven different similarity distance measures. The theoretical part of the thesis examines different notions of trajectory similarly and relates it back to the trajectory data format. The experimental part of the thesis is focused on how the theory unfolds in practice. We analyze a data set of arbitrary trajectories. The analysis emphasizes how the different algorithms use different notions of similarity.