CN109238271B - 一种基于时间的线路拟合方法 - Google Patents
一种基于时间的线路拟合方法 Download PDFInfo
- Publication number
- CN109238271B CN109238271B CN201810966746.6A CN201810966746A CN109238271B CN 109238271 B CN109238271 B CN 109238271B CN 201810966746 A CN201810966746 A CN 201810966746A CN 109238271 B CN109238271 B CN 109238271B
- Authority
- CN
- China
- Prior art keywords
- grid
- point
- time
- clustering
- position information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
Abstract
本发明是一种基于时间的线路拟合方法,该方法先将位置信息聚类,然后将筛选出的中心轨迹点,依据时间将其衔接起来,从轨迹点的速度数据角度出发,推算出符合情景要求的相关聚类参数,提升线路拟合的灵活性。本发明解决了基于时间信息的线路拟合问题,并且能抽取出典型数据集,从而拟合出包含较少数据量的轨迹线,分析效率高,路线清晰,聚类结果稳定。
Description
技术领域
本发明属于对地观测应用技术领域,涉及一种基于时间的线路拟合方法。
背景技术
一般情况下,参与众包的单位会通过智能手机、北斗以及其他可发送信号的移动设备将位置信息发送到众包平台,众包平台接收到信号数据后会依据算法模型解析出可供研究人员参考的拟合航线。在地理信息系统中,技术人员想要分析一片海域内舰船、飞机的航行行为,是否越界,是否违反了相关法规,都需要依据航迹进行判断,并采用有效的方式避免此类事件的重复发生。那么如果单纯的将庞大的北斗点位信息依据时间衔接起来,那么会使轨迹线凌乱不堪,给技术人员的分析工作带来一定的负担。所以如何过滤掉冗余的北斗点位信息,则是本发明要解决的问题之一。如果要想研究一片区域内,人们的的出行轨迹,从而总结出人们的一些行为习惯,为人们提供更为便捷的服务。那么,在智能交通方面将会是很大的进步。但是,人们的出行行为是不可预测的,比如人们从家去单位的路上,遇到了一个熟人,在某一片区驻留了很久,从实时收集的数据来看,这一片区将会产生大量的冗余点位信息,当然还有可能寻找丢失的物件,在某一片区巡回,这样一来,依据实时收集的点位数据拟合的轨迹,将会是凌乱的,并不利于总结人们的行为习惯。对于这个问题,现有很多处理方法,比如均值聚类,这种方法需要选取合适的分类数,倘若使用密度聚类分析,则需要确定密度半径及轨迹密度,这极大的限制了算法的适应性。借助矢量量化的思想在一定程度上可以很好地解决这一局限性。一个典型的例子就是图像的编码。
现有的诸多轨迹分析方法一般都需要人为设置参数以适应特定的情况,所以设计一个简洁有效的路线拟合方案则显得尤为重要。Zahedeh Izakian等人提出了一种基于粒子群优化的轨迹数据自动聚类技术[1],并考虑了动态时间扭曲距离作为轨迹数据最常用的距离测度之一。例如,交通控制和城市规划方面的专家对在不同的时间间隔车辆的移动模式感兴趣(如汽车,公共汽车,飞机)。他们可以使用此信息用于道路建设或设计监控系统等。这都体现了自动聚类技术的优越性,但是他们的做法并不能使轨迹数据集简约化。另外现存诸多使用R树处理位置数据的方法,比如Y Li等人提出的基于R树空间伪装的大规模众包任务管理方法[2],SJ Lee等人针对应用四叉树和R-树构建海量船舶位置数据分析系统做出的研究[3],而基于R树的位置信息分析并没有考虑轨迹点的时间信息,无法体现轨迹线的动态性。本发明涉及的线路拟合方法是借鉴矢量量化思想设计的一种简约的基于时间信息的线路拟合方法。
[1] Izakian Z, Mesgari M S, Abraham A. Automated clustering oftrajectory data using a particle swarm optimization[J]. Computers,Environment and Urban Systems, 2016, 55: 55-65;
[2] Li Y, Shin B S. Task-Management Method Using R-Tree SpatialCloaking for Large-Scale Crowdsourcing[J]. Symmetry, 2017, 9(12): 311;
