CN113009532A - 一种移动轨迹数据补全方法 - Google Patents
一种移动轨迹数据补全方法 Download PDFInfo
- Publication number
- CN113009532A CN113009532A CN202110355895.0A CN202110355895A CN113009532A CN 113009532 A CN113009532 A CN 113009532A CN 202110355895 A CN202110355895 A CN 202110355895A CN 113009532 A CN113009532 A CN 113009532A
- Authority
- CN
- China
- Prior art keywords
- data
- track
- missing
- point
- distance
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000012935 Averaging Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 101150090997 DLAT gene Proteins 0.000 claims description 2
- DDVBPZROPPMBLW-IZGXTMSKSA-N latrunculin A Chemical compound C([C@H]1[C@@]2(O)C[C@H]3C[C@H](O2)CC[C@@H](\C=C/C=C/CC\C(C)=C/C(=O)O3)C)SC(=O)N1 DDVBPZROPPMBLW-IZGXTMSKSA-N 0.000 claims description 2
- NSHPHXHGRHSMIK-IWQSFCKSSA-N latrunculin B Natural products C[C@H]1CC[C@@H]2C[C@@H](C[C@@](O)(O2)[C@@H]3CSC(=O)N3)OC(=O)C=C(C)/CCC=C/1 NSHPHXHGRHSMIK-IWQSFCKSSA-N 0.000 claims description 2
- DDVBPZROPPMBLW-UHFFFAOYSA-N latrunculin-A Natural products O1C(=O)C=C(C)CCC=CC=CC(C)CCC(O2)CC1CC2(O)C1CSC(=O)N1 DDVBPZROPPMBLW-UHFFFAOYSA-N 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- 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
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开一种移动轨迹数据补全方法，数据完整度高。本发明的移动轨迹数据补全方法，包括以下步骤:(10)异常轨迹数据过滤：剔除原始数据中的越界数据、冗余数据、空值和稀疏轨迹点数据；(20)缺失轨迹数据识别：根据相邻轨迹点的距离和采集时间是否超过阈值，识别出缺失轨迹数据；(30)轨迹数据均值填充：根据移动轨迹采样频率和移动速度，得到缺失轨迹的搜索半径，采用均值法得到缺失数据端点的经纬度估计值，以该估计值对缺失轨迹数据进行填充。
Description
技术领域
本发明涉及移动通信和大数据挖掘技术领域，特别涉及一种移动轨迹数据补全方法。
背景技术
随着基于位置的服务的迅猛发展，大量的移动轨迹数据可以获得并应用于不同的领域。但由于数据缺失问题不能直接对人群的轨迹数据精准识别和管理。
移动轨迹数据缺失原因：
用户轨迹数据是由诸如GPS等的GNSS设备采集的，但是由于设备本身可能存在故障，导致采集的轨迹数据产生定位误差或者固有误差，而且在某些特殊的情况下，GNSS设备会受定位精度、采集频率以及系统误差的影响，容易出现没有采集或记录的现象，从而导致采集的轨迹数据出现部分缺失。通常来说，引起数据不准确或者缺失的原因主要包括以下几点：
(1)信号被屏蔽或者不良
一般来说，GNSS设备在隧道、地铁中经常出现信息中断或无法接收信号，这就属于信号被屏蔽或者信号不良。因此，当车辆在诸如地下通道或者隧道中行驶时，可能会出现GNSS信号接收中断的现象，这样会导致采集的轨迹数据大量丢失。
(2)设备故障或其它误操作
每个设备都会有出故障的时候，GNSS设备也不例外。比如当GNSS设备的电池耗尽或者仪器故障时，则不能正常采集数据，毕竟GNSS设备的电池容量是有限的。一旦出现这种情况或其他误操作，都会导致采集到的数据缺失。
(3)通信异常
由于通信装置以及GNSS设备会出现稳定性故障等异常现象，会导致采集的数据出现错误等情况。
(4)冷启动
GNSS设备有两种启动方式，一种是冷启动，另一种是热启动。所谓冷启动是指GNSS设备在长时间的关闭后，进行再次启动，由于再次启动需要重新下载星历信息，可能会导致信号发生延迟，因而导致数据丢失。
