轨迹不确定性研究—（减少轨迹点之间的不确定性+轨迹隐私保护）

减少轨迹不确定性分为两类：查询建模

如上图所示，当我们需要查询经过R区域的轨迹时，灰色轨迹（低采样率）是否应该包含在内。

使用独立的概率密度函数在每个时间点或随机过程（如马尔可夫链），以更好地模拟对象的不确定位置，并回答不同的查询。

第二类为：

从不确定性轨迹中进行路径推测。

核心思想：通过多条不确定性轨迹，确定确定性轨迹。如几条轨迹的交汇点为确定点。

具体来说，有两种具体方法：

第一种方法：

一种是为道路网络环境中生成的轨迹而设计的。 除了地图匹配算法之外，这类方法的设置还有两个方面。 首先，减少轨迹不确定性的方法利用了许多其他轨迹的数据，而地图匹配算法仅使用单一轨迹的几何信息和道路网络的拓扑信息。 其次，不确定性方法处理的轨迹采样率可能非常低，例如超过10分钟。 这似乎几乎不可能的地图匹配算法。

第二种方法：

 将不相交的网格变成连通区域后，如图14（b）所示，我们可以建立一个路由图，其中一个节点是网格。图中两个相邻网格之间的方向和行程时间是根据经过两个网格的轨迹推断的。最后，如图14（c）所示，给定三个点，我们可以根据路由算法在图上找到最可能的路由。为了找到详细的路径，可以在通过所识别的路线的轨迹上执行回归，可以找到两条路径

除此之外，Su等人[2013]提出了一种基于锚的校准系统，将轨迹与一组固定锚点对齐。该方法考虑锚点和轨迹之间的空间关系。它还从历史轨迹中训练推理模型以改进校准。

轨迹隐私保护分成两类

一个是实时连续的基于位置的服务，例如，告诉我周围1公里的交通情况。在这种情况下，用户可能不希望在使用服务时准确地显示其当前位置。与简单的位置隐私不同，轨迹中连续样本之间的时空相关性可能有助于推断用户的确切位置。技术试图在这种情况下保护隐私泄露包括空间的隐形[莫克贝尔等人。2007 ]、[ 2003 ] stajano beresfordand混合区，路径混乱[可可等人。2010、基于短的欧拉直方图IDS等。2010 ]、[ Kido等人虚拟轨迹。2005、等等。

第二个是历史轨迹的出版。收集个人的许多轨迹可能允许攻击者推断她的家和工作场所，因此识别出个体是谁。在这样的情况下，用户隐私保护的主要技术包括基于[阿布等人聚类。2008 ]，以[ nergiz等人推广。2009 ]，以[抑制terrovitis Mamoulis 2008 ]，和[ gid'ofalvi等人基于网格。2007种方法。轨迹隐私全面调查可以在[周和莫克贝尔2011 ]发现。