基于轨迹形状多样性的隐私保护算法

针对匿名集内轨迹间的高度相似性而导致的轨迹隐私泄露问题，提出基于轨迹形状多样性的隐私保护 算法。该算法通过轨迹同步化处理的方式改进轨迹数据的预处理过程，以减少信息损失; 并借鉴l-多样性思想，在贪 婪聚类时选择l 条具有形状多样性的轨迹作为匿名集成员，以防止集合内成员轨迹的形状相似性过高而导致轨迹形 状相似性攻击。理论分析及实验结果均表明，该算法能够在保证轨迹k-匿名的同时满足l-多样性，算法运行时间较 小，且减少了轨迹信息损失，增强了轨迹数据的可用性，更好地实现了轨迹隐私保护，可有效应用到隐私保护轨迹数 据发布中。