目前对于缺失轨迹数据的解决方法主要有以下几种：
1、最短路径填补算法，最短路径填补是一种利用起始点和结束点位置，在两点间线性插补方法。在直线移动轨迹中填补效果良好，但现实轨迹中存在大量方向转移，填补效果偏差较大。2、GNSS轨道轨迹数据补全最优路径，首先根据信号缺失的时间差、路径的节点新建GNSS记录，插入到GNSS记录信号缺失部分；再根据信号缺失点前后的交通方式更新OD(Origin-Destination Matrix)矩阵：若信号缺失前后均为轨道交通，则直接插入一条交通方式为轨道交通的记录；若信号缺失前后均不是轨道交通，则分别将信号缺失起点到轨道交通起始节点的步行记录、一条轨道交通记录、轨道交通终止节点到信号缺失终点的步行记录，依此类推，最后完成OD矩阵的合并。2、基于历史车辆位置轨迹的路径推理系统(HRIS)，HRIS系统是一个针对低采样率轨迹的系统解决方案，该系统从历史车辆位置轨迹中挖掘行车模式对低采样率位置轨迹进行路径推理。它可以降低这类轨迹的不确定性，给出一个可能的匹配。但是该统方案在采样间隔更大时却并不适用。3、模式挖掘填补法，对用户历史数据进行挖掘，找出历史数据中的频繁移动模式。根据空缺轨迹段所属移动模式，利用历史轨迹进行填补。当空缺轨迹在历史轨迹中无法得到频繁模式时，填补失败。4、神经网络填补法，设计基于长短时记忆神经网络的补全模型，使用待补全站时间序列中可用的数据训练模型，合并使用日期数据增强训练效果，使模型学习到蕴含在序列中的时空相关知识。当原有时间序列中有大量缺失时效果存在波动。5、概率密度插补法，计算某段时间或某两点间最频繁路径作为插补序列进行填补。当空缺轨迹在历史轨迹中无法得到频繁模式时，填补失败。
以上方法在研究填补数据空缺时缺乏分步进行的操作，有的方法过于追求填补时的效率，在恢复数据完整度方面表现不佳。
发明内容
本发明的目的在于提供一种移动轨迹数据补全方法，能够使数据完整度高。
为了解决上述技术问题，本发明的技术方案为：
一种移动轨迹数据补全方法，包括以下步骤:
(10)异常轨迹数据过滤：剔除原始数据中的越界数据、冗余数据、空值和稀疏轨迹点数据；
(20)缺失轨迹数据识别：根据相邻轨迹点的距离和采集时间是否超过阈值，识别出缺失轨迹数据；
(30)轨迹数据均值填充：根据移动轨迹采样频率和移动速度，得到缺失轨迹的搜索半径，采用均值法得到缺失数据端点的经纬度估计值，以该估计值对缺失轨迹数据进行填充。
与现有技术相比，本发明的显著优点为：
数据完整度高：本发明针对移动轨迹数据补全，首先对轨迹数据中异常的数据进行剔除，然后对于缺失的轨迹数据，利用距离和时间阈值将其识别，最后利用估计值的均值进行缺失数据的填充；本专利利用剔除异常数据，识别缺失轨迹，均值轨迹填充三步走策略，能够有效提高缺失轨迹数据补全的准确率，增强移动数据的可信度。
附图说明
图1为本发明移动轨迹数据补全方法的主流程图。
图2为图1中异常轨迹数据过滤步骤的流程图。
图3为图1中缺失轨迹数据识别步骤的流程图。
图4为图1中轨迹数据均值填充步骤的流程图。
具体实施方式
如图1所示，本发明移动轨迹数据补全方法，包括以下步骤:
(10)异常轨迹数据过滤：剔除原始数据中的越界数据、冗余数据、空值和稀疏轨迹点数据；
如图2所示，所述(10)异常轨迹数据过滤步骤包括：
(11)剔除越界数据：根据轨迹范围，剔除超出该范围的轨迹进行剔除；
例如若轨迹范围在南京，则对不在南京范围内的轨迹数据，即经度不在118°22″至119°14″之间，纬度也不在31°14″至32°37″之间的轨迹进行剔除。
(12)剔除冗余数据：保留同一时间点内采集到的相似轨迹数据中的中心轨迹点数据，剔除其余数据；
轨迹数据在同一个时间点内采集到多个轨迹点，但轨迹点绝大多数都是很相似的，保留中心的轨迹点，其他的剔除。
(13)剔除空值：剔除原始数据中记录值为空数据；
对原始数据的检测分析，能够发现原始数据中存在着记录值为空的情况，如果是研究所需的数据为空，意味着该数据为无效值，因此也应该剔除。
(14)剔除稀疏轨迹点数据：剔除轨迹点数少于下限个数的轨迹数据。
当轨迹点少于下限个数n个时，导致轨迹过短，不利于对轨迹进行研究，应予以剔除。
(20)缺失轨迹数据识别：根据相邻轨迹点的距离和采集时间是否超过阈值，识别出缺失轨迹数据；
车辆在行驶的过程中，由于卫星信号异常、通讯失常以及设备异常或者经过被高楼遮挡时，则不能及时上传车辆的位置信息，因此导致车辆的轨迹数据出现缺失，然而缺失的轨迹数据会严重影响数据分析结果，极大的降低了结果的准确性。因此，缺失轨迹进行识别是一项非常重要的工作。
如图3所示，所述(20)缺失轨迹数据识别步骤包括：
(21)相邻轨迹点经纬度差计算：按下式计算两个相邻轨迹点的经纬度差值，
(22)相邻轨迹点距离计算：按下式计算两个相邻轨迹点的距离，
式中，LonA是第一个轨迹点的经度，LonB是第二个轨迹点的经度，LatA是第一个轨迹点的纬度，LatB是第二个轨迹点的纬度，Dlon为两个轨迹点的精度差，Dlat为纬度差，Dist为两个轨迹点的距离；