[3] Lee S J, Park G K, Kim D Y. Study on applying Quad-Tree & R-Treefor building the analysis system using massive ship position data[J]. Journalof Korean Institute of Intelligent Systems, 2011, 21(6): 698-704。
发明内容
本发明的目的在于克服现有技术存在的问题,提供一种基于时间的线路拟合方法,提取具备代表性位置信息,解决了基于时间信息的线路拟合问题。
为实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
一种基于时间的线路拟合方法,该方法包括以下步骤:
步骤1)数据收集阶段,众包系统发布任务请求,用户单位接受到任务请求后提供位置信息,实时发送到众包系统,众包系统筛选掉不合规则的无效位置信息;
步骤2)数据解析阶段,每个用户单位发送的位置信息配有类别编号,任务请求结束后,众包系统将依据类别编号将点位信息分类解析;
步骤3)线路拟合,通过矢量量化或直接方式来绘制网格覆盖所有的位置信息,然后对每个网格中的点集进行聚类,筛选出每个网格中具有代表性的点,最后将每个网格中具有代表性的点依据时间衔接起来,形成轨迹线。
进一步的,所述步骤1)中,每个参与众包系统任务请求的用户单位配备有相应的点位发送设备,并设置相应的发射频率f,发射频率f根据不同的交通设备进行设置。
进一步的,所述步骤1)、步骤2)和步骤3)中,位置信息至少包括位置、时间、速度数据。
进一步的,所述步骤3)中,采用K-means聚类,去除掉大量的静止速度数据,从而推算出符合情景要求的相关聚类参数,计算出每个网格的中心点作为具有代表性的点,最后依据中心点的时间数据将中心点集衔接,形成最终的轨迹线。
进一步的,所述步骤3)中,采用矢量量化来绘制网格覆盖所有的位置信息时,单位网格的尺寸作为矢量量化像素尺寸,第点的速度数据为,代表所有点位的集合,为单位时间,依据均值聚类,将速度数据划分为两个簇,取速度较大的簇的平均速度作为计算网格尺寸的依据,从而尺寸的定义如下:
进一步的,所述步骤3)中,采用K-means聚类计算每个网格的中心点时,将每个像素点当作一个数据,执行K-means聚类,生成个中心点,然后用这些中心点的像素值来代替对应的cluster簇里的所有点的像素值。
本发明的有益效果是:
1、本发明可以抽取出典型数据集,从而拟合出包含较少数据量的轨迹线。一般而言,聚类方法首先要预设聚类数目或者是聚类密度,那么设置合适的聚类参数是决定聚类结果的核心要素。而在多数情况下,轨迹是飘忽不定的,依据具体情况自动计算出合理的聚类参数可以更好地扩展线路拟合器的适应性。
2、可以通过少数的位置点集判断出与大量位置信息的状态,提升分析效率,清晰的路线对于我们的研究及工作是有益的。比如判断舰船是否长期驻留在某一片海域抑或是我们想了解一个人的行径习惯,仅需要少许的点集即可分析出结果。
3、本发明可以避免因聚类参数设置不合理而导致的不稳定聚类结果,基于矢量量化的聚类方案能够更好的兼顾离散点,而基于直接聚类的方案则更加简约。
附图说明
图1为本发明的众包系统图;
图2为本发明的线路拟合分析图;
图3a为本发明分别采用直接聚类方法和矢量量化方法得到的第一份拟合轨迹线图;
图3b为本发明分别采用直接聚类方法和矢量量化方法得到的第二份拟合轨迹线图。
具体实施方式
下面将参考附图并结合实施例,来详细说明本发明。
一种基于时间的线路拟合方法,该方法包括以下步骤:
步骤1)数据收集阶段,众包系统发布任务请求,用户单位接受到任务请求后提供位置信息,实时发送到众包系统,众包系统筛选掉不合规则的无效位置信息;
步骤2)数据解析阶段,每个用户单位发送的位置信息配有类别编号,任务请求结束后,众包系统将依据类别编号将点位信息分类解析;
步骤3)线路拟合,通过矢量量化或直接方式来绘制网格覆盖所有的位置信息,然后对每个网格中的点集进行聚类,筛选出每个网格中具有代表性的点,最后将每个网格中具有代表性的点依据时间衔接起来,形成轨迹线。
进一步的,所述步骤1)中,每个参与众包系统任务请求的用户单位配备有相应的点位发送设备,并设置相应的发射频率f,发射频率f根据不同的交通设备进行设置。
进一步的,所述步骤1)、步骤2)和步骤3)中,位置信息至少包括位置、时间、速度数据。
