CN111127891B - 一种基于浮动车轨迹大数据的路网核查方法 - Google Patents
一种基于浮动车轨迹大数据的路网核查方法 Download PDFInfo
- Publication number
- CN111127891B CN111127891B CN201911375625.5A CN201911375625A CN111127891B CN 111127891 B CN111127891 B CN 111127891B CN 201911375625 A CN201911375625 A CN 201911375625A CN 111127891 B CN111127891 B CN 111127891B
- Authority
- CN
- China
- Prior art keywords
- line segment
- data
- road network
- grid
- calculating
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于浮动车轨迹大数据的路网核查方法,包括数据准备、数据预处理、路网核查方法、实验与分析,通过基于格网索引与线段可信度的数据核查方法对研究实验区域进行实验验证,将生成结果进行分析,程序能够半自动地实现利用浮动车轨迹大数据进行道路路网的核查,达到了预期目标,并且路网核查结果具有较高的精准度,能够应用于道路路网的实际核查,在用户交互输入阈值数据后,对路网的核查实现半自动化操作,从而降低人工核查成本,提高核查效率。
Description
技术领域
本发明涉及浮动车轨迹大数据的应用技术领域,具体为一种基于浮动车轨迹大数据的路网核查方法。
背景技术
道路路网地图数据是国家基础地理信息、智能交通的重要组成部分,在智慧城市建设、车辆智能导航、网络地图服务、地图数据更新等方面起着关键作用。随着城乡道路建设的快速发展,道路变化日新月异,导致道路路网地图数据更新滞后、现势性差、完整性和准确性低。传统的道路路网更新与核查技术如测绘部门的专业测绘、地图综合缩编更新、遥感影像的矢量化制图等成本要求高、更新周期长、数据处理与维护工作量大且工序复杂,因此迫切需要一种低成本、快速高效的新技术来获取最新路网。面对大规模的道路路网,如果只采用传统的人工巡查、报送的方法来监测道路路网,显然不能满足实际需求。目前,急需借助信息化和高科技手段,为道路路网的监控和养护注入新的活力。
浮动车通常是指安装车载GPS定位装置并行驶在城市道路上的公交汽车或出租车,其海量轨迹数据几乎布满城市任何道路。浮动车技术是近年来国际智能交通系统(Intelligent Transport System,ITS)中所采取的实时获取道路交通信息的先进技术手段之一,已经广泛应用于交通信息发布与指挥系统。浮动车数据(Floating Car Data,FCD)可以快速、准确地获取轨迹数据,相比其他数据采集方式成本高、更新速度慢、无法显示交通实时动态信息等缺点,浮动车数据显然具有更加广泛的适用性。以低精度的浮动车数据为数据源来提取高精度的道路路网信息,已经是目前研究的热点。
浮动车技术的基本原理是:如果在城市内部署足够数量的浮动车,并将这些浮动车的位置数据通过无线通信系统实时传输到信息处理中心,通过信息中心综合处理,就可以获得城市动态、实时的交通信息。根据浮动车装载的车载GPS全球定位系统定期记录车辆在行驶过程中的位置、方向和速度等信息,应用地图匹配以及路径即时计算等相关的模型和算法进行处理,使得浮动车数据和城市道路在时间和空间上加以关联,最后获得浮动车通过道路的车速和车辆行驶时间等道路交通信息。
随着社会工业化的发展,带来了后工业时代的社会问题—随着城市交通中车辆的增加,人们对快捷生活的渴望与交通之间的矛盾日益突出。智能交通系统的一个重要作用就是协助出行者提前制定出行路线,同时提供信息以便出行者在途中做出更优的行程选择。道路路网信息是电子地图基础数据的核心内容,同时也是电子地图实现导航功能、智能交通系统发挥汽车道路协同作用进而缓解城市交通问题功能的主体。但是,如果路网信息更新不够及时,将可能会导致交通事故等严重的后果。尤其是在车辆导航方面,如果新修建的道路或关闭的道路未及时更新,则可能会给用户提供错误的行驶路线规划。浮动车数据具有采集成本低、更新速度快和覆盖范围广等特点,浮动车数据不仅在一定程度上反映了道路的几何特征,而且记录了丰富的时空信息,从而可以获得更加丰富的道路信息。随着城市规模的不断扩大,路网信息的更新愈加频繁,众多学者也在通过各种方式来构建准确且及时的地图。
