CN112748452A - 一种基于路网数据的gps轨迹清洗方法 - Google Patents

一种基于路网数据的gps轨迹清洗方法 Download PDF

Info

Publication number
CN112748452A
CN112748452A CN202011453180.0A CN202011453180A CN112748452A CN 112748452 A CN112748452 A CN 112748452A CN 202011453180 A CN202011453180 A CN 202011453180A CN 112748452 A CN112748452 A CN 112748452A
Authority
CN
China
Prior art keywords
data
points
gps
records
road network
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.)
Granted
Application number
CN202011453180.0A
Other languages
English (en)
Other versions
CN112748452B (zh
Inventor
李伟
俞雪雷
张品立
黄云
陈仕瑜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Urban Transportation Design Institute Co ltd
Original Assignee
Shanghai Urban Transportation Design Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Urban Transportation Design Institute Co ltd filed Critical Shanghai Urban Transportation Design Institute Co ltd
Priority to CN202011453180.0A priority Critical patent/CN112748452B/zh
Publication of CN112748452A publication Critical patent/CN112748452A/zh
Application granted granted Critical
Publication of CN112748452B publication Critical patent/CN112748452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明提供一种基于路网数据，对车辆GPS数据清洗的方法，涉及交通大数据处理领域。发明采用HDFS存储数据，MapReduce计算框架处理数据，以消除GPS数据中的异常记录。包括连续时间戳下距离偏差过大的漂移点，相同时间戳下多条记录的轨迹点，即出现重复数据，以及相邻两记录之间时差和距离过大的跳跃点。对于重复数据，通过按时间戳去重算法，去掉重复数据。根据时间和距离计算GPS轨迹中相邻两点的速度，若速度大于设定阈值，则视为漂移点，并剔除该数据。对于跳跃点，结合路网数据，利用迪杰斯特拉算法计算跳跃点之间的最短带权路径，作为跳跃点间的补充轨迹，将路径中经过的道路结点依次插入跳跃点之间。

