2023MASSTowards Efficient Privacy-Preserving Top-k Trajectory Similarity Query论文学习笔记

近期在follw先前TMC进行隐私保护的论文发现了这一篇论文。

首先这篇论文针对的主要关注点就是top-k条轨迹选择的问题，定义了一种时空轨迹相似性度量，该度量支持基于离散轨迹数据的数值积分算法的密文下的同态计算。还提出了一种新的相似性查询过滤和细化策略，基于希尔伯特曲线过滤掉不相似的轨迹。

首先是这篇论文的核心点之一，定义的时空轨迹相似性度量方法：离散同步欧氏距离（DSED）。作者首先定义了一种用于离散轨迹的新的相似度度量。假设有两个移动物体的轨迹 T A 和 T B，它们由时间戳和地理位置组成。然后，他们介绍了如何计算一个采样点到另一个轨迹的距离，这是通过线性插值得出的欧氏距离。在此基础上，作者提出了 DSED 的计算方法，该方法涉及遍历两个轨迹中的所有采样点，并在时间顺序中获取同步对，然后根据这些同步对的距离计算出 DSED 值。

这个公式用来计算轨迹 T_A 中的采样点 τAi​​ 到轨迹 T_B 的距离。其中d() 表示欧氏距离，(tBj​​,pBj​​) 和 (tBj+1​​,pBj+1​​) 是轨迹 T_B 中在时间上相邻的两个点，且满足 tBj​​≤tAi​​<tBj+1​​。公式中的 p^​Bj​ 是通过线性插值计算出的点，表示在轨迹 T_B 上与τAi​​ 同步的点。

通过插值的方式，公式可以很好的克服采样频率不同而无法得到不同轨迹相同时间点的问题，使得计算轨迹中点与点的距离提供了新的思路。

解决了点之间的距离，轨迹间的距离也可以计算了。

这个公式用来计算轨迹 T_A 和 T_B 之间的 DSED 值。其中h=la+lb−2 是同步点的数量，Δti,j​=ti​−tj​ 是时间间隔。su​ 是同步点处计算出的距离值，表示在时间戳 tu​ 处的同步点。公式中的第一项和第二项计算了首尾同步点的距离，第三项是计算了中间同步点的距离，然后将所有同步点的距离加总，最后除以整个时间跨度来得到 DSED 值。
论文的剩余部分偏向密码学，对于我的研究来说暂未特别大的启发，但是这个轨迹间的计算方式，运用插值的方法面对轨迹点，特别是由签到位置点得到的轨迹点来说，这种方法计算详细轨迹中点与点的距离提供了一个很好的思路。