fa اندازه‌گیری تشابه خطوط سیر با استفاده از تئوری فازی سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;">با پیشرفت انواع سامانه‌های تعیین موقعیت، امکان دسترسی به حجم وسیعی از داده‌های حرکتی فراهم‌شده است. ازجمله روش‌های کشف دانش از این نوع داده‌ها، اندازه‌گیری تشابه خطوط سیر حاصل از حرکت اشیا است. همچنین اندازه‌گیری تشابه، بطور مستقیم و غیرمستقیم در سایر روش‌های داده‌کاوی مثل خوشه‌بندی و طبقه‌بندی کاربرد دارد و در حال حاضر به‌عنوان یک موضوع چالش‌برانگیز مورد توجه بسیاری از محققان در حوضه سیستم‌های اطلاعات مکانی قرارگرفته است. باوجوداینکه عدم قطعیت یک مسئله اجتناب‌ناپذیر است، تاکنون توجه کمی به این موضوع در زمینه اندازه‌گیری تشابه خطوط سیر شده است. یک راه مقابله با عدم قطعیت در مشاهدات و تعاریف مسئله، استفاده از تئوری فازی است. در این تحقیق، دو روش <span dir="LTR">sim1</span> و <span dir="LTR">sim2</span> به ترتیب بر پایه روش‌های <span dir="LTR">LCSS</span> و <span dir="LTR">EDR</span> ارائه‌شده که برای مقابله با عدم قطعیت در اندازه‌گیری تشابه خطوط سیر و بهبود کارایی آن‌ها از تئوری فازی استفاده‌شده است. روش‌های پیشنهادی با استفاده از یک تابع عضویت فازی و بر اساس فاصله میان نقاط دو خط سیر، درجه انطباق هر دو نقطه از دو خط سیر را تعیین می‌کنند که بر اساس آن تشابه دو خط سیر تعیین می‌شود. به‌منظور ارزیابی این دو روش، دو سری آزمایش بر روی خطوط سیر واقعی و مصنوعی خودروهای شخصی انجام شده است. نتایج آزمایش‌ها نشان می‌دهند که روش‌های <span dir="LTR">sim1</span> و <span dir="LTR">sim2</span> ازلحاظ حساسیت نسبت به نویز، کاهش و افزایش نرخ نمونه‌برداری عملکردی مشابه روش‌های <span dir="LTR">LCSS</span>&nbsp; و <span dir="LTR">EDR</span> و از لحاظ حساسیت نسبت به جابجایی، عملکرد بهتری نسبت به آن‌ها دارند. به‌طوری‌که برای مثال میانگین درصد تغییرات تشابه نسبت به تغییرات فاصله برای چهار حد آستانه 5، 10، 25 و 50 متر برای روش <span dir="LTR">LCSS</span> برابر 0.02، 0.97، 0.66 و 0.23 است و برای روش‌های <span dir="LTR">sim1</span> و <span dir="LTR">sim2</span> برابر 0.41 درصد است.</div> <div style="text-align: justify;">In recent years, with the advancement of positioning systems, access to a large amount of movement data is provided. Among the methods of discovering knowledge from this type of data is to measure the similarity of trajectories resulting from the movement of objects. Similarity measurement has also been used in other data mining methods such as classification and clustering and is currently, an important and challenging topic for many researchers in the field of geospatial information systems. Although uncertainty is an inevitable issue in the field of geospatial information systems, so far little attention has been paid to this issue especially in the field of measuring the similarity of trajectories. One way to cope with the uncertainty in the observations and definitions of the problem, is to use fuzzy theory. In this study, two methods of sim1 and sim2 based on Longest Common Subsequence (LCSS) and Edit Distance on Real Sequence (EDR) methods, respectively, have been introduced to deal with uncertainty in measuring similarity of trajectories and improving their performance using fuzzy theory. The proposed methods use a fuzzy membership function based on the distance between the points of two trajectories to determine the degree of matching of every pair of points on two trajectories based on which the similarity of the two trajectories is calculated. In order to evaluate these two methods, two experiments have been performed on the real and synthetic trajectories of personal cars. Experimental results show that sim1 and sim2 are similar to LCSS and EDR in terms of sensitivity to noise, increasing and decreasing sampling rate and have better performance in terms of sensitivity to displacement. For example, the mean percentage change of similarity to distance variations for the four thresholds of 5, 10, 25, and 50 meters for LCSS is 0.02, 0.97, 0.66, and 0.23 but for sim1 and sim2 is 0.41 which is proportional to rate of changes in reference trajectory.<span dir="RTL"></span></div> تشابه خطوط سیر, سیستم اطلاعات مکانی, داده‌کاوی, عدم قطعیت, تئوری فازی Trajectory Similarity, Geospatial Information System, Data Mining, Uncertainty, Fuzzy Theory 131 143 http://jgst.issgeac.ir/browse.php?a_code=A-10-864-1&slc_lang=fa&sid=1 F. Boroumand فراز برومند f.boroumand@email.kntu.ac.ir 10031947532846007562 10031947532846007562 Yes بدون سازمان A. A. Alesheikh علی‌اصغر آل‌شیخ alesheikh@kntu.ac.ir 10031947532846007563 10031947532846007563 No بدون سازمان M. Farnaghi مهدی فرنقی farnaghi@kntu.ac.ir 10031947532846007564 10031947532846007564 No بدون سازمان