随着近年来我国城市化快速发展进入了新阶段,城市化速度不断加快,城市人口急剧增长,各类车辆数量不断增加,交通拥堵、道路拥堵问题已经十分突出。城市道路交通流研究是城市交通规划与管理研究的重点和热点,特别是城市的道路交通流等参数,为城市道路网规划、城市交通管理与控制等提供了依据。由于定位精度高、速度快、成本低等特点,GPS技术已经成为目前应用最广泛的卫星定位系统。通过载有车载GPS设备的浮动车可实时采集速度、位置等信息,利用这些信息通过交通流建模,可推算出交通流量。与在道路基础设施安装固定监控设备相比,采用浮动车技术监测道路路网的动态交通流不仅具有更大的灵活性,而且还具有成本低、具有良好的社会效益和经济效益等优点。利用出租车GPS浮动车数据,在城市中收集实时动态交通信息,并对收集到的信息进行分析处理,为城市道路的管理者和旅客提供及时和可靠的信息。
道路路网矢量地图是构建智能交通系统的基础,能够及时准确地提取和更新道路路网信息,对于道路规划和车辆导航等方面有着至关重要的作用。基于浮动车轨迹大数据对道路路网数据进行核查,能够利用核查算法对浮动车数据将路网数据实时进行匹配与核查,及时更新道路路网信息,对于获取现势交通数据具有重要意义。
发明内容
本发明的目的在于提供一种基于浮动车轨迹大数据的路网核查方法,在用户交互输入阈值数据后,对道路路网数据的核查实现半自动化操作,从而降低人工核查成本,提高核查效率,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:
一种基于浮动车轨迹大数据的路网核查方法,包括以下步骤:
步骤1):数据准备阶段:数据采用中国交通通信信息中心联网联控系统冷备份浮动车数据和相同区域内已有路网数据、相同区域内已有影像数据;
步骤2):数据预处理阶段:对原始的浮动车数据进行数据预处理,删除噪音数据和轨迹漂移点,然后根据研究范围对路网数据和影像数据进行预处理、裁剪,得到研究区域的路网数据和影像数据;
步骤3):建立格网空间索引:首先根据输入点数据集PointSet里所包含要素的地理范围计算得出最小外包矩形,然后根据格网大小划分为m行n列,得到m×n个小矩形格网区域;
步骤4):分割线段:遍历道路路网线要素集LongLineSet中的每条长线段,以节点形式读取长线段并计算相邻节点间距离,当线段的累计长度大于长度阈值Length时将线段分割,直至线要素中所有线段分割完毕;
步骤5):计算线段可信度,遍历短线段集合中的每条短线段,首先计算出线段中每个节点距离阈值Distance内的点个数,然后计算点个数大于点数量阈值sumPoint的可信点个数,可信度计算方法为可信点个数与点总个数的比值,当可信度大于可信度阈值Credibility时,该条短线段就被标记为可信短线段,反之标记为存疑短线段;
步骤6):漏报数据核查,遍历每个建立好的格网,当格网空间中点的数量大于漏报点数量阈值numMin并且格网不与线要素集LongLineSet中的任何要素相交时,将该区域标出,标记为疑似漏报区域;
步骤7):实验与分析阶段,将路网核查结果在地图窗口进行成果展示,同时对比相同区域内已有的影像数据,对核查结果的各部分进行准确度的计算,进行评价与分析。
更进一步地,步骤3)执行步骤如下:
步骤301):输入点数据集PointSet;
步骤302):计算最小外包矩形,求得左下角点坐标(Xmin,Ymin)和右上角点坐标(Xmax,Ymax);
步骤303):输入格网的长length和宽width;
步骤304):计算格网划分的行数m和列数n;
步骤305):计算每个点要素所属的格网,并将其存储到所属格网的动态存储区中去;
步骤306):输出生成所有格网文件。
更进一步地,步骤4)执行步骤如下:
步骤401):输入线要素集LongLineSet;
步骤402):输入长度阈值Length;
步骤403):以节点形式读取LongLineSet中每条长线段LongLine;
步骤404):计算相邻节点间距离dis;
步骤405):依次计算节点累计长度Dis,当Dis小于长度阈值Length时,累加计算累计长度Dis,将当前节点存储在节点集合ShortLine中;当Dis大于长度阈值Length时,将当前节点集合ShortLine以线要素形式存储在短线段集合ShortLineSet中,当前节点集合ShortLine清空,累计长度Dis清零,继续计算直至当前长线段结束;