(23)缺失轨迹识别：当相邻轨迹点数据的时间大于时间阈值、且距离大于距离阈值时，标记该数据为缺失轨迹数据。
由于研究数据是用户车辆每隔一段时间上传的GNSS数据，通过对该数据进行观察发现，车辆正常行驶时相邻两个轨迹点之间的时间差为30秒，在此时间段车辆的行驶距离较短，对实验结果没有影响，不必处理。然而实验数据中存在着时间差远远大于31s的相邻轨迹点，这样的时间差，车辆的行驶距离差较大。
通过公式，计算出两个时间间隔为30秒的相邻点的最大距离为p米。因此本专利的距离阈值即为p米，时间阈值是30秒。因此缺失轨迹点需要同时满足T>30秒，D>p米。从车辆一天的轨迹数据中选取10条最有代表性的数据，并通过上述计算，得出了距离，根据设定的时间、距离阈值，将缺失轨迹标记为null。
(30)轨迹数据均值填充：根据移动轨迹采样频率和移动速度，得到缺失轨迹的搜索半径，采用均值法得到缺失数据端点的经纬度估计值，以该估计值对缺失轨迹数据进行填充。
车辆在行驶的过程中，可能出现轨迹数据缺失的情况，一旦出现缺失的数据，则很难知道车辆在当前时间内的轨迹信息，比如行驶的速度、位置、方向以及路段等信息。因此，对缺失的轨迹数据进行填充具有十分重要的意义。
如图4所示，所述(30)轨迹数据均值填充步骤包括：
(31)移动轨迹采样频率确定：根据不同类型的移动轨迹确定相对应的采样频率；
(32)缺失轨迹搜索半径确定：根据采样频率，结合移动速度，得到移动距离，以所述移动距离作为缺失轨迹的搜索半径。
(33)均值法填充：面对在搜索半径内的缺失轨迹端点，在搜索半径中得到缺失数据端点经纬度的多个估计值，计算所述多个估计值的均值，得到最终估计值，以该最终的估计值填充缺失轨迹数据。
假设GNSS数据的采样频率为30s，而根据距离算法，30s的行驶距离大约为p米，因此将缺失轨迹的搜索半径设为p米，根据缺失轨迹端点所在范围，采用均值法进行填补，得到经纬度的n个估计值，然后通过计算估计值与端点的距离，使其在缺失轨迹端点的半径范围内，为了提高准确度，再计算估计值的均值，得到最终的估计值进行填充。
采用上述技术方案，针对移动轨迹数据补全，首先对轨迹数据中异常的数据进行剔除，然后对于缺失的轨迹数据，利用距离和时间阈值将其识别，最后利用估计值的均值进行缺失数据的填充；本专利利用剔除异常数据，识别缺失轨迹，均值轨迹填充三步走策略，能够有效提高缺失轨迹数据补全的准确率，增强移动数据的可信度。
Claims (4)
1.一种移动轨迹数据补全方法，其特征在于，包括以下步骤:
(10)异常轨迹数据过滤：剔除原始数据中的越界数据、冗余数据、空值和稀疏轨迹点数据；
(20)缺失轨迹数据识别：根据相邻轨迹点的距离和采集时间是否超过阈值，识别出缺失轨迹数据；
(30)轨迹数据均值填充：根据移动轨迹采样频率和移动速度，得到缺失轨迹的搜索半径，采用均值法得到缺失数据端点的经纬度估计值，以该估计值对缺失轨迹数据进行填充。
2.根据权利要求1所述的移动轨迹数据补全方法，其特征在于，所述(10)异常轨迹数据过滤步骤包括：
(11)剔除越界数据：根据轨迹范围，剔除超出该范围的轨迹进行剔除；
(12)剔除冗余数据：保留同一时间点内采集到的相似轨迹数据中的中心轨迹点数据，剔除其余数据；
(13)剔除空值：剔除原始数据中记录值为空数据；
(14)剔除稀疏轨迹点数据：剔除轨迹点数少于下限个数的轨迹数据。
3.根据权利要求2所述的移动轨迹数据补全方法，其特征在于，所述(20)缺失轨迹数据识别步骤包括：
(21)相邻轨迹点经纬度差计算：按下式计算两个相邻轨迹点的经纬度差值，
(22)相邻轨迹点距离计算：按下式计算两个相邻轨迹点的距离，
式中，LonA是第一个轨迹点的经度，LonB是第二个轨迹点的经度，LatA是第一个轨迹点的纬度，LatB是第二个轨迹点的纬度，Dlon为两个轨迹点的精度差，Dlat为纬度差，Dist为两个轨迹点的距离；
(23)缺失轨迹识别：当相邻轨迹点数据的时间大于时间阈值、且距离大于距离阈值时，标记该数据为缺失轨迹数据。
4.根据权利要求3所述的移动轨迹数据补全方法，其特征在于，所述(30)轨迹数据均值填充步骤包括：
(31)移动轨迹采样频率确定：根据不同类型的移动轨迹确定相对应的采样频率；
(32)缺失轨迹搜索半径确定：根据采样频率，结合移动速度，得到移动距离，以所述移动距离作为缺失轨迹的搜索半径。
(33)均值法填充：面对在搜索半径内的缺失轨迹端点，在搜索半径中得到缺失数据端点经纬度的多个估计值，计算所述多个估计值的均值，得到最终估计值，以该最终的估计值填充缺失轨迹数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110355895.0A CN113009532A (zh) | 2021-04-01 | 2021-04-01 | 一种移动轨迹数据补全方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110355895.0A CN113009532A (zh) | 2021-04-01 | 2021-04-01 | 一种移动轨迹数据补全方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113009532A true CN113009532A (zh) | 2021-06-22 |
