CN112749242A - 一种基于共享单车gps数据的路网拓扑重建方法 - Google Patents
一种基于共享单车gps数据的路网拓扑重建方法 Download PDFInfo
- Publication number
- CN112749242A CN112749242A CN202011385078.1A CN202011385078A CN112749242A CN 112749242 A CN112749242 A CN 112749242A CN 202011385078 A CN202011385078 A CN 202011385078A CN 112749242 A CN112749242 A CN 112749242A
- Authority
- CN
- China
- Prior art keywords
- point
- data
- points
- track
- gps
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 48
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 4
- 230000008676 import Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于共享单车GPS数据的路网拓扑重建方法,包括以下步骤:步骤1、为数据预处理先分析共享单车GPS数据特征;步骤2、根据共享单车GPS数据特征和获取的实际数据对原始数据进行轨迹提取、停滞点去除、补齐缺失数据及处理偏移数据,为构建路网拓扑结构提供数据基础;步骤3、路网拓扑结构提取,将路口和路段分开提取然后组合构建路网拓扑结构。该重建方法基于采集成本低且可以迅速获得的慢行交通GPS数据可以简单、迅速地生成路网结构,可以基于共享单车GPS数据构建路网拓扑结构对完善城市道路网、发掘道路资源、居民日常出行需求等有非常重要的应用前景和实际价值。
Description
技术领域
本发明涉及一种共享单车GPS数据预处理、轨迹聚类和拓扑生成算法,具体是一种基于共享单车GPS数据的路网拓扑重建方法。
背景技术
目前地图获取方法主要依靠测绘和卫星遥感,生成周期长、人力成本高。由于交通工具的行为特性,GPS轨迹在一定程度上反映了城市道路网的几何信息,而且其包含了丰富的时信息。利用数据挖掘技术对GPS轨迹数据进行挖掘分析,是生成道路拓扑结构的可靠方法。
但当前对于利用GPS数据提取路网结构大多利用出租车或浮动车产生的GPS数据,由于机动车自身对道路条件有一定要求,导致机动车GPS数据大多集中在城市主干道或者主要道路中,对于一些小区道路或者小路支路等机动车较少到达的道路,难以提取其道路信息,这就使得最终获得的路网结构不够完善,尤其对于一些旅游景点或者公园等场景,由于其人为管制或者商业价值低的原因,地图制作者没有生成该区域内部路网,导致不能满足用户几及市场的需求。
发明内容
为了克服上述现有技术中的缺陷,本发明的发明目的在于提供一种基于共享单车GPS数据的路网拓扑重建方法,该重建方法基于采集成本低且可以迅速获得的慢行交通GPS数据可以简单、迅速地生成路网结构,可以基于共享单车GPS数据构建路网拓扑结构对完善城市道路网、发掘道路资源、居民日常出行需求等有非常重要的应用前景和实际价值。
为了实现上述第一个发明目的,本发明采用以下技术方案:一种基于共享单车GPS数据的路网拓扑重建方法,包括以下步骤:该包括以下步骤:
(1)共享单车GPS数据预处理
将初始的共享单车GPS数据,按照车辆ID筛选一辆单车的数据,然后按照时间状态排序,提取单车开锁到关锁时间内所有数据则为一条完整的运行轨迹,保存为一个三元组的有序集合:
Ti={(x1,y1,t1),(x2,y2,t2),...,(xn,yn,tn)}
其中,为一条轨迹集合,x,y,t分别为经度,纬度,时刻,处理完所有原始的共享单车GPS数据则可获得全部的共享单车GPS轨迹数据,保存为Ti的集合;
(1.1)停滞点处理:以距离阈值d半径,GPS点为中心,沿运动方向扫描轨迹,d内大于一定数量的点判定为停滞点予以删除;
