CN109815993B - 基于gps轨迹的区域特征提取、数据库建立及路口识别方法 - Google Patents
基于gps轨迹的区域特征提取、数据库建立及路口识别方法 Download PDFInfo
- Publication number
- CN109815993B CN109815993B CN201910004247.3A CN201910004247A CN109815993B CN 109815993 B CN109815993 B CN 109815993B CN 201910004247 A CN201910004247 A CN 201910004247A CN 109815993 B CN109815993 B CN 109815993B
- Authority
- CN
- China
- Prior art keywords
- matrix
- feature
- track
- coding
- intersection
- 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
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于GPS轨迹的区域特征提取、数据库建立及路口识别方法，在轨迹数据预处理极端，将原始轨迹分为“移动段”和“逗留段”，保留具有明显道路几何特征的“移动段”轨迹用于识别交叉路口；对“移动段”轨迹的经纬度坐标进行GeoHash编码，转化成编码轨迹序列；同时对轨迹活动区域按照同样GeoHash编码精度进行编码和分格，获取区域编码矩阵；使用编码轨迹序列和区域编码矩阵构建二值化的融合矩阵，然后提取交叉路口和非交叉路口的特征矩阵集合；采用带有滑动窗口的KNN算法识别交叉路口，并确定交叉路口的位置；本发明提供的方法有效的减少了待处理的轨迹点数量和计算维度，降低了数据量，使得算法在识别效率上优于基于经纬度坐标系数据集。
Description
技术领域
本发明涉及GPS轨迹数据处理领域，具体涉及一种基于GPS轨迹的区域特征提取、数据库建立及路口识别方法。
背景技术
在GPS轨迹网络中呈现的交通枢纽，蕴含着路网交叉路口的位置信息，通过分析移动对象的GPS轨迹数据，挖掘道路交叉路口的位置，是建立路网拓扑的基础和关键，在很多领域发挥着重要的价值，例如：城市交叉路口的交通分析，智能交通地图的构建、车辆导航地图的更新等。
现有技术对地理区域中的路口进行识别时，往往是通过交叉路口与普通道路的图像进行分析，从而进行识别，但是还存在一些情况是无法获得该地理区域的地图，则该地理区域相当于是一个盲区，无法分辨该地理区域内部的道路的走向以及形状，此时就可以通过对GPS轨迹数据进行区域特征提取，在GPS轨迹的地理区域特征的基础上，挖掘道路交叉路口的位置。
目前，现有技术在对GPS轨迹的地理区域特征进行提取时，是从轨迹本身的计算属性出发，利用轨迹随着路网改变时的角度和距离变化作为特征值，并且设定相应的阈值，进而使用聚类或者分类的算法对交叉路口进行识别，但是这种基于原始轨迹的地理区域特征提取方法不但计算量大，并且在相关阈值的设定上往往会随着用户的交通模式和活动区域的不同而变化，因此基于提取原始轨迹点的地理区域特征的方法限定了交通方式的应用场景，通用性减弱。
发明内容
针对现有技术存在的缺陷与不足，本发明的目的在于提供一种基于GPS轨迹的地理区域特征提取方法，解决现有技术中GPS轨迹特征提取速度慢、效率低的问题。
本发明的目的还在于提供一种基于GPS轨迹的区域特征数据库建立方法，为基于GPS轨迹的路口识别方法提供一个便于分类、路口种类较多的数据库。
本发明的目的还在于提供基于一种基于GPS轨迹的路口识别方法，解决现有技术中路口识别通用性差、地理区域识别速度慢的技术问题。
为了实现上述任务，本发明采用以下技术方案：
一种基于GPS轨迹的区域特征提取方法，用于对GPS轨迹经过的地理区域的特征进行提取，所述的地理区域为矩形地理区域，所述的方法按照以下步骤执行：
步骤1、寻找经过所述地理区域的所有GPS轨迹，获得多个原始GPS轨迹；
步骤2、从每个原始GPS轨迹中提取具有移动特征的GPS轨迹数据，获得多个移动GPS轨迹；
步骤3、分别以相同的编码精度对每个所述的移动GPS轨迹以及地理区域进行GeoHash编码，获得多个轨迹编码序列以及区域编码矩阵；
所述的轨迹编码序列包括多个轨迹编码元素，所述的区域编码矩阵包括多个区域编码元素；
步骤4、依次判断所述区域编码矩阵中每个区域编码元素是否与任一轨迹编码元素相同，若相同，则在区域编码矩阵中将本次判断的区域编码元素置1，否则置0；
直至所述的区域编码矩阵中所有的区域编码元素均被判断过，获得融合矩阵；
步骤5、利用特征提取窗口对所述的融合矩阵进行特征矩阵提取，获得地理区域的特征矩阵。
进一步地，所述的步骤5中利用特征提取窗口对所述的融合矩阵进行特征矩阵提取时，将所述的特征提取窗口作为滑动窗口以固定步长对所述的融合矩阵进行多次特征矩阵的提取，获得多个地理区域的特征矩阵。