进一步的,所述步骤3)中,采用K-means聚类,去除掉大量的静止速度数据,从而推算出符合情景要求的相关聚类参数,计算出每个网格的中心点作为具有代表性的点,最后依据中心点的时间数据将中心点集衔接,形成最终的轨迹线。
进一步的,所述步骤3)中,采用矢量量化来绘制网格覆盖所有的位置信息时,单位网格的尺寸作为矢量量化像素尺寸,第点的速度数据为,代表所有点位的集合,为单位时间,依据均值聚类,将速度数据划分为两个簇,取速度较大的簇的平均速度作为计算网格尺寸的依据,从而尺寸的定义如下:
进一步的,所述步骤3)中,采用K-means聚类计算每个网格的中心点时,将每个像素点当作一个数据,执行K-means聚类,生成个中心点(即聚类数目),然后用这些中心点的像素值来代替对应的cluster簇里的所有点的像素值。
在本实施例中,以下对本发明进行详细说明:
第一部分
图1是位置信息数据收集的系统图。众包系统包含两个步骤,数据收集阶段和数据解析阶段。首先众包平台发布任务请求,大众接收到请求后提供位置信息,然后众包平台筛选掉不合规则的噪音数据,其中每个参与众包的单位或个体须配备相应的点位发送设备,并设置相应的发射频率f,频率f可以根据不同的交通设备设置。
图2是线路拟合的技术分析图。每个单位发送的信息都配有类别编号,任务结束后,平台将依据类别编号将点位信息分类解析。借鉴矢量量化的思想将所有的位置信息覆盖,然后对每个网格中的点集进行K-means聚类操作,计算出中心点,最后依据中心点的时间信息将中心点集衔接,形成最终的轨迹线。
第二部分
下面详细说明本发明的技术方案实施过程以及所依据的科学原理。
基于时间的线路拟合方法所包含的主要是思想就是聚类,然而聚类操作需要预设的相关参数,诸如聚类数目、密度半径、聚类密度等信息。为了增加灵活性,本实施例中通过点位的速度数据及网格覆盖的方法推算出符合情况的聚类参数。
假设单位网格的尺寸为,第点的速度数据为,代表所有点位的集合,为单位时间,那么依据均值聚类的思想,将速度数据划分为两个簇,取速度较大的簇的平均速度作为计算网格尺寸的依据,因为大量接近零速度的点位对于分析动态的轨迹信息意义不大。从而可得如下定义:
这样一来,网格的尺寸可以依据轨迹的速度数据确定,从而增加了该线路拟合方法的灵活性。如果线路拟合方法采用直接聚类的方案,就要涉及到聚类数目,聚类的数目可以通过统计覆盖轨迹点的网格数来决定,假设拥有点位信息的网格数目为,第个点所在的网格位置为,聚类数目为,那么可得如下引理:
考虑到某些离散轨迹点的重要意义,我们借鉴图片压缩技术思想对轨迹数据进行简化,即矢量量化的方法。针对一张灰色图片,利用聚类方法来选取代表性的点的压缩方案无疑是较好的方案。具体流程是:将每个像素点当作一个数据,执行K-means,生成个中心点,然后用这些中心点的像素值来代替对应的cluster簇里的所有点的像素值。同样可以将矢量量化的思想应用到线路轨迹拟合设计中,比如可以将线路点集模拟成为灰色图片中的黑色像素,如此一来,就可以模仿图片压缩的方法来抽取线路的代表性点集。
第三部分
一种基于时间的线路拟合方法具体实施步骤如下:
众包系统发布需求,用户接受到需求后提供位置信息,实时发送到众包系统,众包系统根据收集到的位置、时间、速度等数据信息进行下一步的分析。
通过定义1及引理1,可以得到位置数据直接聚类的数目以及矢量量化的网格尺寸。采用直接聚类方法可以得到图3a、图3b中的虚线部分,采用矢量量化方法可以得到图3a、图3b的实线部分,其中位置数据采用递增随机的仿真数据。
如图3a、图3b中的虚线所示,将轨迹点集依据合理的聚类密度及聚类半径划分为若干个cluster簇,然后取每个cluster簇的中心点代表这一区域的代表性点,然后将所有的簇中心点根据时间信息衔接起来就形成了新的轨迹线。
图3a、图3b中实线部分所展示的是基于矢量量化思想的线路拟合方案,由定义1我们可以计算出矢量量化像素大小,即图3中网格的尺寸,然后对每个网格中的点集进行K-means聚类,取出中心点,最后根据时间连接所有的中心点,生成简约版曲线。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于时间的线路拟合方法,其特征在于,该方法包括以下步骤:
步骤1)数据收集阶段,众包系统发布任务请求,用户单位接受到任务请求后提供位置信息,实时发送到众包系统,众包系统筛选掉不合规则的无效位置信息;
步骤2)数据解析阶段,每个用户单位发送的位置信息配有类别编号,任务请求结束后,众包系统将依据类别编号将点位信息分类解析;
步骤3)线路拟合,通过矢量量化或直接方式来绘制网格覆盖所有的位置信息,然后对每个网格中的点集进行聚类,筛选出每个网格中具有代表性的点,最后将每个网格中具有代表性的点依据时间衔接起来,形成轨迹线;