Description

一种基于路网数据的GPS轨迹清洗方法
技术领域
本发明涉及交通大数据处理领域，尤其涉及一种基于路网数据的GPS轨迹清洗方法。
背景技术
交通工具的GPS定位数据作为监测车辆位置信息最为主要的数据，能够直观反映出道路总体和局部的交通状况，动态展示道路通行能力和拥堵程度。对于出租车和网约车等浮动车辆，GPS数据还能获取载客状态和收费情况，利用浮动车辆GPS数据还能分析客流需求以及调整优化车辆运营线路。相关的研究分析在城市交通规划领域有着很广的应用，能够给交通部门提供决策依据，促进城市交通出行体验的改善。
但是由于GPS设备自身和网络通信的原因，采集的位置信息会出现各种的异常情况，包括因设备掉线导致的相邻两点之间存在很大的时差和距离的异常情况；因设备异常导致在连续时间下，GPS位置距离过大，即出现漂移点的异常情况；以及设备因通信异常导致的相同时间下，返回多条位置记录的异常情况。
对这些异常值进行处理，能够使GPS数据和城市道路空间数据更好匹配，从而更加准确地反映道路情况，并为上层应用提供较为精准的道路基础数据。
发明内容
本发明的目的是提供一种基于路网数据的GPS轨迹清洗方法。
为了实现上述目的，本发明的技术方案是：
一种基于路网数据的GPS轨迹清洗方法，其特征在于，包括以下步骤：
步骤S1)准备数据，包括原始GPS数据和对应城市的路网空间shp文件；
步骤S2)整理数据，提取目标数据；
步骤S3)按照GPS时间戳去重算法，去除重复数据；
步骤S4)对比连续相邻记录，合并位置相同的数据；
步骤S5)通过速度阈值判断漂移记录，剔除速度大于阈值的GPS记录；
步骤S6)根据时差和距离判断跳跃点，利用迪杰斯特拉算法计算跳跃点之间的最短带权路径，进行补点。
进一步地，所述步骤S1：准备数据，包括原始GPS数据和对应城市的路网空间SHP文件，并将SHP文件转为GeoJson格式的文本文件。
文件。
进一步地，所述步骤S2：考虑到计算成本和实际需求，往往不需要对所有数据进行清洗，通过整理数据来提取所需的目标数据。对于不同类型的交通工具可以采取不同的整理方式。对于普通交通工具可按时间需求，如早晚峰，提取所需目标数据。对于网约车和出租车可以在时间基础上，综合订单相关属性，如行驶里程和消费金额，提取所需目标数据。并对提取的目标数据按照车辆唯一识别码(如车牌号)和GPS时间戳进行排序。至此获取到初始数据，作为下一步骤的输入，开始清洗。
进一步地，所述步骤S3：以步骤S2初始数据中的车辆唯一识别码，或者网约车和出租车中的订单，作为清洗单位。若连续出现时间戳相同的一片数据，记该时间戳前一时刻的记录为Nstart，后一时刻的记录为Nend，通过
速度公式：
V＝S÷T
计算该片数据每条记录与Nstart记录和Nend记录之间的速度，剔除不满足设定速度范围的记录，结合路网数据，计算剩余GPS数据与路网所有道路的距离S，记录每一个GPS点与道路的最短距离Slink，表示该点到路网最近道路的距离，用最小的Slink值对应的GPS记录替换该片重复数据。
进一步地，所述步骤S4：对按照时间戳排序后的GPS记录，若连续出现位置相同的一片数据，则仅保留该片记录的第一条记录和最后一条记录，剔除剩余所有数据。通过剔除连续时间下的相同位置记录可以减少数据冗余，提高清洗数据效率，同时也不会丢失有效数据。
进一步地，所述步骤S5：对同一车辆，依次计算上下相邻记录间的时差T和距离S。通过速度公式计算出速度V，若速度大于设定阈值则当前记录是漂移点，剔除该条记录。
进一步地，所述步骤S6中，跳跃点之间的补点具体包括：
步骤S61)将GPS数据按照时间戳排序；
步骤S62)对同一车辆，依次计算上下相邻记录间的时差T和距离S；
步骤S63)判断T和S是否同时满足跳跃点设定值；
步骤S64)若判定为跳跃点，则基于路网数据，以跳跃点作为到达点，跳跃点的前一点作为出发点，利用迪杰斯特拉算法计算跳跃点之间的最短带权路径；
步骤S65)将路径顺序经过的路网结点作为跳跃点间的补充点，依次插入至原始的GPS记录的相应位置。
本发明的优点在于：利用城市路网空间数据，优化GPS清洗处理，使得对异常值的剔除和跳跃点之间的补值更加符合真实情况。同时能够最大程度吻合路网道路，为进一步对GPS轨迹数据进行地图匹配，路径溯源和流量统计等场景应用提供更准确的基础数据。
