CN114265833A - 车辆轨迹引导地理时空特征可视化分析平台 - Google Patents
车辆轨迹引导地理时空特征可视化分析平台 Download PDFInfo
- Publication number
- CN114265833A CN114265833A CN202111605380.8A CN202111605380A CN114265833A CN 114265833 A CN114265833 A CN 114265833A CN 202111605380 A CN202111605380 A CN 202111605380A CN 114265833 A CN114265833 A CN 114265833A
- Authority
- CN
- China
- Prior art keywords
- point
- track
- data
- vehicle
- road
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 120
- 238000012800 visualization Methods 0.000 title claims description 27
- 238000000034 method Methods 0.000 claims abstract description 104
- 230000006399 behavior Effects 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 42
- 230000033001 locomotion Effects 0.000 claims abstract description 24
- 238000013499 data model Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 238000007726 management method Methods 0.000 claims description 14
- 238000009877 rendering Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012805 post-processing Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 101100511466 Caenorhabditis elegans lon-1 gene Proteins 0.000 claims description 6
- 101150044140 Slc7a5 gene Proteins 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 5
- 238000003012 network analysis Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000012300 Sequence Analysis Methods 0.000 claims description 2
- 238000013439 planning Methods 0.000 abstract description 16
- 238000005206 flow analysis Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 10
- 230000008520 organization Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请基于Oracle网络数据模型和Stop/Run模型,设计实现地理时空关联特征轨迹数据库的库表结构,包括地理空间数据与轨迹数据中停留、运动行为的关联,根据OSM开源数据构建Oracle NDM路网模型,对车辆轨迹数据进行地图匹配,根据匹配的结果获取车辆行驶过程中的停留与运动信息,并借助空间连接方法,将其与点/线空间要素关联,构建并填充地理关联的轨迹数据库;以典型性检索请求为例,展开位置‑时间、位置‑顺序、位置‑关系等三类轨迹时空特征模式查询,以及热门兴趣点分析,为解决城市交通和规划问题提供了一种新的思路,并有效存储与管理这些运动实体,为交通流量分析、城市规划、热门景点分析提供强有力的支撑。
Description
技术领域
本申请涉及一种地理时空特征可视化分析平台,特别涉及一种车辆轨迹引导地理时空特征可视化分析平台,属于地理时空可视化分析技术领域。
背景技术
近年来,城市化进程加快,越来越多的汽车行驶在城市道路上,导致道路交通状况持续恶化,引发了诸多社会问题。如何缓解城市交通压力,改善交通环境这一问题引起了广泛关注。
随着卫星定位技术、移动通信技术、运动设备和传感器网络技术的不断发展和集成,物联网、智慧城市及智能交通系统等应用的逐渐兴起和普及,海量运动对象(如公共汽车、出租车、人等)位置信息的实时获取与存储得以很好的实现。移动车辆的运动轨迹数据作为一种典型的时空数据,集成了时间和位置信息,具有位置更新频繁、信息蕴含丰富等特点。伴随着轨迹数据的不断累积,人们逐渐意识到对运动轨迹数据的分析和利用,为解决城市交通和规划问题提供了一种新的思路。运动车辆轨迹数据作为大数据时代的典型代表,隐含了人们在城市中的出行行为等各种社会活动信息,为交通流量分析城市规划等提供了有效的数据集,而如何存储与管理这些运动实体是一个新兴的研究和应用领域。