所述步骤3)中,采用矢量量化来绘制网格覆盖所有的位置信息时,单位网格的尺寸作为矢量量化像素尺寸,第点的速度数据为,代表所有点位的集合,为单位时间,依据均值聚类,将速度数据划分为两个簇,取速度较大的簇的平均速度作为计算网格尺寸的依据,从而尺寸的定义如下:
2.根据权利要求1所述的基于时间的线路拟合方法,其特征在于,所述步骤1)中,每个参与众包系统任务请求的用户单位配备有相应的点位发送设备,并设置相应的发射频率f,发射频率f根据不同的交通设备进行设置。
3.根据权利要求1所述的基于时间的线路拟合方法,其特征在于,所述步骤1)、步骤2)和步骤3)中,位置信息至少包括位置、时间、速度数据。
4.根据权利要求3所述的基于时间的线路拟合方法,其特征在于,所述步骤3)中,采用K-means聚类,去除掉大量的静止速度数据,从而推算出符合情景要求的相关聚类参数,计算出每个网格的中心点作为具有代表性的点,最后依据中心点的时间数据将中心点集衔接,形成最终的轨迹线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810966746.6A CN109238271B (zh) | 2018-08-23 | 2018-08-23 | 一种基于时间的线路拟合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810966746.6A CN109238271B (zh) | 2018-08-23 | 2018-08-23 | 一种基于时间的线路拟合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109238271A CN109238271A (zh) | 2019-01-18 |
CN109238271B true CN109238271B (zh) | 2020-08-14 |
Family
ID=65068221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810966746.6A Active CN109238271B (zh) | 2018-08-23 | 2018-08-23 | 一种基于时间的线路拟合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109238271B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288044B (zh) * | 2019-07-01 | 2021-06-08 | 上海海事大学 | 一种基于轨迹划分与优先队列的轨迹简化方法 |
CN111413718B (zh) * | 2020-03-27 | 2021-06-29 | 杭州华量软件有限公司 | 一种基于船载视频监控的渔船时空轨迹修正方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559252A (zh) * | 2013-11-01 | 2014-02-05 | 桂林电子科技大学 | 给游客推荐其很可能会浏览的景点的方法 |
CN104318324A (zh) * | 2014-10-13 | 2015-01-28 | 南京大学 | 基于出租车gps记录的机场巴士站点及路线规划方法 |
CN105868860A (zh) * | 2016-04-07 | 2016-08-17 | 浙江万马新能源有限公司 | 基于聚类的区域出行意愿强度分析方法、装置及选址方法 |
CN106643734A (zh) * | 2016-12-30 | 2017-05-10 | 中国科学院电子学研究所 | 时空轨迹数据的分级处理方法 |
CN106651027A (zh) * | 2016-12-21 | 2017-05-10 | 北京航空航天大学 | 一种基于社交网络的互联网班车线路优化方法 |
CN107609709A (zh) * | 2017-09-26 | 2018-01-19 | 上海爱优威软件开发有限公司 | 基于场景分类的路径规划方法及系统 |
-
2018
- 2018-08-23 CN CN201810966746.6A patent/CN109238271B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559252A (zh) * | 2013-11-01 | 2014-02-05 | 桂林电子科技大学 | 给游客推荐其很可能会浏览的景点的方法 |