Family
ID=76387711
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110355895.0A Withdrawn CN113009532A (zh) | 2021-04-01 | 2021-04-01 | 一种移动轨迹数据补全方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113009532A (zh) |
Cited By (6)
| 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 |
| CN113505187A (zh) * | 2021-07-07 | 2021-10-15 | 西安理工大学 | 一种基于地图匹配的车辆分类轨迹纠错方法 |
| CN114706109A (zh) * | 2022-06-06 | 2022-07-05 | 广州斯沃德科技有限公司 | 一种基于边缘计算的车辆轨迹校准系统及方法 |
| CN117573744A (zh) * | 2023-11-02 | 2024-02-20 | 中化现代农业有限公司 | 农机监控方法、装置、电子设备和存储介质 |
| CN117891892A (zh) * | 2024-03-14 | 2024-04-16 | 南京师范大学 | 一种基于历史巡护数据的护林员轨迹优化算法 |
| CN117891892B (zh) * | 2024-03-14 | 2024-05-31 | 南京师范大学 | 一种基于历史巡护数据的护林员轨迹优化方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376415A (zh) * | 2018-02-13 | 2018-08-07 | 中国联合网络通信集团有限公司 | 一种轨迹填充的方法及装置 |
| CN108597224A (zh) * | 2018-05-02 | 2018-09-28 | 深圳市数字城市工程研究中心 | 一种基于时空轨迹数据的待改善交通设施识别方法及系统 |
| CN108763558A (zh) * | 2018-05-25 | 2018-11-06 | 武汉大学 | 一种基于地图匹配的众包地图道路质量改进方法 |
| CN110727757A (zh) * | 2019-10-22 | 2020-01-24 | 北京卡路里信息技术有限公司 | 轨迹数据的处理方法及装置、电子设备 |
| 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 |
| CN111854791A (zh) * | 2020-07-21 | 2020-10-30 | 北京卡路里信息技术有限公司 | 一种运动轨迹确定方法、装置、终端设备和存储介质 |
| CN111879338A (zh) * | 2020-07-28 | 2020-11-03 | 安徽中科美络信息技术有限公司 | 一种基于电子地图的行车轨迹规划补偿方法及装置 |
-
2021
- 2021-04-01 CN CN202110355895.0A patent/CN113009532A/zh not_active Withdrawn
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376415A (zh) * | 2018-02-13 | 2018-08-07 | 中国联合网络通信集团有限公司 | 一种轨迹填充的方法及装置 |
| CN108597224A (zh) * | 2018-05-02 | 2018-09-28 | 深圳市数字城市工程研究中心 | 一种基于时空轨迹数据的待改善交通设施识别方法及系统 |
| CN108763558A (zh) * | 2018-05-25 | 2018-11-06 | 武汉大学 | 一种基于地图匹配的众包地图道路质量改进方法 |
| CN110727757A (zh) * | 2019-10-22 | 2020-01-24 | 北京卡路里信息技术有限公司 | 轨迹数据的处理方法及装置、电子设备 |
| 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 |
| CN111854791A (zh) * | 2020-07-21 | 2020-10-30 | 北京卡路里信息技术有限公司 | 一种运动轨迹确定方法、装置、终端设备和存储介质 |