一方面,现有技术的传统数据库如Oracle、SQLServer等对于存储和分析初始轨迹数据的能力十分有限;另一方面,已有的轨迹数据模型如DOMINO、SECONDO等很少涉及对语义信息的存储和分析,现有技术的轨迹数据模型均需要对现有SQL语法进行扩展,这些数据库在存储和分析运动车辆语义信息时都会出现一些短板,当前对于一个设计合理、能够结合语义信息分析、只需采用纯SQL语言进行轨迹时空特征模式查询的数据管理模型的需求日益突出。
运动车辆数据库发展至今已日趋成熟,在轨迹数据组织模型方面,大致可分为两种管理方法,一种直接有效的方法是扩展数据库系统中已有空间模块的点/线/面类型来表达与组织轨迹的点串数据;但数据模型与语义信息的关联不明显。
现有技术兼顾事务处理与联机分析两种需求,提出了集成E-R模式与Star模式的轨迹组织模型来管理卡车的行驶轨迹,这种通过轨迹概念模型组织轨迹数据的方法符合人们对运动车辆的自然理解,并且易于集成语义标注信息。但是,在上述轨迹数据模型中,均需要对传统SOL语言进行扩展以实现查询目的。本申请即从概念模型出发,分析表达轨迹相对于多类型地理空间要素的复杂时空关联关系,建立关联于地理空间信息的时空关联轨迹模型,针对该模型,以三类典型问题进行分析,给出以纯SQL语言完成查询分析的实例。
综合来看,现有技术的运动实体时空特征可视化分析存在明显不足,其主要缺陷和设计难点包括:
第一,移动车辆的运动轨迹数据作为一种典型的时空数据,集成了时间和位置信息,位置更新频繁、信息蕴含丰富,运动车辆轨迹数据作为大数据时代的典型代表,隐含了人们在城市中的出行行为等各种社会活动信息,为交通流量分析城市规划等提供了有效的数据集,但现有技术缺少存储与管理这些运动实体,为交通流量分析、支持城市规划、地理时空特征和热点的解析提供有效支撑的工具;
第二,现有技术的传统数据库如Oracle、SQLServer等对于存储和分析初始轨迹数据的能力十分有限;已有的轨迹数据模型如DOMINO、SECONDO等很少涉及对语义信息的存储和分析,现有技术的轨迹数据模型均需要对现有SQL语法进行扩展,这些数据库在存储和分析运动车辆语义信息时都会出现一些短板,当前缺少一个设计合理、能够结合语义信息分析、只需采用纯SQL语言进行轨迹时空特征模式查询的数据管理模型;
第三,运动车辆轨迹数据组织模型方面,一种直接有效的方法是扩展数据库系统中已有空间模块的点/线/面类型来表达与组织轨迹的点串数据;但数据模型与语义信息的关联不明显;现有技术兼顾事务处理与联机分析两种需求,提出集成E-R模式与Star模式的轨迹组织模型来管理卡车的行驶轨迹,但均需要对传统SOL语言进行扩展以实现查询目的,无法分析表达轨迹相对于多类型地理空间要素的复杂时空关联关系,缺少关联于地理空间信息的时空关联轨迹模型,缺少以纯SQL语言完成查询分析的实例;
第四,轨迹数据呈现爆炸式增长,现有技术各种数据库对于轨迹数据的语义存储与分析方面总有其各自的局限性,或者存储和分析原始轨迹数据的能力非常有限,或者很少涉及对语义信息的存储和管理,现有技术数据库在存储分析初始轨迹数据方面劣势明显,同时对于轨迹中蕴含的语义信息的分析能力较弱,缺少基于STOP/RUN模型的地理关联轨迹数据库,无法结合现实世界中运动车辆的停留-运动-停留行为,无法构建并填充地理关联的轨迹数据库,无法展开位置-时间、位置-顺序、位置-关系等三类轨迹时空特征模式查询,以及热门兴趣点分析,无法为交通流量分析、城市规划、热门景点分析等提供有效的数据集管理分析平台。
发明内容
针对现有技术的不足,本申请基于Oracle网络数据模型和Stop/Run模型,设计实现地理时空关联特征轨迹数据库的库表结构,包括地理空间数据与轨迹数据中停留、运动行为的关联,根据OSM开源数据构建Oracle NDM路网模型,对车辆轨迹数据进行地图匹配,根据匹配的结果获取车辆行驶过程中的停留与运动信息,并借助空间连接方法,将其与点/线空间要素关联,进而构建并填充地理关联的轨迹数据库;最后以典型性检索请求为例,展开位置-时间、位置-顺序、位置-关系等三类轨迹时空特征模式查询,以及热门兴趣点分析,为解决城市交通和规划问题提供了一种新的思路,为交通流量分析城市规划等提供了有效的数据集,并实现了有效存储与管理这些运动实体,为交通流量分析、城市规划、热门景点分析提供了强有力的支撑。
为实现以上技术效果,本申请所采用的技术方案如下:
车辆轨迹引导地理时空特征可视化分析平台,根据城市道路数据和城市车辆轨迹数据建立基于STOP/RUN模型的地理关联轨迹数据库,结合现实世界中运动车辆的停留-运动-停留行为,提出基于Stop/Run模型的轨迹数据管理方法;设计实现地理时空关联特征轨迹数据库的库表结构,包括地理空间数据与轨迹数据中停留、运动行为的关联,实现几类典型性的时空模式查询及热门兴趣点分析,具体包括:
第一,地理时空关联特征轨迹数据库设计,包括:一是时空轨迹关联路网模型组织,二是地理时空轨迹数据组织,三是地理时空关联组织,四是地理时空关联特征轨迹数据库模式;
结合现实世界中运动车辆的停留-运动-停留行为,将运动车辆的此类行为与地理空间数据进行关联,设计出地理关联轨迹数据库,存储、查询并分析轨迹数据中的语义信息;
第二,构建地理时空关联特征轨迹数据库,包括:一是地理时空数据入库,包括轨迹数据预处理、路网数据获取和模型构建、兴趣点获取及与路网关联处理,二是轨迹停留提取,包括轨迹地图匹配、特征时间插值、Stop提取;
