CN113485997A - 基于概率分布偏差估计的轨迹数据纠偏方法 - Google Patents
基于概率分布偏差估计的轨迹数据纠偏方法 Download PDFInfo
- Publication number
- CN113485997A CN113485997A CN202110850984.2A CN202110850984A CN113485997A CN 113485997 A CN113485997 A CN 113485997A CN 202110850984 A CN202110850984 A CN 202110850984A CN 113485997 A CN113485997 A CN 113485997A
- Authority
- CN
- China
- Prior art keywords
- point
- track
- track data
- trip
- tracks
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 239000000203 mixture Substances 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000007983 Tris buffer Substances 0.000 claims description 2
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003786 synthesis reaction 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种基于概率分布偏差估计的轨迹数据纠偏方法,所述轨迹数据包括每个采样点的车辆实时的位置,车辆的瞬时速度和采样时间,包括:根据轨迹的长度和采样间隔对所有轨迹进行清洗;对取出来的轨迹数据进行间隔为2m的插值处理,从所有轨迹中依次取出第一轨迹数据,并对第一轨迹数据中的每个形状点做一条长为30m的截线,计算所述第一轨迹数据在每个形状点处的空间方位角;求出所有与所述截线相交的第二轨迹数据,并求所述第二轨迹数据在交点处的方位角,计算所述第一轨迹数据和第二轨迹数据的方位角差异,若所述方位角差异小于60°,记录第二轨迹数据与所述截线的交点,否则忽略;对记录的所述截线的所有交点运用高斯混合模型,并进行迭代。
Description
技术领域
本发明涉及地图制图学与地理信息工程领域,特别涉及一种基于概率分布偏差估计的轨迹数据纠偏方法。
背景技术
随着我国城镇化建设的不断推进,城市道路网作为城市的骨架也随之快速发展。无论是城市的扩张还是城市人口增长带来的拥堵道路优化,伴随而来的是城市道路网的快速更新。道路同样作为地图中重要的要素,如何快速获取精确的道路信息成为了测绘学科和地图学等学科面临的主要问题。传统的道路网测量方式,比如实地测量和地图的综合与缩编等方式,需要耗费较多的人力和时间,且难以适应城市的快速发展。随着遥感技术的发展,也出现了很多通过遥感图像解译提取道路的方法,但是获取完整的道路网信息的过程仍然比较繁琐,需要大量的人工参与。近年来,卫星导航技术(GNSS,Global NavigationSatellite System)快速发展,一些车载或者手机等移动终端上就能够搭载较高精度的定位设备,并且随着数据存储技术和通信技术的发展,大量的位置数据可以被完整的记录,包括车载GPS设备记录的车辆轨迹以及导航服务记录的用户出行轨迹。这些数据中包含了丰富的载体信息,能充分反映城市的交通情况和道路的实时状态,目前学者们针对基于轨迹数据提取道路网已经开展了相关的工作。
目前,学者们对众源轨迹进行纠偏展开了少量的研究,主要包括以下两个研究:Cao使用引力-斥力模型对轨迹纠偏,模拟轨迹数据间的吸引力和排斥力对轨迹进行位移优化,而引力和斥力主要与轨迹间的空间距离相关;唐炉亮使用加权Delaunay三角网对轨迹进行纠偏,通过在空间上建立三角网的约束对轨迹点进行优化。这两种预处理是对全局轨迹做优化,计算量大,且没办法解决轨迹分布不均匀的影响。
发明内容
本发明提供了一种基于概率分布偏差估计的轨迹数据纠偏方法,其目的是为了解决现有研究只考虑轨迹点间的空间邻近性等特征进行轨迹数据的聚合与纠偏,未充分顾及轨迹数据的分布特征的问题。
为了达到上述目的,本发明的实施例提供了一种基于概率分布偏差估计的轨迹数据纠偏方法,所述轨迹数据包括每个采样点的车辆实时的位置,车辆的瞬时速度和采样时间,包括:
步骤1,根据轨迹的长度和采样间隔对所有轨迹进行清洗;
步骤2,对取出来的轨迹数据进行间隔为2m的插值处理;