附图说明
图1为本发明的流程示意图；
图2为本发明中步骤S6的流程示意图；
图3为本发明中迪杰斯特拉算法中使用的有向图数据结构。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
本实施例公开了一种基于路网数据的GPS轨迹清洗方法，如图1所示，包括以下步骤：
步骤S1)准备数据，包括原始GPS数据和对应城市的路网空间shp文件；
步骤S2)数据整理，提取目标数据；
步骤S3)按照GPS时间戳去重算法，去除重复数据；
步骤S4)对比连续相邻记录，合并位置相同的数据；
步骤S5)通过速度阈值判断漂移记录，剔除速度大于阈值的GPS记录；
步骤S6)根据时差和距离判断跳跃点，利用迪杰斯特拉算法计算跳跃点之间的最短带权路径，进行补点。
所述步骤S1中，准备数据包括：准备数据，包括原始GPS数据和对应城市的路网空间SHP文件，并将SHP文件转为GeoJson格式的文本文件，方便程序读取数据。将原始GPS数据和对应城市的路网空间GeoJson文件上传至Hadoop大数据平台的分布式文件系统HDFS上。
所述步骤S2中，数据整理包括：考虑到计算成本和实际需求，往往不需要对所有数据进行清洗，通过整理数据来提取所需的目标数据。根据具体实施时的GPS数据类型，可以采取不同的整理方式。对于普通交通工具可按时间需求，如早晚峰，提取所需目标数据。对于网约车和出租车可以在时间基础上，综合订单相关属性，如行驶里程和消费金额，提取所需目标数据。并对提取的目标数据按照车辆唯一识别码(如车牌号)和GPS时间戳进行排序。至此获取到初始数据，作为下一步骤的输入，开始清洗。
所述步骤S3中，去除重复数据包括：以步骤S2初始数据中的车辆唯一识别码，或者网约车和出租车中的订单，作为清洗单位，即作为MapReduce编程模型中map阶段的key。若连续出现时间戳相同的一片数据，记该时间戳前一时刻的记录为Nstart，后一时刻的记录为Nend，通过
速度公式：
V＝S÷T
计算该片数据每条记录与Nstart记录和Nend记录之间的速度，剔除不满足设定速度范围的记录。结合路网数据，计算剩余GPS数据与路网所有道路的距离S，记录每一个GPS点与道路的最短距离Slink，表示该点到路网最近道路的距离，用最小Slink对应的GPS记录替换该片重复数据。
所述步骤S4中，合并位置相同数据包括：对按照时间戳排序后的GPS记录，若连续出现位置相同的一片数据，则仅保留该片记录的第一条记录和最后一条记录，剔除剩余所有数据。通过剔除连续时间下的相同位置记录可以减少数据冗余，提高清洗数据效率，同时也不会丢失有效数据。
所述步骤S5中，剔除漂移记录包括：对同一车辆，依次计算上下相邻记录间的时差T和距离S。通过速度公式计算出速度V，若速度大于设定阈值则当前记录是漂移点，剔除该条记录。
如图2所示，所述步骤S6中，跳跃点之间的补点具体包括：
步骤S61)将GPS数据按照时间戳排序；
步骤S62)对同一车辆，依次计算上下相邻记录间的时差T和距离S；
步骤S63)判断T和S是否同时满足跳跃点设定值。即只有当时间间隔足够大(超过设定值)，并且距离足够大(超过设定值)时才能判断为跳跃点。
步骤S64)若判定为跳跃点，则基于路网数据，以跳跃点作为到达点，跳跃点的前一点作为出发点，利用迪杰斯特拉算法计算跳跃点之间的最短带权路径。迪杰斯特拉算法是解决单源最短路径问题常用算法，给定一个点，计算出该点达到另一点的最短路径，其核心思想是每次找到离源最近的一个顶点，然后以该顶点为中心进行扩展，最终得到源点到其余所有点的最短路径。该算法使用图(有向图)数据结构来描述问题。需要先构建路网道路对应的有向图，包含节点和弧(有向边)两类基础数据，如图3所示。有向图中数据可以采用矩阵进行存储，矩阵元素行列号代表以行号为序号的节点到以列号为序号的节点之间的弧，元素值表示弧的长度，可将图3所示的有向图矩阵存储表示如下：
Figure BDA0002832251210000051