(1.2)缺失数据处理
定义两点距离间隔明显大于前后GPS点的平均水平的点为间断点,对于设备故障导致的间断点,由采样时间间隔T的平均水平判定,对于信号、人为操作造成的间断点,由平均距离间隔D判定,给定一个采样间隔和平均距离间隔,对于一条轨迹中相邻的两个GPS点pi,pi+1需满足如下不等式:
满足下式时,认为该处为GPS数据缺失:
进行如下式的补齐:
(1.2)偏移数据处理
在一条连续的GPS轨迹数据中,对于连续的三个GPS点,比较中间于前后两个数据点连线的垂直距离判定数据是否为偏移数据,当垂直距离大于一般路幅宽度时认为该点为偏移点,并进行修正,其中Pi-1、Pi、Pi+1为一条轨迹上连续的三个GPS点,其中点Pi为中间点,hi是点Pi到线段Pi-1 Pi+1的垂直距离,当hi满足下式时,点Pi看作偏移数据点,
hi>Δh
其中,hi为偏移阈值,对于偏移点Pi,将其投影在线段Pi-1 Pi+1上作为正常轨迹点加入轨迹中;
(2)拓扑点生成方法
计算运动趋势方向向量,运动方向向量等于P0到P1~P4点的单位矢量和:
其中,向量a为点pi的前趋势方向向量;
计算各个轨迹点的趋势夹角后,离散取极值,将趋势夹角取得极值的轨迹点确定为路口转弯点,对得到的每一个疑似拓扑点域的所有前趋势方向向量集和后置趋势方向向量集分别进行聚类分析,提取出与路口相连的道路在路口附近的转向规则将所有的前后趋势方向向量单位化后,选择平均距离作为簇间度量距离进行层次聚类,将前置拟合方向向量看作拓扑点的进口方向,后置拟合方向向量看作出口方向,提取出进出口方向向量后,将每个前置方向向量与后置方向向量通过疑似拓扑点匹配,则提取该点前后经过的进出口,从而获取路口转向规则,对所有疑似拓扑点进行转向分析,则发生不同转向的拓扑点域,取质心可确定为道路拓扑点。
与现有技术相比,本发明的有益效果是:本发明的一种基于共享单车GPS数据的路网拓扑重建方法,该重建方法基于采集成本低且可以迅速获得的慢行交通GPS数据可以简单、迅速地生成路网结构,可以基于共享单车GPS数据构建路网拓扑结构对完善城市道路网、发掘道路资源、居民日常出行需求等有非常重要的应用前景和实际价值。
附图说明
图1是实施例中基于共享单车GPS数据的路网拓扑重建方法的流程示意图;
图2是实施例中基于共享单车GPS数据的路网拓扑重建方法中停滞点示意图;
图3是实施例中基于共享单车GPS数据的路网拓扑重建方法中偏移点示意图;
图4是实施例中基于共享单车GPS数据的路网拓扑重建方法中趋势夹角示意图;
图5是实施例中基于共享单车GPS数据的路网拓扑重建方法中矢量和示意图;
图6是实施例中基于共享单车GPS数据的路网拓扑重建方法中方向聚类示意图;
图7是实施例中基于共享单车GPS数据的路网拓扑重建方法中进口提取示意图;
图8是实施例中基于共享单车GPS数据的路网拓扑重建方法中进口提取示意图;
图9是实施例中基于共享单车GPS数据的路网拓扑重建方法中O-W算法示意图;
图10是实施例中基于共享单车GPS数据的路网拓扑重建方法中子轨迹度量示意图;
图11是实施例中基于共享单车GPS数据的路网拓扑重建方法中特征点提取示意图;
图12是实施例中基于共享单车GPS数据的路网拓扑重建方法中B样条曲线拟合示意图。
具体实施方式
下面结合附图对本发明实施例作详细说明。
实施例:如图1至12所示,一种基于共享单车GPS数据的路网拓扑重建方法,为了生成准确的路网结构,需要对原始数据进行预处理,然后提取路网信息,主要分为两部分:第一部分为数据预处理首先分析了共享单车GPS数据特征,然后根据共享单车GPS数据特征和实际共享单车GPS数据对原始共享单车GPS数据进行轨迹提取、停滞点去除、补齐缺失数据、处理偏移数据等操作,为后文构建路网拓扑结构提供数据基础;第二部分为路网拓扑结构提取,提出一种针对小区的路网生成方法,将路口和路段分开提取然后组合构建路网拓扑结构。首先引入趋势夹角的概念,然后通过对不同方向角聚类提取转向规则来判断轨迹转弯点,从而提取路口。然后提出一种针对路网提取的子轨迹聚类方法进行轨迹聚类,再利用准均匀B样条曲线拟合特征点以生成道路中心线,最后将路段和路口结合获取路网拓扑结构。