步骤3,从所有轨迹中依次取出第一轨迹数据,并对第一轨迹数据中的每个形状点做一条长为30m的截线,计算所述第一轨迹数据在每个形状点处的空间方位角;
步骤4,求出所有与所述截线相交的第二轨迹数据,并求所述第二轨迹数据在交点处的方位角,计算所述第一轨迹数据和第二轨迹数据的方位角差异,取值范围0~180°,若所述方位角差异小于60°,则记录第二轨迹数据与所述截线的交点,否则忽略;
步骤5,对记录的所述截线的所有交点运用高斯混合模型,并进行迭代。
其中,所述步骤1具体包括:
如果轨迹Ti的总长度小于200m,或者轨迹的采样个数小于5个,则剔除该条轨迹;
如果轨迹Ti中两个相邻的采样点的采样时间差大于50秒,或者距离d>500m,则将轨迹Ti在这两个采样点处打断为两条轨迹,其中d为两点间的欧式距离;
数据清洗后将轨迹记录为tripi=[point1,point2,…pointm];,
其中,tripi为单条道路的形状信息,point为空间点,包括其x,y坐标。
其中,所述步骤2具体包括:
插值前轨迹为tripi=[point1,point2,…pointm],计算point1和point2间的距离d,在线段[point1,point2]间均匀插入d/2个点[point11,point12,…],对point2和point3进行同样的计算得到[point21,point22,…];遍历轨迹中所有的点对,得到最终的结果[point11,point12,…,point21,point22,…,…,pointm1,pointm2,…]共n个点,tripi重新记为[point1,point2,…pointn]。
其中,所述步骤3具体包括:
其中,xt,yt为pointt的坐标,o取值0~360°。
其中,所述步骤5具体包括:
将一个分布的概率模型表示为多个高斯模型的组合,具体为以下形式:
所有交点在L上的相对位置记为{X1,X2,…,Xn};
其中,n为所有交点的总数,X1为tripi中形状点pointt对应的位置;
记zij=0或1,i=[1,2,3…,n],j=[1,2,…,K],表示Xi是否属于第j个高斯分布;
初始α,μ,σ赋值1/K,0,1,通过以下公式可以得到:
其中,所述方法还包括:
步骤8,对tripi中的每个形状点重复步骤3至步骤6的操作;
步骤9,对trips中的所有轨迹重复步骤2至步骤7的操作,遍历一遍所有轨迹为一次迭代,重复迭代以上过程至预设的迭代次数为止。
本发明的上述方案有如下的有益效果:
本发明的基于概率分布偏差估计的轨迹数据纠偏方法通过对轨迹数据的空间概率分布模型进行分析,根据轨迹数据的分布特点纠正其实际的空间位置,获得正确的车辆轨迹的空间形态。
附图说明
图1为本发明的基于概率分布偏差估计的轨迹数据纠偏方法的流程图;
图2为本发明的方法实施前后的轨迹分布情况示例图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
如图1和图2所示,本发明的实施例提供了一种基于概率分布偏差估计的轨迹数据纠偏方法,所述轨迹数据包括每个采样点的车辆实时的位置,车辆的瞬时速度和采样时间,具体包括:
1)轨迹数据清洗。根据轨迹的长度和采样间隔对所有轨迹进行清洗:①轨迹长度:如果轨迹Ti的总长度小于200m,或者轨迹的采样个数小于5个,则剔除该条轨迹;②采样间隔:如果轨迹Ti中两个相邻的采样点的采样时间差大于50秒,或者距离d>500m,则将轨迹Ti在这两个采样点处打断为两条轨迹,其中d为两点间的欧式距离。
2)轨迹数据插值。因为轨迹数据有可能存在稀疏采样的问题,因此首先需要对取出来的轨迹数据进行间隔为2m的插值处理。插值前轨迹为tripi=[point1,point2,…pointm],计算point1,point2间的距离d,在线段[point1,point2]间均匀插入d/2个点[point11,point12,…],对point2,point3进行同样的计算得到[point21,point22,…]。遍历轨迹中所有的点对,得到最终的结果[point11,point12,…,point21,point22,…,…,pointm1,pointm2,…]共n个点,tripi重新记为[point1,point2,…pointn]。
3)依次取出轨迹数据,从所有轨迹trips中依次取出tripi;
其中,xt,yt为pointt的坐标,o取值0~360°。
5)求出所有与L相交的轨迹tripj,并求tripj在交点处的方位角,并计算tripi与tripj的方位角差异Δo,取值范围0~180°。如果Δo小于60°,则记录tripj与L的交点,否则忽略。
6)对记录的L的所有交点运用高斯混合模型,具体过程包括:
将一个分布的概率模型表示为多个高斯模型的组合,具体为以下形式:
对于以上模型的求解,所有交点在L上的相对位置记为{X1,X2,…,Xn};
其中,n为所有交点的总数,X1为tripi中形状点pointt对应的位置;
记zij=0或1,i=[1,2,3…,n],j=[1,2,…,K],表示Xi是否属于第j个高斯分布;
初始α,μ,σ赋值1/K,0,1,通过以下公式可以得到:
需要确定混合概率分布中高斯分布的个数(记为K),在本专利中,K的取值与道路车道数目相关。为了确定最佳的簇数K,需要使用贝叶斯信息准则(BIC,BayesianInformation Criterion)对不同K值所拟合的模型进行最优的判别,具体包括:
BIC是在已知模型的概率分布的表达式,仅参数不确定时,常用的一种模型判别准则,其求解公式如下:
BIC=Kln(n)-2ln(L)
其中,K为模型中参数的个数,n为观察点的个数,L为当前模型下得到观察值的似然函数。由于轨迹的分布属于高斯混合模型,对所有交点分别进行参数K为1到5的GMM,并分别计算其BIC。取最小的BIC对应的模型K值作为最终的聚类数。
9)对tripi中的每个形状点重复步骤3至步骤6的操作;
10)对trips中的所有轨迹重复步骤2至步骤7的操作,遍历一遍所有轨迹为一次迭代;
11)重复迭代以上过程至预设的迭代次数为止,这里取10次。
本发明的基于概率分布偏差估计的轨迹数据纠偏方法通过对轨迹数据的空间概率分布模型进行分析,根据轨迹数据的分布特点纠正其实际的空间位置,获得正确的车辆轨迹的空间形态,且本发明更加科学、高效地纠正车辆轨迹数据,纠正的车辆轨迹数据用于道路提取将会大大提高道路精度。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于概率分布偏差估计的轨迹数据纠偏方法,所述轨迹数据包括每个采样点的车辆实时的位置,车辆的瞬时速度和采样时间,其特征在于,包括:
步骤1,根据轨迹的长度和采样间隔对所有轨迹进行清洗;
步骤2,对取出来的轨迹数据进行间隔为2m的插值处理;
步骤3,从所有轨迹中依次取出第一轨迹数据,并对第一轨迹数据中的每个形状点做一条长为30m的截线,计算所述第一轨迹数据在每个形状点处的空间方位角;
步骤4,求出所有与所述截线相交的第二轨迹数据,并求所述第二轨迹数据在交点处的方位角,计算所述第一轨迹数据和第二轨迹数据的方位角差异,取值范围0~180°,若所述方位角差异小于60°,则记录第二轨迹数据与所述截线的交点,否则忽略;
步骤5,对记录的所述截线的所有交点运用高斯混合模型,并进行迭代。
2.根据权利要求1所述的基于概率分布偏差估计的轨迹数据纠偏方法,其特征在于,所述步骤1具体包括:
如果轨迹Ti的总长度小于200m,或者轨迹的采样个数小于5个,则剔除该条轨迹;
如果轨迹Ti中两个相邻的采样点的采样时间差大于50秒,或者距离d>500m,则将轨迹Ti在这两个采样点处打断为两条轨迹,其中d为两点间的欧式距离;
数据清洗后将轨迹记录为tripi=[point1,point2,…pointm];,
其中,tripi为单条道路的形状信息,point为空间点,包括其x,y坐标。
3.根据权利要求2所述的基于概率分布偏差估计的轨迹数据纠偏方法,其特征在于,所述步骤2具体包括:
插值前轨迹为tripi=[point1,point2,…pointm],计算point1和point2间的距离d,在线段[point1,point2]间均匀插入d/2个点[point11,point12,…],对point2和point3进行同样的计算得到[point21,point22,…];遍历轨迹中所有的点对,得到最终的结果[point11,point12,…,point21,point22,…,…,pointm1,pointm2,…]共n个点,tripi重新记为[point1,point2,…pointn]。
5.根据权利要求4所述的基于概率分布偏差估计的轨迹数据纠偏方法,其特征在于,所述步骤5具体包括:
将一个分布的概率模型表示为多个高斯模型的组合,具体为以下形式:
所有交点在L上的相对位置记为{X1,X2,…,Xn};
其中,n为所有交点的总数,X1为tripi中形状点pointt对应的位置;
记zij=0或1,i=[1,2,3…,n],j=[1,2,…,K],表示Xi是否属于第j个高斯分布;