一种基于GPS轨迹的区域特征数据库建立方法，所述的区域特征数据库中包括多个标准特征矩阵，所述的标准特征矩阵的类别包括交叉路口以及非交叉路口，所述的方法按照以下步骤执行：
步骤A、采用所述的基于GPS轨迹的区域特征提取方法对交叉路口地理区域进行特征提取，获得交叉路口的标准特征矩阵，其中特征提取窗口的大小大于等于交叉路口地理区域的融合矩阵中最大的路口对应的矩阵块的大小；
步骤B、采用基于GPS轨迹的区域特征提取方法对非交叉路口的地理区域进行特征提取，获得非交叉路口的标准特征矩阵，其中特征提取窗口的大小与步骤A中进行特征提取时采用的特征提取窗口大小相同。
一种基于GPS轨迹的路口识别方法，所述的方法按照以下步骤执行：
采用基于GPS轨迹的区域特征提取方法对待识别的地理区域提取特征矩阵，获得待识别的特征矩阵；
计算每个待识别的特征矩阵与基于GPS轨迹的区域特征数据库建立方法中的区域特征数据库中所有标准特征矩阵之间的欧氏距离，其中待识别的特征矩阵与标准特征矩阵的大小相同；
将最小欧氏距离对应的标准特征矩阵的类别作为待识别的特征矩阵的区域类别；
在融合矩阵中找到待识别的特征矩阵的位置后，对应地在区域编码矩阵中找到待识别的特征矩阵，根据待识别的特征矩阵的区域类别，获得区域编码矩阵中待识别的特征矩阵对应的GeoHash编码代表的地理区域的区域类别；
对GeoHash编码进行解码，获得待识别的地理区域的识别结果。
本发明与现有技术相比具有以下技术特点：
1.本发明提供的基于GPS数据的地理区域特征提取方法不受交通模式变化而产生的GPS轨迹采样频率的影响，对用户产生的轨迹数据做统一处理，提高了地理区域特征提取的效率；本发明提供的基于GPS数据的地理区域特征提取方法利用GeoHash编码对GPS轨迹数据和地理区域进行编码处理，有效的减少了待处理的轨迹点数量和计算维度，降低了数据量，使得区域特征提取方法在识别速度、效率上优于基于经纬度坐标系数据集，进一步地提高了路口识别方法的速度与效率；
2.本发明提供的一种基于GPS轨迹的区域特征数据库建立方法，通过提取不同种类地理区域的标准特征矩阵作为区域特征数据库，为基于GPS轨迹的路口识别方法提供了更为全面的数据对比，可以提供多种类型的交叉路口的标准特征矩阵，使得基于GPS轨迹的路口识别方法具有良好的通用性；
3.本发明提供的基于GPS轨迹的路口识别方法使用KNN的分类思想去识别交叉路口，可以识别多种类型的交叉路口，不受城市道路形态的影响，具有较好的通用性。
附图说明
图1为本发明提供的基于GPS轨迹的区域特征提取方法的流程图；
图2为本发明的一个实施例中提供的原始GPS轨迹；
图3为本发明的一个实施例中提供的原始轨迹与轨迹编码对比图；
图4为本发明的一个实施例中提供的移动GPS轨迹经过GeoHash编码前后对应关系图；
图5为本发明的一个实施例中提供的矩形地理区域编码图；
图6为本发明的一个实施例中提供的图像形式的融合矩阵；
图7为本发明的一个实施例中提供的十字型交叉路口的图像形式的标准特征矩阵；
图8为本发明的一个实施例中提供的L型交叉路口的图像形式的标准特征矩阵；
图9为本发明的一个实施例中提供的T型交叉路口的图像形式的标准特征矩阵；
图10为本发明的一个实施例中提供的非叉路口的图像形式的标准特征矩阵；
图11为本发明的一个实施例中提供的图像形式的待识别的地理区域的特征矩阵。
具体实施方式
GeoHash编码是一种地址编码方法，能够把二维的空间经纬度数据编码成一个字符串，用一个字符串表示经度和纬度两个坐标；GeoHash表示的并不是一个点，而是一个区域；GeoHash编码的前缀可以表示更大的区域，例如wx4g0ec1，它的前缀wx4g0e表示包含编码wx4g0ec1在内的更大范围，这个特性可以用于附近地点搜索。
GeoHash的编码精度即GeoHash编码长度，编码越长，表示的范围越小，位置也越精确，因此可以通过比较GeoHash匹配的位数来判断两个点之间的大概距离。
以下是发明人提供的具体实施例，以对本发明的技术方案作进一步解释说明。
现有技术对地理区域中的路口进行识别时，往往是通过交叉路口与普通道路的图像进行分析，从而进行识别，但是还存在一些情况是无法获得该地理区域的地图，则该地理区域相当于是一个盲区，无法分辨该地理区域内部的道路的走向以及形状，此时就可以通过对GPS轨迹数据进行特征提取，在GPS轨迹特征的基础上，挖掘道路交叉路口的位置。
实施例一
如图1所示，在本实施例中提供了一种基于GPS轨迹的区域特征提取方法，用于对GPS轨迹经过的地理区域的特征进行提取，地理区域为矩形地理区域。
在本实施例中，对地理区域特征进行提取时，已知的信息有该地理区域的经纬度坐标，如图2所示，对北京市海淀区内的一个矩形地理区域中的道路特征进行提取，特征包括交叉路口特征以及非交叉路口特征。因此在本实施例中，对该地理区域的交叉路口特征以及非交叉路口进行提取时，相当于是拿到一个黑匣子。
所述的方法按照以下步骤执行：
步骤1、寻找经过所述地理区域的所有GPS轨迹，获得多个原始GPS轨迹；