步骤406):循环执行步骤403)、步骤404)、步骤405),直至线要素集LongLineSet中所有要素遍历结束;
步骤407):输出生成所有短线段文件,存储短线段集合ShortLineSet。
更进一步地,步骤5)执行步骤如下:
步骤501):输入短线段集合ShortLineSet;
步骤502):输入距离阈值Distance、点数量阈值sumPoint和可信度阈值Credibility;
步骤503):以节点形式读取ShortLineSet中每条短线段ShortLine;
步骤504):计算出每个节点距离阈值Distance内的点个数sum;
步骤505):计算统计每个线段节点中sum大于点数量阈值sumPoint的可信点个数num;
步骤506):计算每条短线段可信度cred,cred大于可信度阈值Credibility时,该条短线段就被标记为可信短线段,反之标记为存疑短线段;
步骤507):输出生成分类后的短线段文件。
更进一步地,步骤6)执行步骤如下:
步骤601):输入格网文件;
步骤602):输入漏报点数量阈值numMin;
步骤603):遍历每个格网,当格网空间中点的数量count大于漏报点数量阈值numMin并且格网不与线要素集LongLineSet中的任何要素相交时,将该区域标记为疑似漏报区域;
步骤604):输出生成疑似漏报区域文件。
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浮动车轨迹大数据的路网核查方法,包括数据准备、数据预处理、路网核查方法、实验与分析,通过基于格网索引与线段可信度的数据核查方法对研究实验区域进行实验验证,将生成结果进行分析,程序能够半自动地实现利用浮动车轨迹大数据进行道路路网的核查,达到了预期目标,并且路网核查结果具有较高的精准度,能够应用于道路路网的实际核查,在用户交互输入阈值数据后,对路网的核查实现半自动化操作,从而降低人工核查成本,提高核查效率。
附图说明
图1为本发明技术路线图;
图2为本发明实施例建立格网空间索引的具体步骤,给出一份示例数据,点数据集PointSet包含30个点,格网的长length和宽width已经给出;
图3为本发明实施例分割线段的具体步骤,给出一份示例数据,长线段LongLine中包含6个点,长度阈值Length已经给出;
图4为本发明实施例计算线段可信度的具体步骤,给出一份示例数据,短线段ShortLine包含5个点,距离阈值Distance、点数量阈值sumPoint=5、可信度阈值Credibility已经给出,深色表示节点距离阈值内点数量大于点数量阈值;
图5为本发明实施例漏报数据核查的具体步骤,给出一份示例数据,其中包括146个点和1条线,漏报点数量阈值numMin=5已经给出,浅色代表格网中点数量大于点数量阈值,深色表示同时与线集合LongLineSet中的线不相交;
图6为本发明实施例数据显示,包括浮动车数据、路网数据、影像数据和叠加显示;
图7为本发明实施例建立格网空间索引图;
图8为本发明实施例分割线段后计算线段可信度图;
图9为本发明实施例漏报数据核查图;
图10为本发明实施例线段可信度展示图;
图11为本发明实施例漏报数据核查展示图。
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。
本发明实施例中:提供一种基于浮动车轨迹大数据的路网核查方法,所利用的浮动车轨迹数据来源为中国交通通信信息中心联网联控系统冷备份数据(浮动车数据),采集时间段为2016/9/1 0:00-2016/9/30 23:59,采样间隔为10-120秒;该数据区域为矩形区域,左下和右上角点经纬度坐标分别为(110.639978,27.920058)、(110.704781,27.965393),数据位置在中国湖南省怀化市溆浦县所辖范围内,数据记录共计495168条,其中有效数据记录为495094条(无效数据超出采集时间段或格式不正确);浮动车数据属性信息包括车辆md5码、车辆终端定位时间、经度、纬度、车辆行驶方向等;本发明所利用的路网数据来源为省市上报路网数据;影像数据来源为高分二号卫星遥感影像数据。
请参阅图1-5,包括以下步骤:
步骤一:数据准备和数据预处理阶段:浮动车数据预处理的主要对象是浮动车发送过来的GPS定位数据,由于存在信号盲区、通信故障、GPS定位误差、坐标系转换误差、精度误差等原因,造成车辆GPS定位点偏离车辆行驶道路的情况。浮动车数据还可能存在部分数据字段值缺失、重复数据、错误数据等数据,为了数据的可靠性和准确性,需要对这些数据进行修正或删除;
