轨迹分析

本项目采用Python、Pandas和Scikit Learn，探索轨迹分析和分类。步骤包括数据清理、轨迹形成、轨迹相似度计算。算法包括： 快速动态时间规整（Fast-DTW） 最长公共子序列算法 计算结果用于轨迹分类。

惯导轨迹标准值（空中盘旋）和陀螺仪及加速度计值数据，内含MATLAB分析程序。对于进行惯导解算及组合导航研究有帮助。

根据软件学报的相关文章，综述了轨迹大数据处理的关键技术。内容涵盖了轨迹数据的概述、预处理方法、索引与检索技术、数据挖掘方法、隐私保护策略以及最新的数据处理技术。

MDToolbox是专为MATLAB和Octave设计的工具箱，用于分析分子动力学轨迹的统计特性。它提供了丰富的功能，帮助研究人员深入理解分子系统的动态行为。MDToolbox支持多种数据分析技术，为科学家们在研究复杂生物分子相互作用和结构动态性方面提供了强大的工具。

混合高斯模型的背景建模，用来做目标检测，是真的挺稳的，是在监控视频这类背景相对稳定的场景里。OpenCV 里直接就有 cv::bgsegm::createBackgroundSubtractorMOG2() 这个接口，省事多了，调用完还能自动更新模型，响应也快。 像背景减除，重点就是区分“正常的背景”跟“突然冒出来的前景”。混合高斯模型就是用多个高斯分布来拟合每个像素的历史值，算是比较聪明的一种方式。你喂它几帧，它就开始学习背景了，后面再有新帧来，就能快分辨出变化了。 检测完了目标，如果你还想下目标的运动情况，比如轨迹、速度，那就得上光流了。Farneback 光流法是个不错的选择，OpenC

这篇综述文章由郑宇撰写，深入探讨了轨迹数据挖掘的相关主题。

此存储库包含用于Matlab的灰度处理和细胞跟踪的源代码。该程序支持荧光或暗场电影的处理，以及相衬电影的跟踪。兼容Matlab 2018a及更早版本，支持'.tif'堆栈和'.nd2'文件格式。还提供适用于Linux的版本。

利用 comet 函数展示二维和三维线运动轨迹：- 二维线：余弦和正弦函数的平方和- 三维线：余弦和正弦函数的平方和，z 轴为时间轴

路线熟悉度对车险风险的影响 通过分析车主最常行驶的前十条路线行程数量占比, 探究路线熟悉度与车险风险水平之间的关系。 研究结果表明: 路线熟悉程度与车险风险水平显著相关。 随着熟悉路线行程数量占比的上升, 车险出险频率明显下降, 这与人们的普遍认知一致。 使用前一、前三或前十位熟悉路线计算占比, 均可得出上述结论, 其中前十位熟悉路线行程数量占比对风险的区分能力最强 (如图24所示)。

基于多层分割算法，从GPS轨迹数据中识别活动停留点，挖掘出行信息。