| CN111879338A (zh) * | 2020-07-28 | 2020-11-03 | 安徽中科美络信息技术有限公司 | 一种基于电子地图的行车轨迹规划补偿方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 王婷: "基于web的轨迹数据可视化研究与实现", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 17 - 33 * |
Cited By (6)
| 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 |
| CN113505187A (zh) * | 2021-07-07 | 2021-10-15 | 西安理工大学 | 一种基于地图匹配的车辆分类轨迹纠错方法 |
| CN114706109A (zh) * | 2022-06-06 | 2022-07-05 | 广州斯沃德科技有限公司 | 一种基于边缘计算的车辆轨迹校准系统及方法 |
| CN117573744A (zh) * | 2023-11-02 | 2024-02-20 | 中化现代农业有限公司 | 农机监控方法、装置、电子设备和存储介质 |
| CN117891892A (zh) * | 2024-03-14 | 2024-04-16 | 南京师范大学 | 一种基于历史巡护数据的护林员轨迹优化算法 |
| CN117891892B (zh) * | 2024-03-14 | 2024-05-31 | 南京师范大学 | 一种基于历史巡护数据的护林员轨迹优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113009532A (zh) | 一种移动轨迹数据补全方法 | |
| CN111856541B (zh) | 一种固定线路车辆轨迹监测系统及方法 | |
| CN111862659B (zh) | 一种gps轨迹数据匹配和补全的方法 | |
| CN108761497B (zh) | 一种列车卫星定位局域完好性监测方法及系统 | |
| EP2215495B1 (en) | Location determination system for vehicles | |
| CN109714709B (zh) | 一种基于历史信息的失联车辆位置预测方法和系统 | |
| US8406940B2 (en) | Methods and systems for mapping railroad tracks | |
| CN102096702B (zh) | 一种车辆行驶里程处理系统及其处理方法 | |
| CN108763558B (zh) | 一种基于地图匹配的众包地图道路质量改进方法 | |
| CN106104656A (zh) | 地图信息生成系统、方法及程序 | |
| AU2009240007A1 (en) | A method of creating a speed estimation | |
| WO2014103989A1 (ja) | 地図作成支援システム | |
| CN104121915A (zh) | 一种道路实时导航方法及系统 | |
| WO2008118597A1 (en) | Traffic data collection utilizing a cellular communication network and probe units | |
| Blazquez et al. | Simple map-matching algorithm applied to intelligent winter maintenance vehicle data | |
| CN107330088A (zh) | 一种基于gps轨迹数据的出行段识别方法 | |
| CN105628043A (zh) | 一种浮动车车载终端的最优路径搜索方法及系统 | |
| CN104515528A (zh) | 基于路段累积概率的单点地图匹配方法 | |
| CN116989816B (zh) | 一种偏航识别方法、装置及电子设备 | |
| Meng et al. | A simplified map-matching algorithm for in-vehicle navigation unit | |
| CN113324560A (zh) | 一种获取车辆里程的方法、系统及计算机可读介质 | |
| CN102184636B (zh) | 基于浮动车技术的道路拓宽识别方法 | |
| CN114061597B (zh) | 一种车辆地图匹配自主定位方法 | |
| CN115267840A (zh) | 定位校准方法及设备、存储介质 | |
| CN111806521A (zh) | 一种远程监视智轨列车的方法和系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210622 |