步骤二:路网核查阶段:浮动车轨迹点数据和路网数据经过建立格网空间索引、分割线段、计算线段可信度、漏报数据核查等步骤后,输出得到最终结果,包括可信短线段集合、存疑短线段集合、疑似漏报数据区域;可信短线段符合所有设置的阈值条件,为上报路网数据中被认为正确或者可信的部分;存疑短线段有部分不符合设置的阈值条件,为上报路网数据中被认为错误或者存疑的部分。可信短线段和存疑短线段的并集应为整个路网集合,交集应为空集,即上报路网数据分割的短线段只能而且必须为可信短线段和存疑短线段其一;疑似漏报区域为符合阈值条件的格网区域,它的实际地理范围内包含大量轨迹点但没有上报路网信息,需要结合遥感影像和当地实际情况来综合判断其准确性和原因;
步骤三:实验与分析阶段:结合路网所在区域的对应时间段遥感影像,对可信短线段集合、存疑短线段集合、疑似漏报区域集合各部分输出结果进行准确度的分析,对分析结果尤其是判断错误的区域进行评价,进行分析并找出原因。
在上述实施例中,步骤一的具体操作如下:
本发明的实验数据位置位于中国湖南省怀化市溆浦县,其地理范围为东经110°15'-111°01',北纬27°19'-28°17',首先对这范围外的浮动车数据进行剔除,对原始的浮动车数据进行数据预处理,删除噪音数据和轨迹漂移点;然后根据研究范围对已有路网数据和已有影像数据进行预处理、裁剪,得到研究区域的路网数据和影像数据;
将浮动车数据转换为正确的经纬度格式后再转换为投影坐标系导入显示,如图6(a)所示;将相同区域内已有路网数据转换为投影坐标系导入显示,如图6(b)所示;将相同区域内已有影像数据转换为投影坐标系导入显示,如图6(c)所示;将浮动车数据、路网数据、影像数据进行叠加显示,如图6(d)所示。
在上述实施例中,步骤二的具体操作如下:
步骤201、建立格网空间索引:输入浮动车数据集,根据数据特点,将格网的长length和宽width都赋值为50m,输出生成长宽相等的正方形格网,如图7所示;
步骤202、分割线段:输入路网数据集,根据核查道路路网时的实际需求,将长度阈值Length赋值为100m,输出生成长度在100m左右的短线段集合;
步骤203、计算线段可信度:输入经过分割线段后的短线段集合,根据数据特点,将距离阈值Distance赋值为10m、点数量阈值sumPoint赋值为3、可信度阈值Credibility赋值为0.7,输出生成可信短线段集合和存疑短线段集合,如图8所示;
步骤204、漏报数据核查:输入格网文件集合,根据数据特点,将漏报点数量阈值numMin赋值为10,输出疑似漏报区域格网文件,如图9所示。
在上述实施例中,步骤三的具体操作如下:
步骤301、对输出生成的可信短线段进行准确度的评价,选取了一部分典型数据进行结果分析,图10(a)中为可信短线段显示,图10(b)中为可信短线段叠加遥感影像图显示,通过遥感影像可以看出该条可信短线段的判断是正确的;图10(c)中为存疑短线段显示,图10(d)中为存疑短线段叠加遥感影像图显示,通过遥感影像可以看出,该处区域为水池边缘,并没有路网存在,该条存疑短线段的判断是正确的;图10(e)中为判断错误线段显示,图10(f)中为判断错误线段叠加遥感影像图显示,通过遥感影像可以看出,该处区域存在路网,但是由于该区域浮动车数据比较稀疏,导致该条存疑短线段的判断是错误的;
步骤302、对输出生成的疑似漏报区文件进行精准度的评价,选取了一部分典型数据进行结果分析;图11(a)中红色粗线圈出区域为疑似漏报区域显示,蓝色细线为格网,图11(b)中为疑似漏报区域叠加遥感影像图显示,通过遥感影像可以看出,该区域已存在路网但未上报,该疑似漏报区域的判断是正确的;图11(c)中红色粗线圈出区域为漏报区域判断错误显示,图11(d)中为漏报区域判断错误叠加遥感影像图显示,通过遥感影像可以看出,该区域已存在路网但仍标记为疑似漏报区域,原因是道路靠近格网边缘导致判断错误,可以通过在实验时加大搜索路网范围来进行修正,该疑似漏报区域的判断是错误的;图11(e)中绿色粗线圈出区域为漏报区域未标注显示,图11(f)中为漏报区域未标注叠加遥感影像图显示,通过遥感影像可以看出,该区域存在路网但未被标记为疑似漏报区域,原因是浮动车数据稀疏导致判断错误,可以在实验时通过调整漏报点数量阈值来进行修正,该疑似漏报区域的判断是错误的。
通过对生成结果可信短线段、存疑短线段、疑似漏报区域的实验验证与分析,本发明对路网的核查具有较高的精准度,能够实际应用于道路路网的核查,对于实验中存在的一些问题,可以通过增大搜索范围、调整阈值等方法进行改进。