首先,基于OSM数据结构构建用于网络分析的城市网络数据模型,其次,通过网络地图API获取网络地图中的兴趣点数据,并与路网模型关联;最后,轨迹数据经过地图匹配、时间插值、Stop/Run提取处理后,与地理空间数据进行关联,完成地理时空关联特征轨迹数据库的构建;
第三,时空关联轨迹数据库的可视化查询分析:设计提出三类典型性时空模式查询一位置-时间、位置-顺序、位置-关系查询,及其纯SQL的查询处理方法,通过停留车辆与兴趣点的关联信息分析热门景点及宾馆的客流量;
第四,轨迹时空特征模式分析系统:采用Spring框架研制实现轨迹时空特征模式查询系统,基于Oracle的MapViewer中间件,完成三类典型性分析的查询及可视化。
车辆轨迹引导地理时空特征可视化分析平台,进一步的,地理时空关联组织:按照车辆行驶状态将车辆轨迹点分成关键点和非关键点两类,关键点有以下几类:
(1)轨迹的起止点:包括打断后形成的子轨迹的起止点,分别表示一个车辆行程中的起点和终点,通过轨迹起始点的时间获取轨迹开始和结束的时间、运动过程的总时间;
(2)停留点:车辆行驶过程中表现出的连续的位置变化很小甚至不变的一系列轨迹点均是停留点,从这些停留点中抽象出一点并记录其停留开始的时间和停留结束的时间,为之后的查询分析提供参考;
从面向车辆的角度,将一段完整车辆轨迹分成起点-运动-停留-…-停留-运动-终点,并分别采用Stop表、Run表存储车辆轨迹中的停留、运动车辆,其中Stop表也用于存储车辆轨迹的起点和终点;
运动车辆与兴趣点的关系对应于语义Pass,采用Pass表存储此种语义关系;
采用Trj_Run表存储运动车辆与地理空间中道路的关联关系,即存储车辆在运动过程中经过的所有道路的出入时间及顺序;
如果车辆运动过程经过道路的全部,则POSIT字段值为1,如果车辆运动过程只行驶道路的一部分,POSIT字段表示车辆当时在编号为LINKID的道路上的位置,POSIT的范围是-1至l,当车辆行驶方向与道路起点至终点方向相反时,POSIT的值是负的;
当Stop位置与兴趣点的距离小于30米时,Stop车辆与兴趣点的关系对应语义Stay,采用Stay表存储此种关系;
当Stop位置与兴趣点的距离大于30米且小于100米时,Stop车辆与兴趣点的关系对应于语义Close,采用Close表存储此种关系;
轨迹数据与地理空间中线要素的关联关系表现为Stop车辆位于道路的位置,用Trj_Stop表存储此种关联关系。
车辆轨迹引导地理时空特征可视化分析平台,进一步的,地理时空数据入库:包括轨迹数据、城市兴趣点数据和城市路网数据;
轨迹数据预处理:采用GPS轨迹数据来自A城市B辆车辆行驶产生的C条轨迹,总计D条记录,GPS轨迹的平均采样时间间隔在40秒以上,属低采样频率轨迹,前后两采样点之间的平均距离在500米以上,将轨迹数据存储在Oracle数据库中;
最后将轨迹数据存入到Oracle数据库中管理,轨迹数据存储在Trj_original表中,其中,SDO_GEOMETRY由已知的经纬度数据通过Oracle Spatial Java API获取填充。
车辆轨迹引导地理时空特征可视化分析平台,进一步的,路网数据获取和模型构建:先提取出OSM中的节点(Node)、道路(Way)元素,在获取路网信息时加以区分,剔除不必要的信息,同时,在提取出Node和Way信息后,根据Way中的Node信息对道路数据Way分段处理,为方便获取道路数据,设计一个将OSM数据解析成文本型关联特征中间数据的工具,此解析工具获得的文本数据结果既能被导入到Oracle数据库中形成路网模型,也能通过ArcEngine进行二次开发生成Shape数据;
(1)提取Node信息:包括节点的id号和其空间位置信息,将其存储到文本文件作为一种中间数据存储,Node信息格式记录:Node(id,lat,lng),其中id是Node的编号,lat和lng分别表示节点的纬度和经度,通过解析OSM中Node信息获取文本信息结构,在读取Node文本数据的同时,基于Oracle Spatial提供的Java API构建Oracle空间数据库中的点数据,再采用SQL语句批量插入节点表中,插入完成后,为提高空间查询效率,对节点表中的空间字段建立空间索引;
(2)提取完整Way信息:根据编号查询Node表中的经纬度信息,最后将需要的信息记录在文本数据中,其格式为:Way(ID,Node_num,Node1,…,Tag_num,Tagl_key,Tagl_v,…),其中ID是道路编号,Node_num表示这条道路上的节点数量,Node1是组成此道路的所有节点的编号,Tag_num是此道路的标签信息的数量,Tag1_key、Tagl_value等是道路标签键值对;
(3)道路分段:将提取的Way元素进行分段,具体流程为:
第1步:遍历WAY信息,找到所有重复出现的节点;
第2步:重新遍历WAY信息,对于含有上一步骤中重复节点的道路,如果重复节点不是在道路的起止点,则进行分段处理,形成新的两条道路;
第3步:分段后的道路以文本形式作为中间文件存储,分段形成的道路记录形式为Way(ID,Length,StartNode,EndNode,Name,OneWay,Type,Lon1,Lat1,…),其中ID表示分段后的道路的编号,Length表示分段后道路的长度,StartNode表示分段后道路的起始节点的编号,EndNode表示分段后道路的终止节点的编号,Name是道路的名称,Type是道路的类型,Lon1、Lat1等依次记录构成此分段后道路的节点的经纬度;
