本发明属于大数据分析范畴，更准确的讲，涉及到方向统计学、轨迹计算的相关技术。
背景技术：
在智慧城市中，对市民轨迹进行大数据分析，可以得到很多有价值的信息，最终更好的服务于市民。例如：通过车流来预测交通状况，通过人流来对突发事件进行预警，也可以通过个人的轨迹进行个性化画像。在给市民方便的同时，安全问题也是一个不容忽视的重要问题。有别于传统统计学，方向统计学(directional statistics)更关注方向变化信息，例如时钟、星空等，而不是地理位置信息。利用方向统计学对轨迹数据进行聚类分析，能够得到市民轨迹的关键特征。同时由于忽略了位置信息，也能更好的进行隐私保护。但是目前相关的方案和专利还没有。
技术实现要素：
本发明的目的是通过核聚类技术，对智慧城市中大量的市民轨迹数据进行隐私保护。本发明的技术要点如下：
1、轨迹数据的表示问题：常见的轨迹分析一般采用图方式进行表示与计算，这种方式存储量大，噪声多。同时，在轨迹计算中，位置变化的信息(频率、方向)可能更重要，传统的表示方法不能突出这些信息。本发明采用轨迹空间模型(TSM)来表示这种位置变化信息。假设(a1，a2)为图G中的两点，统计二者的位置改变次数，作为一个特征。经过此变换，一个n×n的轨迹图，就表示为一个2×n的向量。这种表 示存储量小，且更能反映位置变化信息；
2、球聚类问题：在TSM模型上，轨迹向量可以表示在一个球面上，利用方向统计对该向量进行聚类分析，常用的方法包括球形k-means、基于vmf模型的EM算法等。但是这些方法都不能解决“噪声维”问题，不适合处理高维数据。本发明利用“熵”平衡的方法来给不同的维度进行加权处理，重要的维度特征突出，相反，“噪声”维则抑制。
附图说明
图1为本发明的流程图。
具体实施方式
参见图1，本发明的主要步骤如下：
步骤1：对市民轨迹数据进行匿名、扰乱等预处理，隐去ID信息；
步骤2：用TSM模型对市民轨迹重新表示，隐去位置信息；
步骤3：基于方向统计对轨迹图进行聚类分析；
步骤4：基于聚类结果，重新对市民轨迹进行表示，并抽取特征。
最后所应说明的是，以上实施例仅用以说明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的实施例对本发明已进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或者等同地替换；而一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围当中。