综上所述:本发明提供的一种基于浮动车轨迹大数据的路网核查方法,能够半自动地实现利用浮动车轨迹大数据进行道路路网的核查,达到了预期目标,并且路网核查结果具有较高的精准度,能够应用于道路路网的实际核查。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于浮动车轨迹大数据的路网核查方法,其特征在于,包括以下步骤:
步骤1):数据准备阶段:数据采用中国交通通信信息中心联网联控系统冷备份浮动车数据和相同区域内已有路网数据、相同区域内已有影像数据;
步骤2):数据预处理阶段:对原始的浮动车数据进行数据预处理,删除噪音数据和轨迹漂移点,然后根据研究范围对路网数据和影像数据进行预处理、裁剪,得到研究区域的路网数据和影像数据;
步骤3):建立格网空间索引:首先根据输入点数据集PointSet里所包含要素的地理范围计算得出最小外包矩形,然后根据格网大小划分为m行n列,得到m×n个小矩形格网区域;
步骤4):分割线段:遍历道路路网线要素集LongLineSet中的每条长线段,以节点形式读取长线段并计算相邻节点间距离,当线段的累计长度大于长度阈值Length时将线段分割,直至线要素中所有线段分割完毕;
步骤5):计算线段可信度,遍历短线段集合中的每条短线段,首先计算出线段中每个节点距离阈值Distance内的点个数,然后计算点个数大于点数量阈值sumPoint的可信点个数,可信度计算方法为可信点个数与点总个数的比值,当可信度大于可信度阈值Credibility时,该条短线段就被标记为可信短线段,反之标记为存疑短线段;
步骤6):漏报数据核查,遍历每个建立好的格网,当格网空间中点的数量大于漏报点数量阈值numMin并且格网不与线要素集LongLineSet中的任何要素相交时,将该区域标出,标记为疑似漏报区域;
步骤7):实验与分析阶段,将路网核查结果在地图窗口进行成果展示,同时对比相同区域内已有的影像数据,对核查结果的各部分进行准确度的计算,进行评价与分析。
2.如权利要求1所述的一种基于浮动车轨迹大数据的路网核查方法,其特征在于,步骤3)执行步骤如下:
步骤301):输入点数据集PointSet;
步骤302):计算最小外包矩形,求得左下角点坐标(Xmin,Ymin)和右上角点坐标(Xmax,Ymax);
步骤303):输入格网的长length和宽width;
步骤304):计算格网划分的行数m和列数n;
步骤305):计算每个点要素所属的格网,并将其存储到所属格网的动态存储区中去;
步骤306):输出生成所有格网文件。
3.如权利要求1所述的一种基于浮动车轨迹大数据的路网核查方法,其特征在于,步骤4)执行步骤如下:
步骤401):输入线要素集LongLineSet;
步骤402):输入长度阈值Length;
步骤403):以节点形式读取LongLineSet中每条长线段LongLine;
步骤404):计算相邻节点间距离dis;
步骤405):依次计算节点累计长度Dis,当Dis小于长度阈值Length时,累加计算累计长度Dis,将当前节点存储在节点集合ShortLine中;当Dis大于长度阈值Length时,将当前节点集合ShortLine以线要素形式存储在短线段集合ShortLineSet中,当前节点集合ShortLine清空,累计长度Dis清零,继续计算直至当前长线段结束;
步骤406):循环执行步骤403)、步骤404)、步骤405),直至线要素集LongLineSet中所有要素遍历结束;
步骤407):输出生成所有短线段文件,存储短线段集合ShortLineSet。
4.如权利要求1所述的一种基于浮动车轨迹大数据的路网核查方法,其特征在于,步骤5)执行步骤如下:
步骤501):输入短线段集合ShortLineSet;
步骤502):输入距离阈值Distance、点数量阈值sumPoint和可信度阈值Credibility;
步骤503):以节点形式读取ShortLineSet中每条短线段ShortLine;
步骤504):计算出每个节点距离阈值Distance内的点个数sum;
步骤505):计算统计每个线段节点中sum大于点数量阈值sumPoint的可信点个数num;
步骤506):计算每条短线段可信度cred,cred大于可信度阈值Credibility时,该条短线段就被标记为可信短线段,反之标记为存疑短线段;
步骤507):输出生成分类后的短线段文件。