根据记录分段后道路的文本信息完成构建Oracle NDM所需的道路表(Link)的填充,在读取分段后道路文本数据的同时,将对应数据分别填充到Link表中,其中Link的空间数据借助Oracle Spatial提供的Java API读取经纬度数据生成,最后通过SQL语句批量插入到Link表中。
车辆轨迹引导地理时空特征可视化分析平台,进一步的,兴趣点获取及与路网关联处理:兴趣点来源于网络地图,通过网络地图提供的JavaScript API中的搜索方法提取兴趣点,详细步骤如下:
第一步:网络地图JavaScript API具体提供关于搜索的类LocalSearch,通过此类的构造函数创建一个搜索实例,每次搜索抓取兴趣点数据量不超过800,通过将城市分成20×10个小矩形,对每个小矩形借助搜索类的区域搜索方法SearchInBounds进行区域搜索,获取LocalResult类型的结果;
第二步:第一步的搜索结果包括许多页面,然后借助LocalResult的get兴趣点方法逐次获取每个页面中的所有LocalResult兴趣点类型的兴趣点信息,最后提取LocalResult兴趣点类型的兴趣点信息;
第三步:只提取兴趣点的名称、地址、经纬度及电话信息,分别选取9个关键词进行检索,获取对应的兴趣点信息,具体包括景点、加油站、宾馆、购物、学校、医院、政府设施、交通和银行信息;
第四步:一方面依据Oracle Spatial中建立Oracle路网数据模型的标准,另一方面,为便于分析查询,分别建立了九类兴趣点的要素表格和包括九类兴趣点的总的要素表格及其对应的关系表格;
第五步:通过构建Feature_Relation表,来存储兴趣点数据与路网模型的关联关系,NET_ELEM_ID字段存储与当前兴趣点关联的路网路段,START_PERCENTAGE存储当前兴趣点投影点所处路网中路段的相对位置。
车辆轨迹引导地理时空特征可视化分析平台,进一步的,轨迹停留提取:建立地理时空关联特征轨迹数据库管理和存储轨迹数据,通过Stop/Run模型管理轨迹数据,先通过时空关联特征轨迹地图匹配方法将所有的轨迹点校正到正确道路的位置上,再通过匹配后的位置及时间推测车辆进入和离开每条道路的时间,进而推测车辆的停留与运动过程;
1.轨迹地图匹配
将现实中采集到的受到各种影响而不是准确位置的一系列GPS轨迹点校正到正确位置,获取到运动目标现实中的轨迹点及行驶路线,本申请设计时空关联特征轨迹地图匹配方法;
时空关联特征轨迹地图匹配过程主要包括三个部分:判定有效点、求取最可能路线、地图匹配后置处理;
(1)判定有效点
通过以下方法分离出有效点和无效点:
1)缓冲距离限制:判断轨迹点缓冲区内是否有道路,如果没有道路,则认为是GPS噪声数据;
2)时间限制:如果当前轨迹点与前一有效点之间的时间间距超过一定临界值(实施例是15分钟),则将此轨迹进行分段,中断匹配过程,因为当两相邻轨迹点时间间隔过大时,研两点之间车辆行驶路线没有意义;
3)临近点距离限制:如果当前轨迹点与前一有效点之间的大圆距离小于临近点距离限制,考虑到GPS点的漂移,不能准确判定当前轨迹点的位置;
4)速度限制:如果当前轨迹点到前一有效点的大圆距离/两点时间间隔>速度阙值时,GPS采样过程中受到干扰,当前轨迹点无效;
(2)求取最可能路线
在每一个判定有效点过程中,对于此有效点的所有候选点,都采用Viterbi算法计算出到达每个候选点的最优路径,并记录此候选点所在的路段id,轨迹点投影在此轨迹点概率,此最优路径上上一个有效点的投影位置;
当匹配中断时,对于匹配树的最后一个节点的每一个候选点的概率进行比较,得出概率最大的候选点,此点是此段轨迹结束的地点;同时,由此点得出此候选点的前一有效点的投影位置,以此类推,可得出整个轨迹的投影位置的序列;
(3)地图匹配后置处理
一条完整轨迹可能会被打断成许多段轨迹,后置处理尽可能将轨迹变得更完整;
步骤1:对于缓冲范围内无道路的点,断开轨迹;
步骤2:对于超出速度临界值的轨迹点,判断其后面有无有效点:1)如果不存在有效点,此轨迹点的投影点是其本身;2)如果存在有效点,计算其前一有效点和后一有效点的最短路径,根据此最短路径判断是否超速,如果超速,中断匹配过程;否则,根据此轨迹点投影到最短路径的最小距离是否超出缓冲距离限制决定轨迹点的投影点位置;
步骤3:对于临近点,其前一有效点的投影点作为投影点;
至此,获取所有轨迹点的投影点,投影点数据被存储在地理时空关联特征轨迹数据库中的Trj_matched表中,根据相邻有效投影点之间最短路径即可获取车辆行驶路线,此类数据被存放在地理时空关联特征轨迹数据库中的Trj_Link表中。
车辆轨迹引导地理时空特征可视化分析平台,进一步的,特征时间插值:对车辆进入和离开道路时间进行插值的前提是假设车辆在前后两个有效轨迹点之间匀速运动,通过线性插值算法计算车辆进入和离开道路时间,其流程具体如下:
步骤一,获取用于计算的参考点:如果某条道路上有多个轨迹点,则通过找到第一个轨迹点和最后一个轨迹点作为计算的参考,如果只有一个轨迹点,则以此点作为计算的参考点;
步骤二,进行时间插值:根据上述参考点,假设车辆在参考点之间都是进行匀速运动,依次计算车辆进入和离开道路的时间;
步骤三,将计算的结果批量插入到Trj_Link表格中。
车辆轨迹引导地理时空特征可视化分析平台,进一步的,Stop提取方法概括如下:
第1步:依次遍历Trj_Link表中一段完整轨迹的行驶路线的组成路段(L1,L2,…),求取车辆在当前路段的平均速度,如果平均速度小于设置的临界值,则进入下一步判断;