如图1所示,为本实施例中基于共享单车GPS数据的路网拓扑重建方法的流程示意图,具体如下:
1、共享单车GPS数据预处理
原始的共享单车GPS数据量庞大,结构复杂,且保存为散乱的单条数据,因此需要对其分组、排序、去零以提取同一辆单车一次运行的轨迹数据,作为进行后面轨迹数据分析提取的基础。将初始的共享单车GPS数据,按照车辆ID筛选一辆单车的数据,然后按照时间状态排序,提取单车开锁到关锁时间内所有数据则为一条完整的运行轨迹,保存为一个三元组的有序集合:
Ti={(x1,y1,t1),(x2,y2,t2),...,(xn,yn,tn)} (1-1)
其中,为一条轨迹集合,x,y,t分别为经度,纬度,时刻,处理完所有原始的共享单车GPS数据则可获得全部的共享单车GPS轨迹数据,保存为T的集合。
1.1、停滞点处理:
如图2所示,停滞点区域的共享单车GPS点数量远远超过轨迹运行的平均水平,因此可以沿着轨迹前进方向逐一检查轨迹密度,发现停滞点,本实施例中以距离阈值d半径,GPS点为中心,沿运动方向扫描轨迹,d内大于一定数量的点判定为停滞点予以删除,由于采样间隔时间基本固定,正常行驶状态下的轨迹点的平均距离间隔大致相同,因此d取轨迹点平均间隔距离的2倍,在此距离内数量大于5个点可视为停滞点。
1.2、缺失数据处理
对于两点距离间隔明显大于前后GPS点的平均水平,称这种点为间断点。对于设备故障导致的间断点,可以由采样时间间隔T的平均水平判定。对于信号,人为操作等造成的间断点,可以由平均距离间隔D判定。因此,给定一个采样间隔和平均距离间隔,对于一条轨迹中相邻的两个GPS点pi,pi+1需满足如下不等式:
对于轨迹点间隔大于平均值的2倍,但不足3倍间隔,即满足(1-3)时,认为该处为GPS数据缺失。需要进行如式(1-4)的补齐:
但对于间隔大于3倍平均值的轨迹点,由于在后续轨迹聚类中,需要将轨迹进行分段聚类,因此对于此类间隔较大的轨迹点不予补齐,以此减少数据处理对原始数据真实性的影响,更好地保存实际信息。
1.3、偏移数据处理
在一条连续的GPS轨迹数据中,对于连续的三个GPS点,比较中间于前后两个数据点连线的垂直距离判定数据是否为偏移数据,当垂直距离大于一般路幅宽度时认为该点为偏移点,并进行修正。如图3所示,其中Pi-1、Pi、Pi+1为一条轨迹上连续的三个GPS点,其中点Pi为中间点,hi是点Pi到线段Pi-1 Pi+1的垂直距离,当hi满足(1-5)时,点Pi可以看作偏移数据点。
hi>Δh (1-5)
其中,hi为偏移阈值(一般采用路幅宽度),对于偏移点Pi,可以将其投影在线段Pi-1Pi+1上作为正常轨迹点加入轨迹中。
2、拓扑点生成方法
一种基于运动趋势的转弯点判别方法,如图4所示,称向量a为点pi的前趋势方向向量,是点pi-5~pi的矢量和方向向量(即前5段轨迹向量矢量相加),向量b为点pi的后趋势方向向量,是点pi~pi+5的矢量和方向向量;角θ为点pi的趋势夹角。前后趋势夹角选取的轨迹段数量根据轨迹的平均数量和距离确定,轨迹段数量越多计算量越大,过少则不够准确。在经过对4,5,6个点进行实验验证后,发现对本实施例数据选取5个点既能保证准确度又不使得计算量过大,影响效率。
运动趋势方向向量的计算方法。如图5所示,运动方向向量等于P0到P1~P4点的单位矢量和,即
在一条轨迹中,转弯点的趋势夹角必定在一定范围内最大或者最小,因此计算各个轨迹点的趋势夹角后,离散取极值,将趋势夹角取得极值的轨迹点暂时认为是路口转弯点。由于某些道路存在弯曲路段,因此发生转弯行为不一定位于路口处。且趋势夹角的极值点不一定是转弯点(转弯点必定是极值点),因此需要对所有取得趋势夹角极值的轨迹点进行聚类来确定转弯点。
轨迹转弯点在路网中的路口处发生聚集,且由于路口在地图中的呈一定距离分布,经典的DBSCAN密度算法聚类正适用于所有趋势夹角极值点的聚类,聚类后形成拐点簇,同时剔除取极值是带来的噪声数据,即不位于转弯点的极值。
