CN113485997B - 基于概率分布偏差估计的轨迹数据纠偏方法 - Google Patents

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

基于概率分布偏差估计的轨迹数据纠偏方法

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T_i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T_i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T_i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trip_i＝[point₁,point₂,…point_m]；，

其中，trip_i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trip_i＝[point₁,point₂,…point_m]，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,…,…,point_m1,point_m2,…]共n个点，trip_i重新记为[point₁,point₂,…point_n]。

其中，所述步骤3具体包括：

对trip_i中的每个形状点point_t做一条长为30m的截线L，然后计算trip_i在point_t处的空间方位角

其中，x_t，y_t为point_t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：

其中，K为高斯模型的个数，α_i为各高斯分布的权重，满足条件：N(x|μ_i,σ_i)为第i个高斯模型的概率密度函数；

所有交点在L上的相对位置记为{X₁,X₂,…,X_n}；

其中，n为所有交点的总数，X₁为trip_i中形状点point_t对应的位置；

记z_ij＝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，n为交点总数，进而通过新求得的来估计：

利用新估计的参数/>求解新的/>循环往复，直至所有参数不产生变化时停止循环。

其中，所述方法还包括：

步骤6，根据获得X₁所属的高斯分布的的参数(μ_j,σ_j)，该高斯分布的中心在截线L上的μ_j处，计算X₁与高斯分布中心的距离d；

步骤7，将trip_i的形状点point_t沿L向高斯分布的中心移动米；

步骤8，对trip_i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T_i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T_i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T_i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trip_i＝[point₁,point₂,…point_m]，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,…,…,point_m1,point_m2,…]共n个点，trip_i重新记为[point₁,point₂,…point_n]。

3)依次取出轨迹数据，从所有轨迹trips中依次取出trip_i；

4)对trip_i中的每个形状点point_t做一条长为30m的截线L，然后计算trip_i在point_t处的空间方位角

其中，x_t，y_t为point_t的坐标，o取值0～360°。

5)求出所有与L相交的轨迹trip_j，并求trip_j在交点处的方位角，并计算trip_i与trip_j的方位角差异Δo，取值范围0～180°。如果Δo小于60°，则记录trip_j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：

其中，K为高斯模型的个数，α_i为各高斯分布的权重，满足条件：N(x|μ_i,σ_i)为第i个高斯模型的概率密度函数；简单来说就是一个由多个高斯分布组成的概率分布模型，其中所有参数包括α,μ,σ。

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,…,X_n}；

其中，n为所有交点的总数，X₁为trip_i中形状点point_t对应的位置；

记z_ij＝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，n为交点总数，进而通过新求得的来估计：

利用新估计的参数/>求解新的/>循环往复，直至所有参数不产生变化时停止循环。

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。

7)根据获得X₁所属的高斯分布的的参数(μ_j,σ_j)，该高斯分布的中心在截线L上的μ_j处，计算X₁与高斯分布中心的距离d；

8)将trip_i的形状点point_t沿L向高斯分布的中心移动米；

9)对trip_i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 (1)

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；

所述步骤1具体包括：

如果轨迹T_i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T_i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T_i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trip_i＝[point₁,point₂,…point_m]；

其中，trip_i为单条道路的形状信息，point为空间点，包括其x，y坐标；

步骤2，对取出来的轨迹数据进行间隔为2m的插值处理；

所述步骤2具体包括：

插值前轨迹为trip_i＝[point₁,point₂,…point_m]，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,…,…,point_m1,point_m2,…]共n个点，trip_i重新记为[point₁,point₂,…point_n]；

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；

所述步骤3具体包括：

对trip_i中的每个形状点point_t做一条长为30m的截线L，然后计算trip_i在point_t处的空间方位角

其中，x_t，y_t为point_t的坐标，o取值0～360°；

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；

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：

其中，K为高斯模型的个数，αi为各高斯分布的权重，满足条件：N(x|μ_i,σ_i)为第i个高斯模型的概率密度函数；

所有交点在L上的相对位置记为{X₁,X₂,…,X_n}；

其中，n为所有交点的总数，X₁为trip_i中形状点point_t对应的位置；

记z_ij＝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，n为交点总数，进而通过新求得的来估计：

利用新估计的参数/>求解新的/>循环往复，直至所有参数不产生变化时停止循环；

步骤6，根据获得X₁所属的高斯分布的的参数(μ_j,σ_j)，该高斯分布的中心在截线L上的μ_j处，计算X₁与高斯分布中心的距离d；

步骤7，将trip_i的形状点point_t沿L向高斯分布的中心移动米；

步骤8，对trip_i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。