有向图中的节点代表路网的道路结点，弧表示道路拓扑关系。然后计算每条弧的长度，根据实施时的具体情况，可简单使用道路长度表示，或结合道路路况、车速等数据综合计算得出。最后确定出发点和到达点对应的图节点，即源点与终点。通常按照距离最短匹配算法，即将距离出发点最近的道路结点对应的图节点作为源点，将距离到达点最近的道路结点对应的图节点作为终点。
步骤S65)计算最短路径，并将路径顺序经过的路网结点作为跳跃点间的补充点，依次插入至原始的GPS记录的相应位置。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种基于路网数据的GPS轨迹清洗方法，其特征在于，包括以下步骤：
步骤S1）准备数据，包括原始GPS数据和对应城市的路网空间shp文件；
步骤S2）整理数据，提取目标数据；
步骤S3）按照GPS时间戳去重算法，去除重复数据；
步骤S4）对比连续相邻记录，合并位置相同的数据；
步骤S5）通过速度阈值判断漂移记录，剔除速度大于阈值的GPS记录；
步骤S6）根据时差和距离判断跳跃点，利用迪杰斯特拉算法计算跳跃点之间的最短带权路径，进行补点。
2.根据权利要求1所述的清洗方法，其特征在于，所述步骤S1包括：
准备数据，包括原始GPS数据和对应城市的路网空间SHP文件，并将SHP文件转为GeoJson格式的文本文件。
3.根据权利要求1所述的清洗方法，其特征在于，所述步骤S2包括：
通过整理数据来提取所需的目标数据，对于不同类型的交通工具可以采取不同的整理方式，对于普通交通工具按时间需求提取所需目标数据，对于网约车和出租车可在时间基础上，综合订单相关属性，提取所需目标数据，并对提取的目标数据按照车辆唯一识别码和GPS时间戳进行排序，至此获取到初始数据，作为下一步骤的输入。
4.根据权利要求3所述的清洗方法，其特征在于，所述步骤S3中，去除时间重复数据包括：
以步骤S2初始数据中的车辆唯一识别码，或者网约车和出租车中的订单，作为清洗单位，若连续出现时间戳相同的一片数据，记该时间戳前一时刻的记录为Nstart，后一时刻的记录为Nend，计算该片数据每条记录与Nstart记录和Nend记录之间的速度，剔除不满足设定速度范围的记录，结合路网数据，计算剩余GPS数据与路网所有道路的距离S，记录每一个GPS点与道路的最短距离Slink，表示该点到路网最近道路的距离，用最小的Slink值对应的GPS记录替换该片重复数据。
5.根据权利要求3所述的清洗方法，其特征在于，所述步骤S4中，合并连续时间下的相同位置记录包括：
对按照时间戳排序后的GPS记录，若连续出现位置相同的一片数据，则仅保留该片记录的第一条记录和最后一条记录，剔除剩余所有数据。
6.根据权利要求3所述的清洗方法，其特征在于，所述步骤S5中，剔除漂移记录包括：
对同一车辆，依次计算上下相邻记录间的时差T和距离S，通过速度公式计算出速度V，若速度大于设定阈值则当前记录是漂移点，剔除该条记录。
7.根据权利要求3所述的清洗方法，其特征在于，所述步骤S6中，跳跃点之间的补点具体包括：
步骤S61）将GPS数据按照时间戳排序；
步骤S62）对同一车辆，依次计算上下相邻记录间的时差T和距离S；
步骤S63）判断时差T和距离S是否同时满足跳跃点设定值；
步骤S64）若判定为跳跃点，则基于路网数据，以跳跃点作为到达点，跳跃点的前一点作为出发点，利用迪杰斯特拉算法计算跳跃点之间的最短带权路径；
步骤S65）将路径顺序经过的路网结点作为跳跃点间的补充点，依次插入至原始的GPS记录的相应位置。
CN202011453180.0A 2020-12-11 2020-12-11 一种基于路网数据的gps轨迹清洗方法 Active CN112748452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011453180.0A CN112748452B (zh) 2020-12-11 2020-12-11 一种基于路网数据的gps轨迹清洗方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011453180.0A CN112748452B (zh) 2020-12-11 2020-12-11 一种基于路网数据的gps轨迹清洗方法

