49、手势输入与GPS轨迹生物识别技术解析

手势输入与GPS轨迹生物识别技术解析

1. 阈值聚类与数据集

在进行GPS路线搜索相关的研究中，我们采用Random Swap (RS)算法对阈值进行聚类。该算法进行10,000次迭代，聚类数量为16个。它在K - Means和质心的随机重定位之间交替进行，以此避免陷入局部最优解。通常，该算法在几百次迭代后就能收敛到最终结果，但由于其速度较快，所以使用10,000次迭代以提高找到最优分区的概率。从聚类结果中，我们选取具有最高相似度路线的聚类。

实验使用的是Mopsi20145数据集，它是截至2014年底从Mopsi数据库收集的所有路线的子集。该数据集包含51个用户记录的6,779条路线，这些用户每人至少有10条路线。路线涵盖了多种活动，如步行、骑自行车、徒步旅行、慢跑、定向运动、滑雪、驾驶、乘坐公交、火车或轮船等。大部分路线位于芬兰的约恩苏地区，这是一个非常密集的区域，适合对方法进行压力测试。数据集的统计信息如下表所示：
| Routes | Points | Kilometers | Hours |
| ---- | ---- | ---- | ---- |
| 6,779 | 7,850,387 | 87,851 | 4,504 |

2. 搜索效率分析

搜索效率与数据库大小和网格分辨率成正比。网格的选择取决于在地图上查看目标路线所需的缩放级别，小路线适合使用较高的缩放级别查看。同时，网格也与屏幕大小有关。为了更好地理解这一点，我们计算了Mopsi2014数据集中每条路线的最佳查看缩放级别，即能在屏幕上显示整个路线的最大缩放级别。结果显示，最低缩放级别很少使用，因为处于该缩放级别的路线通常跨越多个国家甚至大洲，在数据集中较为