Measuring similarity of mobile phone user trajectories

2015 期刊 trajectory similarity measure

文章好水（也可能是因为我看不懂）

是用新型方法用电话数据进行轨迹相似的研究。

这个新型方法公式好复杂没看懂，也没些解释之类的。

而且电话数据emmm范围会不会大了一点，信号塔范围是300到500米。

细胞空间：细胞空间是一种离散的空间表示方法，通常用网格单元或细胞单元来划分地理空间。          欧氏空间：欧氏空间是我们通常所熟悉的连续的空间，其中的点之间可以通过实数坐标来表示，并且在空间中的点是连续的，可以无限细分。

Hausdorff距离是一种用于比较两个点集之间形状相似性的度量方法。它通过找到一个点集中的每个点到另一个点集中最近点之间的距离，并确定这些距离中的最大值来衡量两个点集之间的形状差异。举个例子来说明：假设有两个点集A和B，其中A包含点{(1, 2), (3, 4), (5, 6)}，B包含点{(2, 3), (4, 5), (6, 7)}。计算Hausdorff距离时，首先计算A中的每个点到B中最近点的距离，得到距离集合{1.41, 1.41, 1.41}，然后找出其中的最大值，为1.41。接着计算B中的每个点到A中最近点的距离，得到距离集合{1.41, 1.41, 1.41}，再次找出其中的最大值，仍为1.41。因此，两个点集A和B之间的Hausdorff距离为1.41。

经典的欧几里得距离是一种最直接的方法，它将两个点序列中对应点之间的距离相加。然而，这种方法要求两个比较的序列具有相同数量的点，因此在大多数实际应用中不适用，特别是当两个序列的点数不同的情况下。例如，假设序列A包含点{(1, 2), (3, 4), (5, 6)}，序列B包含点{(2, 3), (4, 5)}。欧几里得距离计算方法如下：

计算点(1, 2)到点(2, 3)的距离：√[(2-1)^2 + (3-2)^2] = √[1 + 1] = √2 ≈ 1.41

计算点(3, 4)到点(4, 5)的距离：√[(4-3)^2 + (5-4)^2] = √[1 + 1] = √2 ≈ 1.41

将两个距离相加得到总距离：1.41 + 1.41 = 2.82

聚类的论文可以参照这篇，可以水很多字

还得学下范式的知识