对得到的每一个疑似拓扑点域的所有前趋势方向向量集A和后置趋势方向向量集B分别进行聚类分析,使得通过拓扑点的前后方向聚成同一类,从而提取出与路口相连的道路在路口附近的转向规则。由于层次聚类在凝聚或分裂过程中是不可逆的,选定了度量方法后,只能向上或者向下进行算法操作。所以每次产生的分裂或凝聚簇都直接是下一次分裂或凝聚的结果。在算法进行过程中,只要出现低质量的分裂或者凝聚,后续所有的聚类结果都不能产生较好的效果。因此在层次聚类中,每一层都需要根据其特性选择最合适的度量方法。
将所有的前后趋势方向向量单位化后,使得方向聚类问题变为点聚类问题(起点为原点的单位方向向量),选择平均距离作为簇间度量距离进行层次聚类,每一类即为一个进(出)口方向。
这样前置拟合方向向量可看作拓扑点的进口方向,后置拟合方向向量可看作出口方向。如图6所示,为一个路口的拓扑点域前置方向向量聚类结果,以坐标原点为起点聚类簇的质心为终点作为拟合方向向量,共形成4个进口方向,后置方向向量采取同样方法提取出口方向。
提取出进出口方向向量后,将每个前置方向向量与后置方向向量通过疑似拓扑点匹配,则能够提取该点前后经过的进出口,从而获取路口转向规则,如图6匹配后提取了8种转向规则且与实际路口相符合。对所有疑似拓扑点进行转向分析,则发生不同转向的拓扑点域,取质心可确定为道路拓扑点。
3、路网线形方法
对长轨迹段直接聚类不能较好地反映道路的局部特征,因此对轨迹进行分段后聚类,以保证所有轨迹局部共性。
本实施例先将轨迹在拓扑点生成方法中得到的拓扑点打断,然后用openingwindow算法进行轨迹分段。opening window算法原本是用于压缩轨迹数据,其思想是按照偏移大小来储存轨迹点,以保存轨迹的空间特征。将原本储存的特征点作为子轨迹的起止点,具体算法步骤如下:选取轨迹数据中第一个点作为起始点,第三个点设为判断点。①计算所有位于起始点和判断点之间的轨迹点到起始点与判断点之间的垂直距离;②如果所有距离都小于给定阈值,则判断沿轨迹方向向后推移一个,返回步骤1;③若出现偏移距离大于阈值的点,则存储该点,且该点设为起始点,其后的第三个点作为判断点,返回步骤1。循环结束后,所存储的点构成的子轨迹,即为分段后的轨迹。
聚类方法主要继承DBSCAN算法的思想,对于子轨迹的聚类,简单的欧式距离不能像点到点那样直接反映子轨迹之间的关系,因此需要重新定义一个多约束的半径阈值,作为聚类算法中的距离阈值,再设定最小数量阈值MinLns,以此满足DBSCAN算法参数设定,对子轨迹进行聚类。
定义Nε(Li)邻域作为度量子轨迹之间的阈值。为保存轨迹的延伸,取消了水平距离阈值,且判定Nε(Li)邻域时子轨迹除了与核心子轨迹比较角度阈值,还需要与上一子轨迹比较,以此防止子轨迹多次连续小角度偏移导致聚类结果误差。如图8所示,L1作为聚类中心,判断L3是否在Nε(L1)内,需要与L1及L2进行角度阈值判断。
算法子轨迹聚类
基于密度聚类形成多个聚类簇,然而对于一个簇中所有轨迹的走向及其它特征并没有直观简洁地展示出来,因此需要提取簇中的整体轨迹信息。
用一条垂直于簇中线段的平均走向的直线扫描各条线段,每次经过一条线段的起点或终点时都要判断一下此时相交线段的个数是否不小于MinLns,若是,则计算一个所有交点的平均点并存储于列表中,否则不予理会。遍历所有的聚类簇,得到轨迹特征点集合。
为了防止特征点离拓扑点过近造成生成的道路中心线出现偏差,删除落入拓扑点域的特征点,以拓扑点代替。
如图12所示,B样条曲线是一种线性组合,即一定区间内的样条函数组成的线性空间。其主要由三大要素:节点,即控制点P={pi},其中i=0,1,…,N-1;节点U={ui},其中U是m+1个非递减数的集合,即u0<=u2<=u3<=...<=um;阶次,即节点的次数K。对于给定的控制点P={pi}的K次B样条曲线的数学表达为式(1-10)所示。
在上式中0≤t≤1;k=0,1,2,…,n;Pi为控制点集合;F为B样条基函数:
利用所得的轨迹特征点和拓扑点作为控制点进行曲线拟合。本文采用了准均匀B样条曲线拟合方法,与B样条曲线相比,准均匀B样条曲线首尾端点处做N重复度处理,从而使得首末点在拟合曲线上。同时也具有局部修改性和更逼近特征多边形的特点,得到的目标曲线是光滑分段多项式函数。