在本实施例中，利用GPS轨迹将地理区域进行填充，行人在行走时，带有的GPS轨迹数据相当于对这个地理区域进行测绘。
行人在移动时会产生一系列的GPS轨迹，该GPS轨迹是由众多GPS单点构成的，计算机收集多个行人的GPS轨迹数据以及采集该GPS轨迹数据时的时间信息，并将它们存入数据库中。因此步骤1的目的是将采集多个GPS轨迹的信息，并存入数据库中，以供后续步骤的调用。
步骤2、从每个原始GPS轨迹中提取具有移动特征的GPS轨迹数据，获得多个移动GPS轨迹；
在本实施例中，用户在混合交通模式下产生的GPS轨迹，由“移动段”和“逗留段”组成。其中，“逗留段”代表移动过程中，速度和角度等移动参数较稳定情况下产生的轨迹，“移动段”通常代表较明显的道路几何特征；“逗留段”则代表用户在某一区域或兴趣点停留时所产生的轨迹，不具有明显的道路几何特征。因此本文在数据预处理阶段，将原始GPS轨迹进行“移动段”和“逗留段”划分，保留“移动段”轨迹，挖掘“移动段”轨迹GPS数据中的蕴含的交叉特性，识别交叉路口和确定其位置信息。图2所示为原始GPS轨迹的分段，从时间可以看出用户在此区域停留了约68分钟，经过位置查询，可以确定此区域是北京大学医学部。
本发明提供的方法不受交通模式变化而产生的GPS轨迹采样频率的影响，对用户产生的轨迹数据做统一处理，适用于混合交通模式下的产生的高低频混合GPS轨迹的地理区域特征提取；
步骤3、分别以相同的编码精度对每个所述的移动GPS轨迹数据以及地理区域进行GeoHash编码，获得多个轨迹编码序列以及区域编码矩阵；
所述的轨迹编码序列包括多个轨迹编码元素，所述的区域编码矩阵包括多个区域编码元素；
在本步骤中，具体包括：
步骤3.1、GeoHash编码精度的确定：
在考虑移动GPS轨迹中轨迹点间平均距离的同时，利用轨迹编码序列和移动GPS轨迹间的几何相似性确定GeoHash编码精度α。如图3所示，在α＝8时，原始轨迹和和轨迹编码保持了几何上的相似性。
步骤3.2、对移动GPS轨迹进行GeoHash编码：
利用GeoHash编码对移动GPS轨迹中的轨迹点的经度和纬度进行编码处理，将二维的位置信息转化成一维的字符串形式，GeoHash编码精度为α。移动GPS轨迹经过GeoHash编码前后对应关系如图4所示。
步骤3.3、对地理区域进行GeoHash编码：
利用与步骤3.2同样的GeoHash编码精度，对整个轨迹活动区域做编码和分格，进而构造区域编码矩阵。如图5所示，是对北京市海淀区内的一个矩形地理区域进行了编码和分格，每个地理单元格都有一个独一无二的编码表示。
步骤4、依次判断所述区域编码矩阵中每个区域编码元素是否与任一轨迹编码元素相同，若相同，则在区域编码矩阵中将本次判断的区域编码元素置1，否则置0；
直至所述的区域编码矩阵中所有的区域编码元素均被判断过，获得融合矩阵；
在本实施例中，对于轨迹编码序列中的每个轨迹编码元素和区域编码矩阵中的每个区域编码元素，利用同一编码分格区域内的GeoHash编码唯一的性质进行映射，同时将映射结果构建成二值化融合矩阵。
在本实施例中，对一个用户的轨迹序列进行GeoHash编码如表1所示。
表1某轨迹GeoHash编码
| 纬度 | 经度 | 日期 | 时间 | GeoHash编码 |
| 39.975909 | 116.363785 | 2008/5/21 | 14:17:01 | wx4ervms |
| 39.976077 | 116.363776 | 2008/5/21 | 14:17:03 | wx4ervmt |
| 39.976228 | 116.363751 | 2008/5/21 | 14:17:05 | wx4ervmq |
| 39.976359 | 116.363713 | 2008/5/21 | 14:17:07 | wx4ervmr |
| 39.976463 | 116.363688 | 2008/5/21 | 14:17:09 | wx4ervmr |
| 39.976548 | 116.363655 | 2008/5/21 | 14:17:11 | wx4ervt2 |
| 39.976642 | 116.363635 | 2008/5/21 | 14:17:13 | wx4ervt2 |
| 39.976724 | 116.363618 | 2008/5/21 | 14:17:15 | wx4ervt3 |
| 39.976797 | 116.36361 | 2008/5/21 | 14:17:17 | wx4ervt3 |
| 39.976866 | 116.363606 | 2008/5/21 | 14:17:19 | wx4ervt6 |
| 39.976916 | 116.363606 | 2008/5/21 | 14:17:21 | wx4ervt6 |
| 39.976976 | 116.363631 | 2008/5/21 | 14:17:23 | wx4ervt6 |
| 39.977067 | 116.363641 | 2008/5/21 | 14:17:25 | wx4ervt7 |
| 39.97714 | 116.363656 | 2008/5/21 | 14:17:27 | wx4ervt7 |
| 39.977206 | 116.363651 | 2008/5/21 | 14:17:29 | wx4ervtk |
| 39.977253 | 116.363656 | 2008/5/21 | 14:17:31 | wx4ervtk |
| 39.977328 | 116.363679 | 2008/5/21 | 14:17:33 | wx4ervtk |
| 39.9774 | 116.36369 | 2008/5/21 | 14:17:35 | wx4ervtm |
| 39.977459 | 116.363681 | 2008/5/21 | 14:17:37 | wx4ervtm |
| 39.977518 | 116.363681 | 2008/5/21 | 14:17:39 | wx4ervtm |
| 39.977557 | 116.363671 | 2008/5/21 | 14:17:41 | wx4ervtq |
在本实施例中，对一个用户的轨迹序列进行GeoHash编码后获得的轨迹编码序列为：
wx4ervms->wx4ervmt->wx4ervmq->wx4ervmr->wx4ervt2->wx4ervt3->wx4ervt6->wx4ervt7->wx4ervtk->wx4ervtm->wx4ervtq。
在本实施例中，对一个地理区域进行GeoHash编码，获得区域编码矩阵为：
| wx4ervtn | wx4ervtq | wx4ervtw | wx4ervty |
| wx4ervtj | wx4ervtm | wx4ervtt | wx4ervtv |
| wx4ervth | wx4ervtk | wx4ervts | wx4ervtu |
| wx4ervt5 | wx4ervt7 | wx4ervte | wx4ervtg |
| wx4ervt4 | wx4ervt6 | wx4ervtd | wx4ervtf |
| wx4ervt1 | wx4ervt3 | wx4ervt9 | wx4ervtc |
| wx4ervt0 | wx4ervt2 | wx4ervt8 | wx4ervtb |
| wx4ervmp | wx4ervmr | wx4ervmx | wx4ervmz |
| wx4ervmn | wx4ervmq | wx4ervmw | wx4ervmy |
| wx4ervmj | wx4ervmm | wx4ervmt | wx4ervmv |
| wx4ervmh | wx4ervmk | wx4ervms | wx4ervmu |
在本实施例中，利用轨迹编码序列对区域编码矩阵进行二值化，具体过程就是看区域编码矩阵是否有轨迹编码序列中的元素，例如对于区域编码矩阵的第1,1个元素wx4ervtn，轨迹编码序列中没有这个元素，则将区域编码矩阵的第1,1个元素替换为0，对于区域编码矩阵的第1,2个元素wx4ervtq，轨迹编码序列中有这个元素，则将区域编码矩阵的第1,2个元素替换为1，经过以上步骤，获得的二值化后的融合矩阵为：
| 0 | 1 | 0 | 0 |
| 0 | 1 | 0 | 0 |
| 0 | 1 | 0 | 0 |
| 0 | 1 | 0 | 0 |
| 0 | 1 | 0 | 0 |
| 0 | 1 | 0 | 0 |
| 0 | 1 | 0 | 0 |
| 0 | 1 | 0 | 0 |
| 0 | 1 | 0 | 0 |
| 0 | 0 | 1 | 0 |
| 0 | 0 | 1 | 0 |
如图6所示，是将经纬度范围在(116°19′0″E，116°23′0″E)(39°58′13″N，40°01′00″N)内的75条用户轨迹数据，经过编码映射成的图像形式的融合矩阵，其中0为黑色，1为白色。
步骤5、利用特征提取窗口对所述的融合矩阵进行特征矩阵提取，获得地理区域的特征矩阵。
在本实施例中，由于融合矩阵是一个二值化的矩阵，如果将这个二值化的矩阵转换成图像形式，0为黑色，1为白色，则融合矩阵就是一个黑白地图，此时利用特征提取窗口对其中的特征进行提取时，就相当于对一幅二值化后的图像进行特征提取，但是在本实施例中提取的都是像素点，将这些像素点组成的矩阵作为特征矩阵，如图7所示。特征矩阵可以是一个也可以是多个。
在本实施例中，当特征矩阵为多个时，可以利用特征提取窗口分次对融合矩阵进行特征提取，也可以利用滑动窗口的方式。
可选地，所述的步骤5中利用特征提取窗口对所述的融合矩阵进行特征矩阵提取时，将所述的特征提取窗口作为滑动窗口以固定步长对所述的融合矩阵进行多次特征矩阵的提取，其中所述滑动窗口位于初始位置时，滑动窗口左上角顶点位于所述融合矩阵的任一个顶点上，获得多个地理区域的特征矩阵。
在本实施例中，特征提取窗口按照固定步长划过融合矩阵，其中步长是以矩阵元素为单位的，每滑动一次最少移动矩阵中的一个元素的距离。
本发明提供的方法利用GeoHash编码对GPS轨迹数据和轨迹活动区域进行编码处理，有效的减少了待处理的轨迹点数量和计算维度，使得算法在识别效率上优于基于经纬度坐标系数据集；
实施例二
一种基于GPS轨迹的区域特征数据库建立方法，所述的区域特征数据库中包括多个标准特征矩阵，所述的标准特征矩阵的类别包括交叉路口以及非交叉路口。
由于城市交叉路口的形状是多种多样的，所以在进行交叉路口识别的过程中，应该充分考虑交叉路口形态的多样性，因此在本实施例中，标准特征矩阵的类别可以再进行细分，例如路口地理区域包括十字路口、丁字路口等路口的地理区域，非路口地理区域包括道路地理区域、建筑地理区域等非路口的地理区域。
所述的方法按照以下步骤执行：
步骤A、采用上述基于GPS轨迹的区域特征提取方法对路口地理区域进行特征提取，获得多个路口地理区域的标准特征矩阵，其中特征提取窗口的大小大于等于所述的融合矩阵中最大的路口对应的矩阵块的大小；
在本步骤中，特征提取窗口大小的确定包括以下步骤：
I、把融合矩阵转换为图像形式；
由于融合矩阵是一个二值的矩阵，因此对融合矩阵可视化后，相当于将融合矩阵转换为图像形式；
II、从图像形式的融合矩阵中找到最大路口对应的矩阵块的大小；
在本步骤中，相当于从图像形式的融合矩阵中找到各种路口的形状，由于本发明中的识别方法主要是对地理区域中的路口进行识别，因此在选择窗口大小时，需要大于等于实际地理区域中最大的一个路口对应的矩阵块的大小。
III、特征提取窗口的大小大于等于这个最大路口对应的矩阵块的大小。
步骤B、采用上述基于GPS轨迹的区域特征提取方法对非路口的地理区域进行特征提取，获得多个非路口地理区域的标准特征矩阵，其中特征提取窗口的大小与步骤A中进行特征提取时采用的特征提取窗口大小相同。
在本步骤中，为了保证识别结果的准确率，令所有标准特征矩阵的大小都一致，并且在后续识别时，提取的待识别的特征矩阵的大小都要与标准特征矩阵大小一致。
在本实施例中，对交叉路口进行了再次的细分，包括十字型交叉路口，L型交叉路口以及T型交叉路口一共3种交叉路口，还有非交叉路口一种，因此在本实施例中，样本类别一共有4种，分别是十字型交叉路口，L型交叉路口、T型交叉路口以及非交叉路口，在本实施例中，对这4种类型的道路特征分别提取了5个样本，因此在本实施例中，区域特征数据库数据库包括20个标准特征矩阵，每个标准特征矩阵的大小均为15*15个元素。
对于十字型交叉路口的图像形式的标准特征矩阵m1如图7(a)所示，图像形式的标准特征矩阵m2如图7(b)所示，图像形式的标准特征矩阵m3如图7(c)所示，图像形式的标准特征矩阵m4如图7(d)所示，图像形式的标准特征矩阵m5如图7(e)所示。
对于L形交叉路口的图像形式的标准特征矩阵m6如图8(a)所示，图像形式的标准特征矩阵m7如图8(b)所示，图像形式的标准特征矩阵m8如图8(c)所示，图像形式的标准特征矩阵m9如图8(d)所示，图像形式的标准特征矩阵m10如图8(e)所示。
对于T形交叉路口的图像形式的标准特征矩阵m11如图9(a)所示，图像形式的标准特征矩阵m12如图9(b)所示，图像形式的标准特征矩阵m13如图9(c)所示，图像形式的标准特征矩阵m14如图9(d)所示，图像形式的标准特征矩阵m15如图9(e)所示。
对于L形交叉路口的图像形式的标准特征矩阵m16如图10(a)所示，图像形式的标准特征矩阵m17如图10(b)所示，图像形式的标准特征矩阵m18如图10(c)所示，图像形式的标准特征矩阵m19如图10(d)所示，图像形式的标准特征矩阵m20如图10(e)所示。
实施例三
一种基于GPS轨迹的路口识别方法，所述的方法包括：
采用实施例一中的基于GPS轨迹的区域特征提取方法对待识别的地理区域提取特征矩阵，获得多个待识别的地理区域的特征矩阵；
在本实施例中，获得如图11所示的图像形式的待识别的地理区域的特征矩阵，其大小为15*15个元素。
计算每个待识别的地理区域的特征矩阵与实施例二中的区域特征数据库中所有标准特征矩阵之间的欧氏距离，其中待识别的地理区域的特征矩阵与标准特征矩阵的大小相同；
在本实施例中，采用了KNN聚类算法的思想，计算特征矩阵与标准特征矩阵之间的欧氏距离，计算时，将特征矩阵与标准特征矩阵均转换为1维向量的形式，然后利用欧氏距离的计算公式，计算特征矩阵与每一个标准特征矩阵之间的距离。
在本实施例中，计算如图11所示的待识别的地理区域的特征矩阵与实施例二中获得的区域特征数据库数据库中20个标准特征矩阵之间的距离，如表2所示。
表2待识别的地理区域的特征矩阵与标准特征矩阵之间的距离
| 编号 | m1 | m2 | m3 | m4 | m5 | m6 | m7 | m8 | m9 | m10 |
| 距离 | 5.57 | 7.0 | 6.63 | 8.54 | 5.48 | 9.33 | 10.34 | 9.49 | 9.85 | 8.43 |
| 编号 | m11 | m12 | m13 | m14 | m15 | m16 | m17 | m18 | m19 | m20 |