第2步:查询车辆在此道路上行驶期间,是否有停留行为,即查询Trj_Original表中是否存在速度为零的轨迹点,如果存在速度为零的轨迹点,对这些速度为零的轨迹点进行抽象处理,抽取出一点作为停留位置存储,并记录此停留行为的开始时间和结束时间;如果不存在速度为零的点,则不做处理;
第3步:从面向车辆的角度对停留车辆与兴趣点车辆、道路车辆进行关联,即判断停留车辆在停留期间属于Stay行为还是Close行为,并依次在Stay、Close表中描述车辆在此停留期间可能的行为;其次,在Trj_Stop表中存储此停留车辆的所处位置及其起止时间;
第4步:从面向对象的角度分析车辆运动车辆与兴趣点、道路对象的关联关系,采用Pass表存储运动车辆与兴趣点的关系,即车辆经过兴趣点的时间,采用Trj_Run表存储车辆运动车辆与道路车辆的关系,即车辆在路网中的行驶路线,包括各个道路的进出时间及顺序、行驶的长度。
车辆轨迹引导地理时空特征可视化分析平台,进一步的,轨迹时空特征模式分析系统框架:采用Spring框架,基于Oracle的MapViewer中间件完成三类典型性分析的查询及可视化,Oracle Maps JavaScript客户端工作在地图瓦片服务器和FOI服务器顶端的基于浏览器的地图渲染引擎,在浏览器中从地图瓦片服务器获取并展示地图,向FOI服务器发送FOI请求并将结果展示在地图瓦片图层之上,对用户的操作进行反馈;
Oracle应用程序服务器包括地图瓦片服务器、FOI服务器和地图渲染引擎,作为中间件完成地图渲染和数据加载、缓存,地图瓦片服务器获取、缓存、并提供预生成的、固定大小的地图瓦片的地图图像缓存引擎,接收客户端发送的关于某一等级下固定位置的地图图像的请求,并向客户端反馈指定位置的瓦片;FOI服务器运行在MapViewer内部的Javaservlet,当客户端进行请求时,先查询数据库中的信息,再对查询结果进行绘制渲染,最后将渲染的结果反馈至客户端;地图渲染引擎处理客户端发送的请求,根据请求查询数据库从而获取对应的信息,再以图片形式(PNG、GIF、JPEG格式)构造地图瓦片,最后将地图瓦片反馈给客户端;
数据库存储需要的空间数据,基于MapBuilder工具通过定义样式、字体、颜色,从而快速的创建瓦片地图。
车辆轨迹引导地理时空特征可视化分析平台,进一步的,轨迹时空特征模式分析系统模块包括三个部分:地图控制模块、轨迹时空特征模式查询模块和热门兴趣点分析模块;
(1)地图控制模块:显示地图主要包括底图、初始轨迹点、匹配后轨迹点及匹配后的路线图层,其中底图主要包括OSM地图和根据城市Oracle NDM构造的瓦片地图;
(2)轨迹时空特征模式查询:针对三类模式进行查询:位置-时间模式、位置-顺序模式、位置-关系模式,这三类分析在轨迹数据查询中在时空二维方面添加限制条件,针对三类典型分析,基于SQL语言设计查询语句,并基于Oracle组件MapViewer将查询结果可视化并展示;
1)位置-时间查询,在空间上限定位置信息,同时给出时间限制;
2)位置-顺序分析,在空间上给出多个位置限制条件,通过位置出现顺序隐性地提出时间限制;
3)位置-关系分析,在空间上限定位置信息,并给出轨迹之间相对于该位置的时间拓扑条件;
(3)热门兴趣点分析:展示城市热门景点和热门宾馆的分析结果,分别按个体和类别对城市景点的受欢迎程度进行分析。
与现有技术相比,本申请的创新点和优势在于:
第一,移动对象轨迹数据作为大数据时代的典型代表,隐含了人们在城市中的出行行为等各种社会活动信息,为交通流量分析、城市规划、热门景点分析等提供了有效的数据集,本申请解决存储与管理这些移动实体的问题,对于存储和分析原始轨迹数据的能力有大幅提高数据模型的设计涉及对语义信息的存储和管理,弥补了现有技术数据库在存储分析初始轨迹数据方面的劣势,同时也加强了对于轨迹中蕴含的语义信息的分析,根据城市道路数据和城市车辆轨迹数据建立基于STOP/RUN模型的地理关联轨迹数据库,结合现实世界中运动车辆的停留-运动-停留行为,提出基于Stop/Run模型的轨迹数据管理方法,不仅符合人们对于运动车辆行为的自然理解,而且易于集成运动车辆的语义行为信息,检索地理时空特征内容与实际需求匹配度高,具有良好的实用价值
第二,本申请首先基于Oracle网络数据模型和Stop/Run模型,设计实现地理时空关联特征轨迹数据库的库表结构,包括地理空间数据与轨迹数据中停留、运动行为的关联,根据OSM开源数据构建Oracle NDM路网模型,对车辆轨迹数据进行地图匹配,根据匹配的结果获取车辆行驶过程中的停留与运动信息,并借助空间连接方法,将其与点/线空间要素关联,进而构建并填充地理关联的轨迹数据库;最后以典型性检索请求为例,展开位置-时间、位置-顺序、位置-关系等三类轨迹时空特征模式查询,以及热门兴趣点分析,为解决城市交通和规划问题提供了一种新的思路,为交通流量分析城市规划等提供了有效的数据集,并实现了有效存储与管理这些运动实体,为交通流量分析、城市规划、热门景点分析提供了强有力的支撑;
第三,本申请的四个显著创新点在于:一是地理时空关联特征轨迹数据库设计,结合现实世界中运动车辆的停留-运动-停留行为,将运动车辆的此类行为与地理空间数据进行关联,设计出地理关联轨迹数据库,存储、查询并分析轨迹数据中的语义信息;二是构建地理时空关联特征轨迹数据库,基于OSM数据结构构建用于网络分析的城市网络数据模型,通过网络地图API获取网络地图中的兴趣点数据,并与路网模型关联;最后,轨迹数据经过地图匹配、时间插值、Stop/Run提取处理后,与地理空间数据进行关联,完成地理时空关联特征轨迹数据库的构建;三是时空关联轨迹数据库的可视化查询分析:设计提出三类典型性时空模式查询一位置-时间、位置-顺序、位置-关系查询,及其纯SQL的查询处理方法,通过停留车辆与兴趣点的关联信息分析热门景点及宾馆的客流量;四是轨迹时空特征模式分析系统:采用Spring框架研制实现轨迹时空特征模式查询系统,基于Oracle的MapViewer中间件,完成三类典型性分析的查询及可视化;