最后将应用拓扑点生成方法获得的拓扑点与应用路网线形方法提取的道路中线结合获得路网拓扑结构。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现;因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种基于共享单车GPS数据的路网拓扑重建方法,其特征在于,该包括以下步骤:
(1)共享单车GPS数据预处理
将初始的共享单车GPS数据,按照车辆ID筛选一辆单车的数据,然后按照时间状态排序,提取单车开锁到关锁时间内所有数据则为一条完整的运行轨迹,保存为一个三元组的有序集合:
Ti={(x1,y1,t1),(x2,y2,t2),...,(xn,yn,tn)}
其中,为一条轨迹集合,x,y,t分别为经度,纬度,时刻,处理完所有原始的共享单车GPS数据则可获得全部的共享单车GPS轨迹数据,保存为Ti的集合;
(1.1)停滞点处理:以距离阈值d半径,GPS点为中心,沿运动方向扫描轨迹,d内大于一定数量的点判定为停滞点予以删除;
(1.2)缺失数据处理
定义两点距离间隔明显大于前后GPS点的平均水平的点为间断点,对于设备故障导致的间断点,由采样时间间隔T的平均水平判定,对于信号、人为操作造成的间断点,由平均距离间隔D判定,给定一个采样间隔和平均距离间隔,对于一条轨迹中相邻的两个GPS点pi,pi+1需满足如下不等式:
满足下式时,认为该处为GPS数据缺失:
进行如下式的补齐:
(1.2)偏移数据处理
在一条连续的GPS轨迹数据中,对于连续的三个GPS点,比较中间于前后两个数据点连线的垂直距离判定数据是否为偏移数据,当垂直距离大于一般路幅宽度时认为该点为偏移点,并进行修正,其中Pi-1、Pi、Pi+1为一条轨迹上连续的三个GPS点,其中点Pi为中间点,hi是点Pi到线段Pi-1 Pi+1的垂直距离,当hi满足下式时,点Pi看作偏移数据点,
hi>Δh
其中,hi为偏移阈值,对于偏移点Pi,将其投影在线段Pi-1 Pi+1上作为正常轨迹点加入轨迹中。
(2)拓扑点生成方法
计算运动趋势方向向量,运动方向向量等于P0到P1~P4点的单位矢量和:
其中,向量a为点pi的前趋势方向向量;
计算各个轨迹点的趋势夹角后,离散取极值,将趋势夹角取得极值的轨迹点确定为路口转弯点,对得到的每一个疑似拓扑点域的所有前趋势方向向量集和后置趋势方向向量集分别进行聚类分析,提取出与路口相连的道路在路口附近的转向规则将所有的前后趋势方向向量单位化后,选择平均距离作为簇间度量距离进行层次聚类,将前置拟合方向向量看作拓扑点的进口方向,后置拟合方向向量看作出口方向,提取出进出口方向向量后,将每个前置方向向量与后置方向向量通过疑似拓扑点匹配,则提取该点前后经过的进出口,从而获取路口转向规则,对所有疑似拓扑点进行转向分析,则发生不同转向的拓扑点域,取质心可确定为道路拓扑点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011385078.1A CN112749242B (zh) | 2020-11-30 | 2020-11-30 | 一种基于共享单车gps数据的路网拓扑重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011385078.1A CN112749242B (zh) | 2020-11-30 | 2020-11-30 | 一种基于共享单车gps数据的路网拓扑重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749242A true CN112749242A (zh) | 2021-05-04 |
CN112749242B CN112749242B (zh) | 2023-04-07 |
Family
ID=75649070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011385078.1A Active CN112749242B (zh) | 2020-11-30 | 2020-11-30 | 一种基于共享单车gps数据的路网拓扑重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749242B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862659A (zh) * | 2020-06-30 | 2020-10-30 | 中冶智诚(武汉)工程技术有限公司 | 一种gps轨迹数据匹配和补全的方法 |