CN104318324A (zh) * | 2014-10-13 | 2015-01-28 | 南京大学 | 基于出租车gps记录的机场巴士站点及路线规划方法 |
CN105868860A (zh) * | 2016-04-07 | 2016-08-17 | 浙江万马新能源有限公司 | 基于聚类的区域出行意愿强度分析方法、装置及选址方法 |
CN106651027A (zh) * | 2016-12-21 | 2017-05-10 | 北京航空航天大学 | 一种基于社交网络的互联网班车线路优化方法 |
CN106643734A (zh) * | 2016-12-30 | 2017-05-10 | 中国科学院电子学研究所 | 时空轨迹数据的分级处理方法 |
CN107609709A (zh) * | 2017-09-26 | 2018-01-19 | 上海爱优威软件开发有限公司 | 基于场景分类的路径规划方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109238271A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tong et al. | A survey on algorithms for intelligent computing and smart city applications | |
Chen et al. | Distribution line pole detection and counting based on YOLO using UAV inspection line video | |
CN106297291B (zh) | 城市快速路交通信息采集系统 | |
CN107247938A (zh) | 一种高分辨率遥感影像城市建筑物功能分类的方法 | |
CN110874362A (zh) | 一种数据关联分析方法及装置 | |
CN107656987B (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
CN107729809A (zh) | 一种自适应生成视频摘要的方法、装置及其可读存储介质 | |
CN109238271B (zh) | 一种基于时间的线路拟合方法 | |
CN113762044A (zh) | 道路识别方法、装置、计算机设备和存储介质 | |
CN110956412A (zh) | 基于实景模型的洪灾动态评估方法、装置、介质和设备 | |
CN112364176A (zh) | 一种人员行动轨迹的构建方法、设备及系统 | |
Dai et al. | Spatio-temporal deep learning framework for traffic speed forecasting in IoT | |
CN114187420A (zh) | 一种实时在线城市规划沙盘模拟方法 | |
CN116167230A (zh) | 一种面向水面无人集群的群体智能仿真试验系统及其方法 | |
CN113516105B (zh) | 一种车道检测方法、装置及计算机可读存储介质 | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
CN104778355B (zh) | 基于广域分布交通系统的异常轨迹检测方法 | |
CN114092920A (zh) | 一种模型训练的方法、图像分类的方法、装置及存储介质 | |
Zhang et al. | Off-deployment traffic estimation—a traffic generative adversarial networks approach | |
CN113673619B (zh) | 一种基于拓扑分析的地理大数据空间潜模式分析方法 | |
CN111753362B (zh) | 一种基于移动平台的大型建筑设计方法 | |
CN114462225A (zh) | 一种车路协同下的混合交通仿真支撑环境快速构建系统 | |
CN109286900B (zh) | 一种Wi-Fi样本数据优化方法 | |
CN114493206A (zh) | 基于bim的全局机场管理系统及方法 | |
CN112732446A (zh) | 一种任务处理方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |