CN111024098A - 一种基于低采样数据的机动车路径拟合算法 - Google Patents
一种基于低采样数据的机动车路径拟合算法 Download PDFInfo
- Publication number
- CN111024098A CN111024098A CN201911374030.8A CN201911374030A CN111024098A CN 111024098 A CN111024098 A CN 111024098A CN 201911374030 A CN201911374030 A CN 201911374030A CN 111024098 A CN111024098 A CN 111024098A
- Authority
- CN
- China
- Prior art keywords
- track
- point
- sampling
- points
- projection
- 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.)
- Pending
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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Abstract
一种基于低采样数据的机动车路径拟合算法。本发明公开了步骤S1,读取配置项信息,获取所需处理的轨迹数据、路网数据;步骤S4,对路网数据进行过滤,根据城市实际情况确定需要保留的道路类型字段,并按地理信息将每条路进行存储;步骤S7,对于整条轨迹,对相邻轨迹点构建迁徙概率矩阵,并计算相邻投影点之间的综合概率,最终可以得到整条轨迹中,每个轨迹点对应的投影点之间的概率矩阵;步骤S8,根据步骤7计算得到的整条轨迹的综合概率矩阵,得到整条轨迹的关系图,依次选取值最大的投影点作为轨迹的最佳拟合路径。本发明综合考虑空间分布、时间消耗等信息,在此时空分析的基础上,计算出相邻映射点之间的迁徙概率,进行局部的最优概率路径选取,达到渐进式的高精度路径拟合。
Description
技术领域
本发明属于城市交通技术领域,具体涉及一种基于低采样数据的机动车路径拟合算法。
背景技术
将原始信令数据与数字地图或数字道路网络匹配通常称为路径拟合。信令数据存在采样率低、精度差、乒乓切换不规律等问题,因此无法适用于传统的路径拟合算法。机动车路径拟合是许多应用程序的基本预处理步骤,如交通流分析、行车路线规划等。目前大多数路径拟合算法采用局部或增量算法,完全忽略了相邻点之间的相关性,只适用于高采样率的GPS数据,对于采样率较低的信令数据,处理结果较差。为此,我们提出一种基于低采样数据的机动车路径拟合算法,以解决上述背景技术中提到的问题。
发明内容
本发明的目的在于提供一种基于低采样数据的机动车路径拟合算法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于低采样数据的机动车路径拟合算法,包括如下步骤:
步骤S1,读取配置项信息,获取所需处理的轨迹数据、路网数据;
步骤S2,抽取并存储轨迹数据;
步骤S3,轨迹数据的预处理;
步骤S4,对路网数据进行过滤,根据城市实际情况确定需要保留的道路类型字段,并按地理信息将每条路进行存储;
步骤S5,轨迹投影点的选取与存储;
步骤S7,对于整条轨迹,对相邻轨迹点构建迁徙概率矩阵,并计算相邻投影点之间的综合概率,最终可以得到整条轨迹中,每个轨迹点对应的投影点之间的概率矩阵;
步骤S8,根据步骤7计算得到的整条轨迹的综合概率矩阵,利用动态规划,得到整条轨迹的关系图,依次选取值最大的投影点作为轨迹的最佳拟合路径。
优选的,所述步骤S1具体包括:
步骤S1.1,读取轨迹数据;
步骤S1.2,读取轨迹数据所在区域的路网数据;
步骤S1.3,根据实际需求,设置投影点的半径门限、正态分布函数的标准差σ;
步骤S1.4,读取需要进行拟合的轨迹所在的时间段。
优选的,所述步骤S2具体包括:
步骤S2.1,提取轨迹数据中的经纬度、时间字段,并存储;
步骤S2.2,对轨迹按照时间进行排序;
步骤S2.3,根据步骤S14中的时间段,抽取轨迹并存储。
优选的,所述步骤S3具体包括:
步骤S3.1,判断采样点有效性,若经纬度是否为0,则认为是无效采样点,删除该点;
步骤S3.2,判断同一个采样时间点下是否有多个采样点,若存在,则对多个采样点的经纬度进行比较;若经纬度相同,则删除重复的采样点;否则,选取采样个数最多的坐标作为该采样时间点的采样坐标,若采样个数相同,则选取第一个点作为该采样时间点的采样坐标。
优选的,所述步骤S5具体包括:
步骤S5.1,设置源点与投影点之间的最大球面距离门限值dmax;
步骤S5.4,保存当前轨迹点的所有投影点,以及对应的路网信息。
优选的,所述步骤S7的具体方法如下:
步骤S7.2,根据时间间隔与轨迹信息计算出相邻投影点之间的行进速度,并求出与当前道路限速的比重概率,记为P3;
优选的,所述步骤S8的具体方法如下:
步骤S8.1,取整条轨迹第一个投影点的正态分布值作为初始值;
步骤S8.2,依次计算当前投影点与下一个相邻投影点的综合概率之和,将每次得到的结果与上一个投影点的结果比较,取较大值;
步骤S8.3,根据步骤8.2的计算结果,选取投影点中值最大的,得到最佳拟合结果。
与现有技术相比,本发明的有益效果是:本发明提供的一种基于低采样数据的机动车路径拟合算法,本发明综合考虑空间分布、时间消耗等信息,在此时空分析的基础上,计算出相邻映射点之间的迁徙概率,进行局部的最优概率路径选取,达到渐进式的高精度路径拟合。
附图说明
图1为本发明一种基于低采样数据的机动车路径拟合算法的流程图;
图2为本发明的投影点相对源点的分布概率P1的示意图;
图3为本发明的迁徙概率P2示意图;
图4为本发明的行进速度与当前道路限速的比重概率P3示意图;
图5为本发明的整条轨迹关系图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明提供了如图1-5的一种基于低采样数据的机动车路径拟合算法,包括如下步骤:
步骤S1,读取配置项信息,获取所需处理的轨迹数据、路网数据;
步骤S2,抽取并存储轨迹数据;
步骤S3,轨迹数据的预处理;
步骤S4,对路网数据进行过滤,根据城市实际情况确定需要保留的道路类型字段,并按地理信息将每条路进行存储;
步骤S5,轨迹投影点的选取与存储;
步骤S7,对于整条轨迹,对相邻轨迹点构建迁徙概率矩阵,并计算相邻投影点之间的综合概率,最终可以得到整条轨迹中,每个轨迹点对应的投影点之间的概率矩阵;
步骤S8,根据步骤7计算得到的整条轨迹的综合概率矩阵,利用动态规划,得到整条轨迹的关系图,依次选取值最大的投影点作为轨迹的最佳拟合路径。
具体的,所述步骤S1具体包括:
步骤S1.1,读取轨迹数据;
步骤S1.2,读取轨迹数据所在区域的路网数据;
步骤S1.3,根据实际需求,设置投影点的半径门限、正态分布函数的标准差σ;
步骤S1.4,读取需要进行拟合的轨迹所在的时间段。
具体的,所述步骤S2具体包括:
步骤S2.1,提取轨迹数据中的经纬度、时间字段,并存储;
步骤S2.2,对轨迹按照时间进行排序;
步骤S2.3,根据步骤S14中的时间段,抽取轨迹并存储。
具体的,所述步骤S3具体包括:
步骤S3.1,判断采样点有效性,若经纬度是否为0,则认为是无效采样点,删除该点;
步骤S3.2,判断同一个采样时间点下是否有多个采样点,若存在,则对多个采样点的经纬度进行比较;若经纬度相同,则删除重复的采样点;否则,选取采样个数最多的坐标作为该采样时间点的采样坐标,若采样个数相同,则选取第一个点作为该采样时间点的采样坐标。
具体的,所述步骤S5具体包括:
步骤S5.1,设置源点与投影点之间的最大球面距离门限值dmax;
步骤S5.4,保存当前轨迹点的所有投影点,以及对应的路网信息。
具体的,所述步骤S7的具体方法如下:
步骤S7.2,根据时间间隔与轨迹信息计算出相邻投影点之间的行进速度,并求出与当前道路限速的比重概率,记为P3;
具体的,所述步骤S8的具体方法如下:
步骤S8.1,取整条轨迹第一个投影点的正态分布值作为初始值;
步骤S8.2,依次计算当前投影点与下一个相邻投影点的综合概率之和,将每次得到的结果与上一个投影点的结果比较,取较大值;例如,当前轨迹包含三个点P1,P2,P3,分别对应投影点且每个投影点的分布概率P1如图2所示;迁徙概率P2如图3所示;行进速度与当前道路限速的比重概率P3如图4所示;根据步骤8.1,初始值为:依次计算综合概率之和,迭代相加,得到整条轨迹关系图,如图5所示;
综上所述,与现有技术相比,本发明综合考虑空间分布、时间消耗等信息,在此时空分析的基础上,计算出相邻映射点之间的迁徙概率,进行局部的最优概率路径选取,达到渐进式的高精度路径拟合。
最后应说明的是: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,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,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 (7)
1.一种基于低采样数据的机动车路径拟合算法,其特征在于:包括如下步骤:
步骤S1,读取配置项信息,获取所需处理的轨迹数据、路网数据;
步骤S2,抽取并存储轨迹数据;
步骤S3,轨迹数据的预处理;
步骤S4,对路网数据进行过滤,根据城市实际情况确定需要保留的道路类型字段,并按地理信息将每条路进行存储;
步骤S5,轨迹投影点的选取与存储;
步骤S7,对于整条轨迹,对相邻轨迹点构建迁徙概率矩阵,并计算相邻投影点之间的综合概率,最终可以得到整条轨迹中,每个轨迹点对应的投影点之间的概率矩阵;
步骤S8,根据步骤7计算得到的整条轨迹的综合概率矩阵,利用动态规划,得到整条轨迹的关系图,依次选取值最大的投影点作为轨迹的最佳拟合路径。
2.根据权利要求1所述的一种基于低采样数据的机动车路径拟合算法,其特征在于:所述步骤S1具体包括:
步骤S1.1,读取轨迹数据;
步骤S1.2,读取轨迹数据所在区域的路网数据;
步骤S1.3,根据实际需求,设置投影点的半径门限、正态分布函数的标准差σ;
步骤S1.4,读取需要进行拟合的轨迹所在的时间段。
3.根据权利要求1所述的一种基于低采样数据的机动车路径拟合算法,其特征在于:所述步骤S2具体包括:
步骤S2.1,提取轨迹数据中的经纬度、时间字段,并存储;
步骤S2.2,对轨迹按照时间进行排序;
步骤S2.3,根据步骤S14中的时间段,抽取轨迹并存储。
4.根据权利要求1所述的一种基于低采样数据的机动车路径拟合算法,其特征在于:所述步骤S3具体包括:
步骤S3.1,判断采样点有效性,若经纬度是否为0,则认为是无效采样点,删除该点;
步骤S3.2,判断同一个采样时间点下是否有多个采样点,若存在,则对多个采样点的经纬度进行比较;若经纬度相同,则删除重复的采样点;否则,选取采样个数最多的坐标作为该采样时间点的采样坐标,若采样个数相同,则选取第一个点作为该采样时间点的采样坐标。
7.根据权利要求1所述的一种基于低采样数据的机动车路径拟合算法,其特征在于:所述步骤S8的具体方法如下:
步骤S8.1,取整条轨迹第一个投影点的正态分布值作为初始值;
步骤S8.2,依次计算当前投影点与下一个相邻投影点的综合概率之和,将每次得到的结果与上一个投影点的结果比较,取较大值;
步骤S8.3,根据步骤8.2的计算结果,选取投影点中值最大的,得到最佳拟合结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911374030.8A CN111024098A (zh) | 2019-12-27 | 2019-12-27 | 一种基于低采样数据的机动车路径拟合算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911374030.8A CN111024098A (zh) | 2019-12-27 | 2019-12-27 | 一种基于低采样数据的机动车路径拟合算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111024098A true CN111024098A (zh) | 2020-04-17 |
Family
ID=70194353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911374030.8A Pending CN111024098A (zh) | 2019-12-27 | 2019-12-27 | 一种基于低采样数据的机动车路径拟合算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111024098A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985151A (zh) * | 2020-07-20 | 2020-11-24 | 上海交通大学 | 一种基于速度特征的上甑轨迹提取方法 |
CN112013856A (zh) * | 2020-08-27 | 2020-12-01 | 上海钧正网络科技有限公司 | 基于路网和轨迹数据的轨迹拟合方法、装置、终端及介质 |
CN112270833A (zh) * | 2020-10-27 | 2021-01-26 | 智慧足迹数据科技有限公司 | 一种轨迹拟合方法、装置、电子设备和存储介质 |
CN112309118A (zh) * | 2020-11-03 | 2021-02-02 | 广州市交通规划研究院 | 一种基于时空相似度的车辆轨迹推算方法 |
CN113865611A (zh) * | 2021-10-27 | 2021-12-31 | 北京百度网讯科技有限公司 | 一种数据处理方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023587A (zh) * | 2016-05-25 | 2016-10-12 | 电子科技大学 | 基于多信息融合的轨迹数据路网精确匹配方法 |
CN106595680A (zh) * | 2016-12-15 | 2017-04-26 | 福州大学 | 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法 |
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 |
CN109919518A (zh) * | 2019-03-29 | 2019-06-21 | 百度在线网络技术(北京)有限公司 | 地图轨迹匹配数据的质量确定方法、装置、服务器及介质 |
US20190279387A1 (en) * | 2016-12-01 | 2019-09-12 | SZ DJI Technology Co., Ltd. | Method and system for detecting and tracking objects using characteristic points |
CN110260870A (zh) * | 2019-07-18 | 2019-09-20 | 北京百度网讯科技有限公司 | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 |
-
2019
- 2019-12-27 CN CN201911374030.8A patent/CN111024098A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023587A (zh) * | 2016-05-25 | 2016-10-12 | 电子科技大学 | 基于多信息融合的轨迹数据路网精确匹配方法 |
US20190279387A1 (en) * | 2016-12-01 | 2019-09-12 | SZ DJI Technology Co., Ltd. | Method and system for detecting and tracking objects using characteristic points |
CN106595680A (zh) * | 2016-12-15 | 2017-04-26 | 福州大学 | 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法 |
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 |
CN109919518A (zh) * | 2019-03-29 | 2019-06-21 | 百度在线网络技术(北京)有限公司 | 地图轨迹匹配数据的质量确定方法、装置、服务器及介质 |
CN110260870A (zh) * | 2019-07-18 | 2019-09-20 | 北京百度网讯科技有限公司 | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
郑林江,等: "考虑时空特性的动态权重实时地图匹配算法", 《计算机应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985151A (zh) * | 2020-07-20 | 2020-11-24 | 上海交通大学 | 一种基于速度特征的上甑轨迹提取方法 |
CN112013856A (zh) * | 2020-08-27 | 2020-12-01 | 上海钧正网络科技有限公司 | 基于路网和轨迹数据的轨迹拟合方法、装置、终端及介质 |
CN112270833A (zh) * | 2020-10-27 | 2021-01-26 | 智慧足迹数据科技有限公司 | 一种轨迹拟合方法、装置、电子设备和存储介质 |
CN112309118A (zh) * | 2020-11-03 | 2021-02-02 | 广州市交通规划研究院 | 一种基于时空相似度的车辆轨迹推算方法 |
CN113865611A (zh) * | 2021-10-27 | 2021-12-31 | 北京百度网讯科技有限公司 | 一种数据处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111024098A (zh) | 一种基于低采样数据的机动车路径拟合算法 | |
CN108955693B (zh) | 一种路网匹配的方法及系统 | |
CN107103754B (zh) | 一种道路交通状况预测方法及系统 | |
CN109459045B (zh) | 一种针对低频gps轨迹的改进交互式投票匹配方法 | |
CN111189459B (zh) | 一种定位信息与道路匹配的方法和装置 | |
CN106997666B (zh) | 一种利用手机信令数据位置切换获取交通流速度的方法 | |
CN106931974B (zh) | 基于移动终端gps定位数据记录计算个人通勤距离的方法 | |
CN107018493B (zh) | 一种基于连续时序马尔科夫模型的地理位置预测方法 | |
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 | |
CN107270922B (zh) | 一种基于poi索引的交通事故空间定位方法 | |
CN108061556B (zh) | 一种基于隐马尔可夫模型的地图匹配方法 | |
CN113724489B (zh) | 基于多源数据的交通拥堵溯源方法 | |
CN111144452B (zh) | 一种基于信令数据和聚类算法的移动用户出行链提取方法 | |
CN108986453A (zh) | 一种基于情境信息的交通状况预测方法、系统及装置 | |
CN110880238B (zh) | 一种基于手机通信大数据的道路拥堵监测方法 | |
CN111460508A (zh) | 一种基于差分隐私技术的轨迹数据保护方法 | |
Devendran et al. | Comparison of urban growth modeling using deep belief and neural network based cellular automata model: A case study of Chennai metropolitan area, Tamil Nadu, India | |
CN115169764B (zh) | 一种可达性计算方法、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 | |
CN105608895A (zh) | 一种基于局部异常因子的城市交通拥堵路段检测方法 | |
CN110598917A (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN114999162B (zh) | 一种道路交通流量获取方法和装置 | |
CN114664104A (zh) | 一种路网匹配方法和装置 | |
Song et al. | An urban topological map generation method for traffic flow prediction based on road segment clustering with floating vehicle trajectory dataset | |
Fu et al. | Identifying urban subcenters from commuting fluxes: a case study of Wuhan, China |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200417 |
|
RJ01 | Rejection of invention patent application after publication |