5.如权利要求1所述的一种基于浮动车轨迹大数据的路网核查方法,其特征在于,步骤6)执行步骤如下:
步骤601):输入格网文件;
步骤602):输入漏报点数量阈值numMin;
步骤603):遍历每个格网,当格网空间中点的数量count大于漏报点数量阈值numMin并且格网不与线要素集LongLineSet中的任何要素相交时,将该区域标记为疑似漏报区域;
步骤604):输出生成疑似漏报区域文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911375625.5A CN111127891B (zh) | 2019-12-27 | 2019-12-27 | 一种基于浮动车轨迹大数据的路网核查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911375625.5A CN111127891B (zh) | 2019-12-27 | 2019-12-27 | 一种基于浮动车轨迹大数据的路网核查方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127891A CN111127891A (zh) | 2020-05-08 |
CN111127891B true CN111127891B (zh) | 2021-04-27 |
Family
ID=70503929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911375625.5A Active CN111127891B (zh) | 2019-12-27 | 2019-12-27 | 一种基于浮动车轨迹大数据的路网核查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127891B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115817A (zh) * | 2020-09-01 | 2020-12-22 | 国交空间信息技术(北京)有限公司 | 基于深度学习的遥感影像道路轨迹正确性核查方法及装置 |
CN113190642B (zh) * | 2021-07-02 | 2021-10-08 | 中山大学 | 一种城市路网架构连接线错误修正方法 |
CN115223371B (zh) * | 2022-09-20 | 2023-02-14 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种电动自行车大数据分析系统及其工作方法 |
CN116819025B (zh) * | 2023-07-03 | 2024-01-23 | 中国水利水电科学研究院 | 一种基于物联网的水质监测系统及方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101373559B (zh) * | 2007-08-24 | 2010-08-18 | 同济大学 | 基于浮动车数据评估城市路网交通状态的方法 |
CN103514233B (zh) * | 2012-06-29 | 2018-06-12 | 北京百度网讯科技有限公司 | 一种轨迹数据核查方法及装置 |
CN103035123B (zh) * | 2012-12-25 | 2016-01-20 | 中国科学院深圳先进技术研究院 | 一种交通轨迹数据中异常数据获取方法及系统 |
CN104819726B (zh) * | 2015-05-15 | 2018-09-11 | 百度在线网络技术(北京)有限公司 | 导航数据处理方法、装置及导航终端 |
CN105528457B (zh) * | 2015-12-28 | 2019-02-19 | 招商局重庆交通科研设计院有限公司 | 一种基于大数据技术的交通信息提取和查询方法 |
DE102017222751A1 (de) * | 2017-12-14 | 2019-06-19 | Robert Bosch Gmbh | Verfahren und System zum Warnen von Verkehrsteilnehmern vor einer Falschfahrt eines Fahrzeugs mit Nachplausibilisierung |