初始α,μ,σ赋值1/K,0,1,通过以下公式可以得到:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110850984.2A CN113485997B (zh) | 2021-07-27 | 2021-07-27 | 基于概率分布偏差估计的轨迹数据纠偏方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110850984.2A CN113485997B (zh) | 2021-07-27 | 2021-07-27 | 基于概率分布偏差估计的轨迹数据纠偏方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113485997A true CN113485997A (zh) | 2021-10-08 |
CN113485997B CN113485997B (zh) | 2023-10-31 |
Family
ID=77944143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110850984.2A Active CN113485997B (zh) | 2021-07-27 | 2021-07-27 | 基于概率分布偏差估计的轨迹数据纠偏方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113485997B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106218831A (zh) * | 2016-07-22 | 2016-12-14 | 大连海事大学 | 一种基于船舶ais轨迹数据获取船舶操纵行为的方法及系统 |
CN108549325A (zh) * | 2018-05-23 | 2018-09-18 | 合肥工业大学 | 一种自由曲面弧长参数曲线加工轨迹生成方法 |
CN110909788A (zh) * | 2019-11-19 | 2020-03-24 | 湖南博通信息股份有限公司 | 一种基于统计聚类的轨迹数据中道路交叉口位置识别方法 |
CN111079804A (zh) * | 2019-12-02 | 2020-04-28 | 中南大学 | 一种改进型高斯混合模型的车辆运动轨迹预测方法和系统 |
US20200284883A1 (en) * | 2019-03-08 | 2020-09-10 | Osram Gmbh | Component for a lidar sensor system, lidar sensor system, lidar sensor device, method for a lidar sensor system and method for a lidar sensor device |
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 |
-
2021
- 2021-07-27 CN CN202110850984.2A patent/CN113485997B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106218831A (zh) * | 2016-07-22 | 2016-12-14 | 大连海事大学 | 一种基于船舶ais轨迹数据获取船舶操纵行为的方法及系统 |
CN108549325A (zh) * | 2018-05-23 | 2018-09-18 | 合肥工业大学 | 一种自由曲面弧长参数曲线加工轨迹生成方法 |
US20200284883A1 (en) * | 2019-03-08 | 2020-09-10 | Osram Gmbh | Component for a lidar sensor system, lidar sensor system, lidar sensor device, method for a lidar sensor system and method for a lidar sensor device |
CN110909788A (zh) * | 2019-11-19 | 2020-03-24 | 湖南博通信息股份有限公司 | 一种基于统计聚类的轨迹数据中道路交叉口位置识别方法 |
CN111079804A (zh) * | 2019-12-02 | 2020-04-28 | 中南大学 | 一种改进型高斯混合模型的车辆运动轨迹预测方法和系统 |
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 |
Non-Patent Citations (5)
Title |
---|