第四,本申请克服了现有技术各种数据库对于轨迹数据的语义存储与分析方面的局限性问题,存储和分析原始轨迹数据的能力强,直接涉及对语义信息的存储和管理,数据库在存储分析初始轨迹数据方面优势明显,同时对于轨迹中蕴含的语义信息的分析能力较强,实现了基于STOP/RUN模型的地理关联轨迹数据库,结合现实世界中运动车辆的停留-运动-停留行为,构建并填充地理关联的轨迹数据库,展开位置-时间、位置-顺序、位置-关系等三类轨迹时空特征模式查询,以及热门兴趣点分析,为交通流量分析、城市规划、热门景点分析等提供有效的数据集管理分析平台,对增强用户体验,提高地图服务和地理信息利用效率有重要作用和巨大应用价值。
附图说明
图1是地理时空关联特征轨迹数据库库表结构示意图。
图2是基于PNG数据量定位地图复杂区域的示例图。
图3是路网模型模块的Node表结构图。
图4是路网模型模块的Link表结构图。
图5是路网模型模块的兴趣点表结构图。
图6是地理时空轨迹数据组织Trj_original表的结构图。
图7是地理时空关联组织现实生活中车辆停留情况示意图。
图8是车辆运动对象与地理空间兴趣点和道路要素的关系示意图。。
图9是本申请实验二的输入图像组示意图。
图10是轨迹数据与地理空间数据关联模块的结构示意图。
图11是整合三大模块设计出的地理时空关联特征轨迹数据库库表结构图。
图12是轨迹时空特征模式分析系统的位置-顺序查询结果示意图。
图13是轨迹时空特征模式分析系统的位置-关系查询结果示意图。
图14是热门兴趣点分析中单个景点分析的排行效果示意图。
具体实施方法
下面结合附图,对本申请设置的车辆轨迹引导地理时空特征可视化分析平台的技术方案进行进一步的描述,使本领域的技术人员能更好的理解本申请并能予以实施。
随着卫星定位技术、运动设备与传感器网络技术的不断发展和集成,各式各样的轨迹数据被广泛收集,导致轨迹数据呈现出爆炸式增长的态势,现有技术各种数据库对于轨迹数据的语义存储与分析方面总有其各自的局限性;移动对象轨迹数据作为大数据时代的典型代表,隐含了人们在城市中的出行行为等各种社会活动信息,为交通流量分析、城市规划、热门景点分析等提供了有效的数据集,而如何存储与管理这些移动实体对于在个新兴领域。一方面,现有技术的数据库如Oracle、SQL Server等对于存储和分析原始轨迹数据的能力非常有限;另一方面,相关领域的已有的数据模型如DOMINO、SECONDO等很少涉及对语义信息的存储和管理,为弥补现有技术数据库在存储分析初始轨迹数据方面的劣势,同时也为了加强对于轨迹中蕴含的语义信息的分析,根据城市道路数据和城市车辆轨迹数据建立基于STOP/RUN模型的地理关联轨迹数据库,结合现实世界中运动车辆的停留-运动-停留行为,提出基于Stop/Run模型的轨迹数据管理方法,不仅符合人们对于运动车辆行为的自然理解,而且易于集成运动车辆的语义行为信息。
本申请首先基于Oracle网络数据模型和Stop/Run模型,设计实现地理时空关联特征轨迹数据库的库表结构,包括地理空间数据与轨迹数据中停留、运动行为的关联,在此基础上开展实现几类典型性的时空模式查询及热门兴趣点分析。具体包括:
第一,地理时空关联特征轨迹数据库设计,包括:一是时空轨迹关联路网模型组织,二是地理时空轨迹数据组织,三是地理时空关联组织,四是地理时空关联特征轨迹数据库模式;
结合现实世界中运动车辆的停留-运动-停留行为,将运动车辆的此类行为与地理空间数据进行关联,设计出地理关联轨迹数据库,存储、查询并分析轨迹数据中的语义信息;
第二,构建地理时空关联特征轨迹数据库,包括:一是地理时空数据入库,包括轨迹数据预处理、路网数据获取和模型构建、兴趣点获取及与路网关联处理,二是轨迹停留提取,包括轨迹地图匹配、特征时间插值、Stop提取;
首先,基于OSM数据结构构建用于网络分析的城市网络数据模型,其次,通过网络地图API获取网络地图中的兴趣点数据,并与路网模型关联;最后,轨迹数据经过地图匹配、时间插值、Stop/Run提取处理后,与地理空间数据进行关联,完成地理时空关联特征轨迹数据库的构建;
第三,时空关联轨迹数据库的可视化查询分析:设计提出三类典型性时空模式查询一位置-时间、位置-顺序、位置-关系查询,及其纯SQL的查询处理方法,通过停留车辆与兴趣点的关联信息分析热门景点及宾馆的客流量;
第四,轨迹时空特征模式分析系统:采用Spring框架研制实现轨迹时空特征模式查询系统,基于Oracle的MapViewer中间件,完成三类典型性分析的查询及可视化。
一、地理时空关联特征轨迹数据库设计
运动车辆的行驶行为抽象成由起止点、运动点和停留点组成的起点-运动-停留-…-运动-终点序列,本申请从面向对象角度将轨迹信息抽象成轨迹点构成的轨迹对象,包括起点、Run、Stop和终点,并将这几类对象与地理空间中的兴趣点、道路进行关联,设计地理时空关联特征轨迹数据库,其库表结构如图1所示,该数据库结构对轨迹对象与地理空间数据中的位置车辆进行显式关联,赋予轨迹对象显式的语义信息,助于分析挖掘轨迹数据蕴含的行为与模式。
地理时空关联特征轨迹数据库库表结构包括三大模块:路网模型模块、轨迹数据及其匹配信息模块、地理关联信息及其关联关系模块。
(一)时空轨迹关联路网模型组织