CN113447040A (zh) * | 2021-08-27 | 2021-09-28 | 腾讯科技(深圳)有限公司 | 行驶轨迹确定方法、装置、设备以及存储介质 |
CN113554891A (zh) * | 2021-07-19 | 2021-10-26 | 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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1959759A (zh) * | 2006-11-17 | 2007-05-09 | 上海城市综合交通规划科技咨询有限公司 | 基于浮动车数据的交通分析方法 |
WO2013109591A2 (en) * | 2012-01-17 | 2013-07-25 | Limn Tech LLC | Roadway mark locator, inspector, and analyzer |
CN106056953A (zh) * | 2016-05-19 | 2016-10-26 | 西安电子科技大学 | 基于低精度gps数据获取交通道路信息的方法 |
CN108335482A (zh) * | 2017-01-20 | 2018-07-27 | 亚信蓝涛(江苏)数据科技有限公司 | 一种城市交通态势感知方法及可视化方法 |
CN108564199A (zh) * | 2018-03-07 | 2018-09-21 | 温州职业技术学院 | 一种基于gis的路径优化方法 |
CN109816271A (zh) * | 2019-02-25 | 2019-05-28 | 东南大学 | 基于共享单车轨迹数据的自行车道服务水平评价方法 |
-
2020
- 2020-11-30 CN CN202011385078.1A patent/CN112749242B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1959759A (zh) * | 2006-11-17 | 2007-05-09 | 上海城市综合交通规划科技咨询有限公司 | 基于浮动车数据的交通分析方法 |
WO2013109591A2 (en) * | 2012-01-17 | 2013-07-25 | Limn Tech LLC | Roadway mark locator, inspector, and analyzer |
CN106056953A (zh) * | 2016-05-19 | 2016-10-26 | 西安电子科技大学 | 基于低精度gps数据获取交通道路信息的方法 |
CN108335482A (zh) * | 2017-01-20 | 2018-07-27 | 亚信蓝涛(江苏)数据科技有限公司 | 一种城市交通态势感知方法及可视化方法 |
CN108564199A (zh) * | 2018-03-07 | 2018-09-21 | 温州职业技术学院 | 一种基于gis的路径优化方法 |
CN109816271A (zh) * | 2019-02-25 | 2019-05-28 | 东南大学 | 基于共享单车轨迹数据的自行车道服务水平评价方法 |
Non-Patent Citations (3)
Title |
---|
LILI CAO 等: "From GPS traces to a routable road map" * |
夏芝安: "基于车载GPS/INS系统的道路线形多参数识别技术研究" * |
王志建 等: "基于共享单车GPS数据的小区道路生成方法" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862659A (zh) * | 2020-06-30 | 2020-10-30 | 中冶智诚(武汉)工程技术有限公司 | 一种gps轨迹数据匹配和补全的方法 |