Publications (2)

Publication Number Publication Date
CN112748452A true CN112748452A (zh) 2021-05-04
CN112748452B CN112748452B (zh) 2022-09-23

Family

ID=75649188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011453180.0A Active CN112748452B (zh) 2020-12-11 2020-12-11 一种基于路网数据的gps轨迹清洗方法

Country Status (1)

Country Link
CN (1) CN112748452B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487858A (zh) * 2021-06-25 2021-10-08 大连海事大学 一种面向路网数据的异常轨迹检测方法
CN115393974A (zh) * 2022-08-01 2022-11-25 北京主线科技有限公司 自动驾驶车辆故障事件记录方法、装置、设备及存储介质

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5255102A (en) * 1988-09-30 1993-10-19 Yamaha Corporation Optical disc playback device having uniform frame interval track jump based on disc rotation angle
JP2004201085A (ja) * 2002-12-19 2004-07-15 Hitachi Ltd 視覚情報処理装置および適用システム
CN1653505A (zh) * 2002-03-29 2005-08-10 松下电器产业株式会社 地图匹配方法、地图匹配设备、用于形状匹配的数据库、和形状匹配设备
CN102707300A (zh) * 2012-06-05 2012-10-03 大唐移动通信设备有限公司 一种gps轨迹优化方法、装置及系统
WO2014143058A1 (en) * 2013-03-15 2014-09-18 Hewlett-Packard Development Company, L.P. Map matching
CN104700646A (zh) * 2015-03-31 2015-06-10 南京大学 一种基于在线gps数据的出租车异常轨迹实时检测方法
CN106599561A (zh) * 2016-12-06 2017-04-26 北京中交兴路信息科技有限公司 一种轨迹数据清洗方法及装置
CN106781506A (zh) * 2017-02-21 2017-05-31 济南全通信息科技有限公司 基于公交车gps数据的大范围城市公交线网实时运行水平评价方法
CN107016459A (zh) * 2016-03-23 2017-08-04 西安电子科技大学 一种基于网络社区信息的点到点最短路径计算方法
WO2018010577A1 (zh) * 2016-07-09 2018-01-18 腾讯科技（深圳）有限公司 路况信息传输方法和装置、以及路况信息获取方法
CN109215347A (zh) * 2018-10-22 2019-01-15 北京航空航天大学 一种基于众包轨迹数据的交通数据质量控制方法
CN109377757A (zh) * 2018-11-16 2019-02-22 宁波工程学院 基于含多源粗差的车牌识别数据的车辆出行轨迹提取方法
CN110595794A (zh) * 2019-09-02 2019-12-20 清华大学苏州汽车研究院（相城） 一种面向自动驾驶卡车测试的车速数据清洗方法
CN110646824A (zh) * 2019-09-30 2020-01-03 郑州威科姆华大北斗导航科技有限公司 一种多种定位方式实现运动轨迹漂移点过滤计算的方法
CN110992726A (zh) * 2019-10-28 2020-04-10 上海城市交通设计院有限公司 一种公交车辆到站识别以及车辆上下行班次划分的方法
CN111046049A (zh) * 2019-12-20 2020-04-21 西南交通大学 一种货车gps轨迹数据压缩方法
CN111538050A (zh) * 2020-04-17 2020-08-14 拉货宝网络科技有限责任公司 一种基于速度推算策略的gps轨迹纠偏方法
CN112013862A (zh) * 2020-07-31 2020-12-01 深圳大学 一种基于众包轨迹的行人路网提取及更新方法
CN112017429A (zh) * 2020-07-10 2020-12-01 中山大学 一种基于货车gps数据的治超监测布点方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5255102A (en) * 1988-09-30 1993-10-19 Yamaha Corporation Optical disc playback device having uniform frame interval track jump based on disc rotation angle
CN1653505A (zh) * 2002-03-29 2005-08-10 松下电器产业株式会社 地图匹配方法、地图匹配设备、用于形状匹配的数据库、和形状匹配设备
JP2004201085A (ja) * 2002-12-19 2004-07-15 Hitachi Ltd 視覚情報処理装置および適用システム
CN102707300A (zh) * 2012-06-05 2012-10-03 大唐移动通信设备有限公司 一种gps轨迹优化方法、装置及系统
WO2014143058A1 (en) * 2013-03-15 2014-09-18 Hewlett-Packard Development Company, L.P. Map matching
CN104700646A (zh) * 2015-03-31 2015-06-10 南京大学 一种基于在线gps数据的出租车异常轨迹实时检测方法
CN107016459A (zh) * 2016-03-23 2017-08-04 西安电子科技大学 一种基于网络社区信息的点到点最短路径计算方法
WO2018010577A1 (zh) * 2016-07-09 2018-01-18 腾讯科技（深圳）有限公司 路况信息传输方法和装置、以及路况信息获取方法