| 距离 | 9.17 | 8.94 | 9.38 | 8.77 | 9.0 | 9.33 | 8.66 | 6.56 | 9.75 | 9.95 |
对于每个待识别的特征矩阵，将与所有标准特征矩阵之间最小欧氏距离对应的标准特征矩阵的类别作为区域类别；
在本实施例中，距离值最小对应的标准特征矩阵为十字型交叉路口标准特征矩阵m5，因此待识别的特征矩阵的区域类别为十字型交叉路口。
在本实施例中，还提供了一种判别方式，采用KNN的思想，将K值设置为10，找到距离待识别的特征矩阵最近的10个标准特征矩阵，如表3所示。
在融合矩阵中找到每个待识别的特征矩阵的位置后，对应地在区域编码矩阵中找到每个待识别的特征矩阵，根据每个待识别的特征矩阵的区域类别，获得区域编码矩阵中每个待识别的特征矩阵对应的GeoHash编码代表的地理区域的区域类别；
在本实施例中，如图11所示的待识别的地理区域的特征矩阵的GeoHash编码代表的区域为十字型交叉路口。
对GeoHash编码进行解码，获得待识别的地理区域的识别结果。
在本实施例中，如图11所示的待识别的地理区域的特征矩阵进行解码：
wx4erj3r解码的经纬度为(116.32513046264648,39.97641563415527)；wx4erjkz解码的经纬度为(116.32993698120117,39.97641563415527)；wx4erj13解码的经纬度为(116.32513046264648,39.97401237487793)；wx4erjhc解码的经纬度为(116.32993698120117,39.97401237487793)；
因此该地理区域的经纬度范围是经度(116°19′30″E，116°19′47″E)，纬度(39°58′26″N，39°58′35″N)，东西长度：410.56M，南北长度：257.23M，总面积：105608.3488平方米，则这个地理区域是十字型交叉路口。
本发明提供的方法使用KNN的分类思想去识别交叉路口，可以识别多种类型的交叉路口，不受城市道路形态的影响，算法具有较好的通用性。
Claims (4)
1.一种基于GPS轨迹的区域特征提取方法，用于对GPS轨迹经过的地理区域的特征进行提取，其特征在于，所述的地理区域为矩形地理区域，所述的方法按照以下步骤执行：
步骤1、寻找经过所述地理区域的所有GPS轨迹，获得多个原始GPS轨迹；
步骤2、从每个原始GPS轨迹中提取具有移动特征的GPS轨迹数据，获得多个移动GPS轨迹；
步骤3、分别以相同的编码精度对每个所述的移动GPS轨迹以及移动GPS轨迹对应的地理区域进行GeoHash编码，获得多个轨迹编码序列以及区域编码矩阵；
所述的轨迹编码序列包括多个轨迹编码元素，所述的区域编码矩阵包括多个区域编码元素；
步骤4、依次判断所述区域编码矩阵中每个区域编码元素是否与任一轨迹编码元素相同，若相同，则在区域编码矩阵中将本次判断的区域编码元素置1，否则置0；
直至所述的区域编码矩阵中所有的区域编码元素均被判断过，获得融合矩阵；
步骤5、利用特征提取窗口对所述的融合矩阵进行特征矩阵提取，获得地理区域的特征矩阵。
2.如权利要求1所述的基于GPS轨迹的区域特征提取方法，其特征在于，所述的步骤5中利用特征提取窗口对所述的融合矩阵进行特征矩阵提取时，将所述的特征提取窗口作为滑动窗口以固定步长对所述的融合矩阵进行多次特征矩阵的提取，获得多个地理区域的特征矩阵。
3.一种基于GPS轨迹的区域特征数据库建立方法，其特征在于，所述的区域特征数据库中包括多个标准特征矩阵，所述的标准特征矩阵的类别包括交叉路口以及非交叉路口，所述的方法按照以下步骤执行：
步骤A、采用权利要求1-2任一项权利要求所述的基于GPS轨迹的区域特征提取方法对交叉路口地理区域进行特征提取，获得交叉路口的标准特征矩阵，其中特征提取窗口的大小大于等于交叉路口地理区域的融合矩阵中最大的路口对应的矩阵块的大小；
步骤B、采用权利要求1-2任一项权利要求所述的基于GPS轨迹的区域特征提取方法对非交叉路口的地理区域进行特征提取，获得非交叉路口的标准特征矩阵，其中特征提取窗口的大小与步骤A中进行特征提取时采用的特征提取窗口大小相同。
4.一种基于GPS轨迹的路口识别方法，其特征在于，所述的方法按照以下步骤执行：
采用权利要求1-2任一项权利要求所述的基于GPS轨迹的区域特征提取方法对待识别的地理区域提取特征矩阵，获得待识别的特征矩阵；
计算每个待识别的特征矩阵与所述的权利要求3中的区域特征数据库中所有标准特征矩阵之间的欧氏距离，其中待识别的特征矩阵与标准特征矩阵的大小相同；
将最小欧氏距离对应的标准特征矩阵的类别作为待识别的特征矩阵的区域类别；
在融合矩阵中找到待识别的特征矩阵的位置后，对应地在区域编码矩阵中找到待识别的特征矩阵，根据待识别的特征矩阵的区域类别，获得区域编码矩阵中待识别的特征矩阵对应的GeoHash编码代表的地理区域的区域类别；
对GeoHash编码进行解码，获得待识别的地理区域的识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910004247.3A CN109815993B (zh) | 2019-01-03 | 2019-01-03 | 基于gps轨迹的区域特征提取、数据库建立及路口识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910004247.3A CN109815993B (zh) | 2019-01-03 | 2019-01-03 | 基于gps轨迹的区域特征提取、数据库建立及路口识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109815993A CN109815993A (zh) | 2019-05-28 |
| CN109815993B true CN109815993B (zh) | 2023-05-23 |
Family
ID=66604002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910004247.3A Active CN109815993B (zh) | 2019-01-03 | 2019-01-03 | 基于gps轨迹的区域特征提取、数据库建立及路口识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109815993B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG11202112081PA (en) | 2019-10-10 | 2021-11-29 | Grabtaxi Holdings Pte Ltd | Method, data processing apparatus and computer program product for determining road intersections |
| CN112689238A (zh) * | 2019-10-18 | 2021-04-20 | 西安光启未来技术研究院 | 一种基于区域的轨迹碰撞方法、系统、存储介质及处理器 |
| CN110889042B (zh) * | 2019-11-26 | 2022-03-15 | 北京梧桐车联科技有限责任公司 | 资源推荐方法、装置、计算机设备及存储介质 |
| CN111649750B (zh) * | 2020-04-29 | 2023-08-08 | 中国平安财产保险股份有限公司 | 车辆gps数据地图匹配方法、装置、终端及存储介质 |
| CN112148825B (zh) * | 2020-09-24 | 2022-03-11 | 腾讯科技（深圳）有限公司 | 用户轨迹数据的处理方法、装置、电子设备及存储介质 |
| CN112380311B (zh) * | 2020-11-27 | 2024-04-02 | 上海评驾科技有限公司 | 一种基于行程轨迹的poi识别方法 |
| CN113554891B (zh) * | 2021-07-19 | 2022-07-01 | 江苏南大苏富特智能交通科技有限公司 | 一种基于公交gps轨迹构建电子地图路网的方法 |
| CN114234996B (zh) * | 2021-12-21 | 2024-04-23 | 超级视线科技有限公司 | 一种基于多路口多传感器的航迹融合方法及系统 |
| CN115795115B (zh) * | 2023-02-11 | 2023-05-02 | 云南师范大学 | 一种基于图存储的多轨迹集合相似性搜索方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107247761A (zh) * | 2017-06-01 | 2017-10-13 | 武汉理工大学 | 基于位图的轨迹编码方法 |
| CN108645421A (zh) * | 2018-05-15 | 2018-10-12 | 天津大学 | 基于隐马尔科夫模型的自适应在线地图匹配方法 |
| CN109029472A (zh) * | 2018-07-10 | 2018-12-18 | 天津大学 | 基于低采样率gps轨迹点的地图匹配方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6638267B2 (ja) * | 2015-09-07 | 2020-01-29 | カシオ計算機株式会社 | 地理座標符号化装置、方法、およびプログラム、地理座標復号装置、方法、およびプログラム、地理座標符号化装置を用いた端末装置 |
-
2019
- 2019-01-03 CN CN201910004247.3A patent/CN109815993B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107247761A (zh) * | 2017-06-01 | 2017-10-13 | 武汉理工大学 | 基于位图的轨迹编码方法 |