CN113554891A (zh) * | 2021-07-19 | 2021-10-26 | 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 |
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 |
CN113447040A (zh) * | 2021-08-27 | 2021-09-28 | 腾讯科技(深圳)有限公司 | 行驶轨迹确定方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112749242B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112749242B (zh) | 一种基于共享单车gps数据的路网拓扑重建方法 | |
CN109241069B (zh) | 一种基于轨迹自适应聚类的路网快速更新的方法及系统 | |
Biagioni et al. | Map inference in the face of noise and disparity | |
CN110648529B (zh) | 一种车辆行驶轨迹的渲染方法、装置、设备及存储介质 | |
CN107958302B (zh) | 基于虚拟拓扑交通网络的经验路径规划方法 | |
CN111291790B (zh) | 一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法 | |
CN111291776B (zh) | 基于众源轨迹数据的航道信息提取方法 | |
CN113065594B (zh) | 一种基于北斗数据与遥感影像融合的路网提取方法及装置 | |
CN110906940B (zh) | 一种基于轨迹方向的车道边线聚合方法 | |
CN111210621A (zh) | 基于实时路况的信号绿波协调路线优化控制方法及系统 | |
CN110988880A (zh) | 一种基于smr目标轨迹的地理信息提取及目标跟踪方法 | |
CN115131669A (zh) | 多源数据协同的人车路网一体化构建方法 | |
CN114842450A (zh) | 一种可行驶区域检测方法、装置及设备 | |
CN116071722A (zh) | 基于路段轨迹的车道几何信息提取方法、系统、设备及介质 | |
Chen et al. | A local tangent plane distance-based approach to 3D point cloud segmentation via clustering | |
CN111813877B (zh) | 一种航迹提取方法及装置 | |
CN115265555A (zh) | 基于隐马尔科夫的多噪声感知的地图匹配校正方法及系统 | |
CN112364890B (zh) | 利用出租车轨迹制作城市可导航路网的交叉口引导方法 | |
CN113903173A (zh) | 一种基于有向图结构和lstm的车辆轨迹特征提取方法 | |
CN114170149A (zh) | 一种基于激光点云的道路几何信息提取方法 | |
Fang et al. | GPSClean: a framework for cleaning and repairing GPS data | |
CN115374498B (zh) | 一种考虑道路属性特征参数的道路场景重构方法及系统 | |
CN115824236A (zh) | 一种基于车道级轨迹的车道构建方法 | |
CN116051841A (zh) | 基于车载LiDAR点云的路边地上物多阶段聚类分割算法 | |
CN115309846A (zh) | 一种基于平行系数的道路网结构识别方法 |
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 |