JP7154025B2 (ja) * | 2018-03-30 | 2022-10-17 | 日産自動車株式会社 | 地図補正方法及び地図補正装置 |
CN108510008B (zh) * | 2018-04-11 | 2021-05-14 | 国交空间信息技术(北京)有限公司 | 一种基于浮动车轨迹点空间关系和分布的路网提取方法 |
CN110400461B (zh) * | 2019-07-22 | 2021-01-12 | 福建工程学院 | 一种路网变更检测方法 |
-
2019
- 2019-12-27 CN CN201911375625.5A patent/CN111127891B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111127891A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127891B (zh) | 一种基于浮动车轨迹大数据的路网核查方法 | |
US11593344B2 (en) | Updating high definition maps based on age of maps | |
CN111551958B (zh) | 一种面向矿区无人驾驶的高精地图制作方法 | |
US20210004017A1 (en) | Using high definition maps for generating synthetic sensor data for autonomous vehicles | |
Gong et al. | A GPS/GIS method for travel mode detection in New York City | |
GB2572717A (en) | Method for detecting traffic anomaly of urban road | |
US20080262721A1 (en) | Map generation system and map generation method by using GPS tracks | |
CN111856541A (zh) | 一种固定线路车辆轨迹监测系统及方法 | |
CN110990661B (zh) | 一种基于路网约束和密度聚类的兴趣区域出入口提取方法 | |
CN109916413A (zh) | 基于网格划分的道路匹配方法、系统、装置和存储介质 | |
CN105096590B (zh) | 交通信息生成方法和交通信息生成设备 | |
CN110838232A (zh) | 基于过车电警数据的单一车辆od获取方法 | |
CN104121915A (zh) | 一种道路实时导航方法及系统 | |
CN111612670A (zh) | 一种构建机动车排放清单的方法、装置和计算机设备 | |
EP2725552A1 (en) | System and method for selecting sensors in surveillance applications | |
CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
Yanhong et al. | Research on freight truck operation characteristics based on GPS data | |
CN105427592A (zh) | 基于浮动车的导航电子地图转向代价计算方法 | |
CN115129796A (zh) | 定位数据分析方法、装置、设备和介质 | |
CN111444286B (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
CN105717517B (zh) | 一种车载北斗多模gnss高精度道路基础数据采集方法 | |
CN108765954B (zh) | 基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法 | |
CN110849379B (zh) | 一种用于导航地图的出入口通行状态符号表达方法 | |
CN111161530A (zh) | 一种实时路况分析与定位方法 | |
CN117128977B (zh) | 基于双影像融合的优质绿道路径规划方法、装置及设备 |
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 |