考虑到本申请基于Oracle路网模型车辆轨迹数据与地理空间中数据的关联分析,地理时空关联特征轨迹数据库按照构建Oracle路网模型标准,采用节点表和道路表完成网络分析的路网模型构建,此外,路网模型部分包括用于进行关联分析的地理空间中的点信息—兴趣点表及其与路网模型的关联表格。图2展示了路网模型模块中表格的关键字段及表格之间关系。
下面详细介绍组成路网模型模块的各个表格。
(1)Node表:构造OracleNDM的节点表格,其结构如图3所示。
(2)Link表:构造OracleNDM的道路表格,其结构如图4所示。
(3)兴趣点表:存储地理空间中九类兴趣点,将每一类兴趣点作为一种要素分别存储在各自要素表中,并与路网模型关联,这九个要素表的结构相同,结构如图5所示。
为方便原型系统兴趣点查询,采用Features表存储所有的兴趣点,Features表与普通要素表不同之处在于多两个字段:FEATURELAYER_ID和FEATURELAYER_NAME,分别表示当前兴趣点所属图层的编号和名称,其中编号从1至9,对应的图层名称分别是餐饮、购物、交通、景点、学校、医院、银行、政府办公设施。
(4)POI_Relation表:存储每个兴趣点与路网模型中Node元素或者Link元素的关联关系。
(二)地理时空轨迹数据组织
通过分析轨迹数据的位置、时间和速度信息将轨迹数据与地理空间中位置数据关联,据此设计存储轨迹数据的表格——Trj_original表的结构如图6所示。
首先对轨迹数据依次进行地图匹配、时间插值处理,据此采用Trj_matched表存储初始轨迹点匹配到路网上面的结果,采用Trj_Link存储车辆行驶路线,其中Trj_Link表也存储着时间插值的结果,即车辆在行驶道路上的出入时间。
(三)地理时空关联组织
图7呈现了现实生活中车辆停留的情况,其中黑色实心点表示轨迹点,五角星表示兴趣点,当车辆出现停留时,其轨迹数据的表现是在同一条道路上出现连续的距离相近的点,按照车辆行驶状态将车辆轨迹点分成关键点和非关键点两类,关键点有以下几类:
(1)轨迹的起止点:包括打断后形成的子轨迹的起止点,分别表示一个车辆行程中的起点和终点,通过轨迹起始点的时间获取轨迹开始和结束的时间、运动过程的总时间。
(2)停留点:车辆行驶过程中表现出的连续的位置变化很小甚至不变的一系列轨迹点均是停留点,从这些停留点中抽象出一点并记录其停留开始的时间和停留结束的时间,为之后的查询分析提供参考。
从面向车辆的角度,将一段完整车辆轨迹分成起点-运动-停留-…-停留-运动-终点,并分别采用Stop表、Run表存储车辆轨迹中的停留、运动车辆,其中Stop表也用于存储车辆轨迹的起点和终点。
在图7中,车辆运动过程中经过许多的兴趣点,图8清晰的展示了车辆运动对象与地理空间中兴趣点和道路要素的关系,其中粗线及箭头表示车辆行驶线路及方向,运动车辆与兴趣点的关系对应于语义Pass,采用Pass表存储此种语义关系。
采用Trj_Run表存储运动车辆与地理空间中道路的关联关系,即存储车辆在运动过程中经过的所有道路的出入时间及顺序。
如图8所示,如果车辆运动过程经过道路的全部(如link2),则POSIT字段值为1,如果车辆运动过程只行驶道路的一部分,POSIT字段表示车辆当时在编号为LINKID的道路上的位置(通常是轨迹的起点/终点在其所属道路的位置,或者构成运动车辆的作为起点/终点的停留车辆在其所属道路的位置),POSIT的范围是-1至l,当车辆行驶方向与道路起点至终点方向相反时,POSIT的值是负的(即当前位置占道路的百分比乘以-1)。
在图7中,车辆停留时会停靠在某个兴趣点上,或靠近某个兴趣点,具体区分如图9所示。
当Stop位置与兴趣点的距离小于30米时,Stop车辆与兴趣点的关系对应语义Stay,采用Stay表存储此种关系。
当Stop位置与兴趣点的距离大于30米且小于100米时,Stop车辆与兴趣点的关系对应于语义“Close”,采用Close表存储此种关系。
轨迹数据与地理空间中线要素(道路)的关联关系表现为Stop车辆位于道路的位置(采用距离道路起点的长度占道路全长的百分比记录),用Trj_Stop表存储此种关联关系。
综上,本申请的地理时空关联特征轨迹数据库中轨迹数据与地理空间数据关联模块的结构如图10所示。
(四)地理时空关联特征轨迹数据库模式
通过整合三大模块设计出的地理时空关联特征轨迹数据库库表结构如图11所示。
在初始轨迹数据中不包括语义信息,但通过对轨迹数据进行地图匹配、关联等处理后设计出地理时空关联特征轨迹数据库,据此既可进行简单语义查询,比如“车辆经过了哪些景点?”,“车辆在哪些景点停留?”等,也可进行复杂的语义查询,比如“哪些车辆先在A点停留,后在B点停留?”,“哪些车辆上午八点在A点停留,中午十二点经过B点?”等。
二、构建地理时空关联特征轨迹数据库
包括GIS数据预处理和轨迹停留提取算法设计,其中GIS数据预处理过程针对地理时空关联特征轨迹数据库中的初始轨迹数据、OSM数据及从网络地图获取到的兴趣点数据,轨迹停留提取算法具体包括轨迹匹配算法、行驶时间插值算法(即车辆进入和离开道路时间计算)及Stop提取算法。
(一)地理时空数据入库
包括轨迹数据、城市兴趣点数据和城市路网数据。
1.轨迹数据预处理
采用GPS轨迹数据来自A城市B辆车辆行驶产生的C条轨迹,总计D条记录,GPS轨迹的平均采样时间间隔在40秒以上,属低采样频率轨迹,前后两采样点之间的平均距离在500米以上,将轨迹数据存储在Oracle数据库中,这也为之后置处理、分析轨迹数据提供方便,轨迹数据入库前,先对数据进行预处理,主要是因为轨迹采样期间出现的误差,比如轨迹中的重复点、噪声点。