| CN108645421A (zh) * | 2018-05-15 | 2018-10-12 | 天津大学 | 基于隐马尔科夫模型的自适应在线地图匹配方法 |
| CN109029472A (zh) * | 2018-07-10 | 2018-12-18 | 天津大学 | 基于低采样率gps轨迹点的地图匹配方法 |
Non-Patent Citations (1)
| Title |
|---|
| 移动对象不确定性轨迹预测模型研究;王晓腾;《硕士电子期刊》;20161016(第10期);1-69 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109815993A (zh) | 2019-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109815993B (zh) | 基于gps轨迹的区域特征提取、数据库建立及路口识别方法 | |
| Graesser et al. | Image based characterization of formal and informal neighborhoods in an urban landscape | |
| CN109739926B (zh) | 一种基于卷积神经网络的移动对象目的地预测方法 | |
| Kumar et al. | Fast and scalable big data trajectory clustering for understanding urban mobility | |
| CN107633067A (zh) | 一种基于人员行为规律和数据挖掘方法的群体识别方法 | |
| CN103870803A (zh) | 一种基于粗定位与精定位融合的车牌识别方法和系统 | |
| CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
| CN111383286B (zh) | 定位方法、装置、电子设备及可读存储介质 | |
| CN111782741A (zh) | 兴趣点挖掘方法、装置、电子设备及存储介质 | |
| CN112365595A (zh) | 基于报警数据点要素的鉴别交通事故多发点的分析方法 | |
| Hu | Intelligent road sign inventory (IRSI) with image recognition and attribute computation from video log | |
| CN116340563A (zh) | 图形匹配的城市场景地理位置定位方法 | |
| CN113627288B (zh) | 一种面向海量影像的智能化信息标签获取方法 | |
| Yang et al. | Road intersection identification from crowdsourced big trace data using Mask‐RCNN | |
| CN113516060B (zh) | 基于多时相高分辨率数据的建筑空间融合判别方法及装置 | |
| Eum et al. | Vehicle detection from airborne LiDAR point clouds based on a decision tree algorithm with horizontal and vertical features | |
| CN111242223A (zh) | 一种基于街景影像多特征融合的街道空间品质评价方法 | |
| CN111105435A (zh) | 标志物匹配方法、装置及终端设备 | |
| Pu et al. | Road intersection detection based on direction ratio statistics analysis | |
| Men et al. | Airport runway semantic segmentation based on DCNN in high spatial resolution remote sensing images | |
| CN112015937B (zh) | 一种图片地理定位方法及系统 | |
| CN113064958A (zh) | 基于图传视频处理技术和数据分析的城市规划设计勘察数据建立处理方法 | |
| CN111291662A (zh) | 一种基于平面选择的车载点云杆状物提取方法 | |
| CN108108747B (zh) | 一种解决大数据聚类的基于视觉原理的聚类方法 | |
| Zhang et al. | Urban Functional District Identification and Analysis from Multi-Source Data |
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 |