CN106599561A (zh) * 2016-12-06 2017-04-26 北京中交兴路信息科技有限公司 一种轨迹数据清洗方法及装置
CN106781506A (zh) * 2017-02-21 2017-05-31 济南全通信息科技有限公司 基于公交车gps数据的大范围城市公交线网实时运行水平评价方法
CN109215347A (zh) * 2018-10-22 2019-01-15 北京航空航天大学 一种基于众包轨迹数据的交通数据质量控制方法
CN109377757A (zh) * 2018-11-16 2019-02-22 宁波工程学院 基于含多源粗差的车牌识别数据的车辆出行轨迹提取方法
CN110595794A (zh) * 2019-09-02 2019-12-20 清华大学苏州汽车研究院（相城） 一种面向自动驾驶卡车测试的车速数据清洗方法
CN110646824A (zh) * 2019-09-30 2020-01-03 郑州威科姆华大北斗导航科技有限公司 一种多种定位方式实现运动轨迹漂移点过滤计算的方法
CN110992726A (zh) * 2019-10-28 2020-04-10 上海城市交通设计院有限公司 一种公交车辆到站识别以及车辆上下行班次划分的方法
CN111046049A (zh) * 2019-12-20 2020-04-21 西南交通大学 一种货车gps轨迹数据压缩方法
CN111538050A (zh) * 2020-04-17 2020-08-14 拉货宝网络科技有限责任公司 一种基于速度推算策略的gps轨迹纠偏方法
CN112017429A (zh) * 2020-07-10 2020-12-01 中山大学 一种基于货车gps数据的治超监测布点方法
CN112013862A (zh) * 2020-07-31 2020-12-01 深圳大学 一种基于众包轨迹的行人路网提取及更新方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JU ZHANG 等: "Learning From GPS Trajectories of Floating Car for CNN-Based Urban Road Extraction With High-Resolution Satellite Imagery", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
ZUCHAO WANG 等: "Visual traffic jam analysis based on trajectory data", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》 *
俞雪雷 等: "有交通条件约束与软时间窗约束的配送配载模型算法研究", 《交通与运输(学术版)》 *
詹起林 等: "基于货运车辆GPS数据的交通调查技术研究", 《 地理与地理信息科学》 *
高静文 等: "运输车辆轨迹点数据清洗方法研究", 《电脑知识与技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487858A (zh) * 2021-06-25 2021-10-08 大连海事大学 一种面向路网数据的异常轨迹检测方法
CN113487858B (zh) * 2021-06-25 2022-05-10 大连海事大学 一种面向路网数据的异常轨迹检测方法
CN115393974A (zh) * 2022-08-01 2022-11-25 北京主线科技有限公司 自动驾驶车辆故障事件记录方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112748452B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN112700072B (zh) 交通状况预测方法、电子设备和存储介质
CN111966729B (zh) 一种车辆轨迹数据处理方法、装置、设备及存储介质
CN107025788B (zh) 一种旅行时间预测方法及装置
US20050091176A1 (en) Forecasting apparatus
CN112748452B (zh) 一种基于路网数据的gps轨迹清洗方法
CN108196280B (zh) 一种通过gps推断公交线路方法
CN110398254B (zh) 一种减缓交通拥挤的方法及系统
CN110634299B (zh) 基于多源轨迹数据的城市交通状态精细划分与识别方法
CN110942198A (zh) 一种用于轨道交通运营的乘客路径识别方法和系统
CN110021161B (zh) 一种交通流向的预测方法及系统
CN113255088B (zh) 一种卡口过车记录的数据补全方法及系统
CN106251628B (zh) 一种确定机动车的交通出行量的方法及装置
CN111199247A (zh) 一种公交运行仿真方法
CN113538952A (zh) 公交车间隔异常识别与预警系统、方法、设备及存储介质
Liu et al. Data analytics approach for train timetable performance measures using automatic train supervision data
CN105303245A (zh) 交通分析系统以及交通分析方法
Krislata et al. Traffic Flows System Development for Smart City.
CN109945880A (zh) 路径规划方法、相关设备及可读存储介质
Oskarbski et al. Reliability and safety as an objective of intelligent transport systems in urban areas
CN115662124A (zh) 一种基于网络编码的gps轨迹数据路段流量匹配方法
JP2023005015A (ja) 交通状況予測装置、および、交通状況予測方法
CN111177294B (zh) 基于车辆轨迹数据求解交叉口中介中心性的方法
CN115440037A (zh) 交通流量数据采集方法、装置、电子设备及存储介质
JP2023092971A (ja) 交通状況予測装置、および、交通状況予測方法
CN110148298B (zh) 基于机动车电子标识数据的私家车规律出行行为发现方法

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