DENG MIN等: "generating urban road intersection models from low-frequency GPS trajectory data", INTERNATIONAL JOURNAL OF GEOGRAPHICAL INFORMATION SCIENCE, vol. 32, no. 12, pages 2337 - 2361 * |
刘伟东;赵新;李磊;刘小琛;李丹;: "基于HMM的电动汽车行车轨迹纠偏优化", 计算机工程与设计, vol. 41, no. 09, pages 2697 - 2701 * |
段宝峰;李翠然;谢健骊;吕安琪;: "高铁VoLTE测试中基于小区方位角的定位方法", 铁道学报, vol. 42, no. 01, pages 52 - 58 * |
邓敏等: "一种顾及道路交通流量语义信息的路网选取方法", 武汉大学学报(信息科学版), vol. 45, no. 9, pages 1438 - 1447 * |
邬群勇;吴祖飞;张良盼;: "出租车GPS轨迹集聚和精细化路网提取", 测绘学报, vol. 48, no. 04, pages 502 - 511 * |
Also Published As
Publication number | Publication date |
---|---|
CN113485997B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110095127B (zh) | 一种基于分段的隐马尔可夫模型地图匹配方法 | |
CN108986207B (zh) | 一种基于真实路面数据的道路及沿线建筑仿真建模方法 | |
US7516041B2 (en) | System and method for identifying road features | |
CN106197460B (zh) | 一种应用gps出行数据进行出行目的地预测的方法 | |
CN108955693A (zh) | 一种路网匹配的方法及系统 | |
CN104062671B (zh) | 曲率约束的gnss浮动车地图匹配方法及装置 | |
Davidson et al. | Application of particle filters to a map-matching algorithm | |
CN108961758B (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
CN101986102B (zh) | 一种城市地理信息系统中电子地图匹配方法 | |
US20140095062A1 (en) | Road Maps from Clusters of Line Segments of Multiple Sources | |
TW201131143A (en) | Methods and systems for creating digital transportation networks | |
CN112013862A (zh) | 一种基于众包轨迹的行人路网提取及更新方法 | |
CN108286979A (zh) | 一种获取高精度导航路径数据的方法和装置以及导航系统、驾驶系统 | |
CN110389995B (zh) | 车道信息检测方法、装置、设备和介质 | |
CN110285817B (zh) | 基于自适应d-s证据理论的复杂路网地图匹配方法 | |
CN105180938A (zh) | 一种基于粒子滤波的重力采样矢量匹配定位方法 | |
CN112462401B (zh) | 基于浮动车轨迹数据的城市峡谷快速探测方法及装置 | |
Qiu et al. | Automatic extraction of road networks from GPS traces | |
CN107907134A (zh) | 一种里程信息辅助地磁匹配的车辆定位系统与方法 | |
CN109816982A (zh) | 基于共享单车轨迹的虚拟路网非机动车道属性修正方法 | |
CN109937342B (zh) | 用于定位移动物体的方法、装置和系统 | |
CN105717517B (zh) | 一种车载北斗多模gnss高精度道路基础数据采集方法 | |
CN109307513A (zh) | 一种基于行车记录的实时道路匹配方法及系统 | |
CN113485997B (zh) | 基于概率分布偏差估计的轨迹数据纠偏方法 | |
CN116437292A (zh) | 一种室内复杂环境下的行人定位匹配方法 |
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 |