最后将轨迹数据存入到Oracle数据库中管理,轨迹数据存储在Trj_original表中,其中,SDO_GEOMETRY由已知的经纬度数据通过Oracle Spatial Java API获取填充。
2.路网数据获取和模型构建
为构建Oracle路网模型,先提取出OSM中的节点(Node)、道路(Way)元素,鉴于节点和道路元素中含有大量不需要的信息,如行政界线、建筑物、绿地及水系等信息,在获取路网信息时加以区分,剔除不必要的信息,同时,Way元素中记录现实世界中的自然道路信息,在提取出Node和Way信息后,根据Way中的Node信息对道路数据Way分段处理,为方便获取道路数据,设计一个将OSM数据解析成文本型关联特征中间数据的工具,此解析工具获得的文本数据结果既能被导入到Oracle数据库中形成路网模型,也能通过ArcEngine进行二次开发生成Shape数据。
(1)提取Node信息:包括节点的id号和其空间位置信息,将其存储到文本文件作为一种中间数据存储,Node信息格式记录:Node(id,lat,lng),其中id是Node的编号,lat和lng分别表示节点的纬度和经度,通过解析OSM中Node信息获取文本信息结构,在读取Node文本数据的同时,基于Oracle Spatial提供的Java API构建Oracle空间数据库中的点数据,再采用SQL语句批量插入节点表中,插入完成后,为提高空间查询效率,对节点表中的空间字段建立空间索引。
(2)提取完整Way信息:根据编号查询Node表中的经纬度信息,最后将需要的信息记录在文本数据中,其格式为:Way(ID,Node_num,Node1,…,Tag_num,Tagl_key,Tagl_v,…),其中ID是道路编号,Node_num表示这条道路上的节点数量,Node1是组成此道路的所有节点的编号,Tag_num是此道路的标签信息的数量,Tag1_key、Tagl_value等是道路标签键值对。
(3)道路分段:将提取的Way元素进行分段,具体流程包括:。
第1步:遍历WAY信息,找到所有重复出现的节点;
第2步:重新遍历WAY信息,对于含有上一步骤中重复节点的道路,如果重复节点不是在道路的起止点,则进行分段处理,形成新的两条道路;
第3步:分段后的道路以文本形式作为中间文件存储,分段形成的道路记录形式为Way(ID,Length,StartNode,EndNode,Name,OneWay,Type,Lon1,Lat1,…),其中ID表示分段后的道路的编号,Length表示分段后道路的长度,StartNode表示分段后道路的起始节点的编号,EndNode表示分段后道路的终止节点的编号,Name是道路的名称,Type是道路的类型,Lon1、Lat1等依次记录构成此分段后道路的节点的经纬度。
根据记录分段后道路的文本信息完成构建Oracle NDM所需的道路表(Link)的填充,在读取分段后道路文本数据的同时,将对应数据分别填充到Link表中,其中Link的空间数据借助Oracle Spatial提供的Java API读取经纬度数据生成,最后通过SQL语句批量插入到Link表中。
3.兴趣点获取及与路网关联处理
兴趣点来源于网络地图,通过网络地图提供的JavaScript API中的搜索方法提取兴趣点,获取兴趣点数据,以及将兴趣点数据和城市路网数据进行关联的流程,其详细步骤如下:
第一步:网络地图JavaScript API具体提供关于搜索的类LocalSearch,通过此类的构造函数创建一个搜索实例,每次搜索抓取兴趣点数据量不超过800,通过将城市分成20×10个小矩形,对每个小矩形借助搜索类的区域搜索方法SearchInBounds进行区域搜索,获取LocalResult类型的结果;
第二步:第一步的搜索结果包括许多页面,然后借助LocalResult的get兴趣点方法逐次获取每个页面中的所有LocalResult兴趣点类型的兴趣点信息,最后提取LocalResult兴趣点类型的兴趣点信息;
第三步:只提取兴趣点的名称、地址、经纬度及电话信息,分别选取9个关键词进行检索,获取对应的兴趣点信息,具体包括景点、加油站、宾馆、购物、学校、医院、政府设施、交通和银行信息;
第四步:一方面依据Oracle Spatial中建立Oracle路网数据模型的标准,另一方面,为便于分析查询,分别建立了九类兴趣点的要素表格和包括九类兴趣点的总的要素表格及其对应的关系表格;
第五步:通过构建Feature_Relation表,来存储兴趣点数据与路网模型的关联关系,NET_ELEM_ID字段存储与当前兴趣点关联的路网路段,START_PERCENTAGE存储当前兴趣点投影点所处路网中路段的相对位置。
(二)轨迹停留提取
通过建立地理时空关联特征轨迹数据库管理和存储轨迹数据,通过Stop/Run模型管理轨迹数据,先通过时空关联特征轨迹地图匹配方法将所有的轨迹点校正到正确道路的位置上,再通过匹配后的位置及时间推测车辆进入和离开每条道路的时间,进而推测车辆的停留与运动过程。
1.轨迹地图匹配
将现实中采集到的受到各种影响而不是准确位置的一系列GPS轨迹点校正到正确位置,获取到运动目标现实中的轨迹点及行驶路线,考虑到本申请中轨迹数据采集时间间隔较大,为保证匹配过程的效率及匹配结果的均衡和正确,本申请设计时空关联特征轨迹地图匹配方法。
时空关联特征轨迹地图匹配过程主要包括三个部分:判定有效点、求取最可能路线、地图匹配后置处理。
(1)判定有效点
由于轨迹点获取过程中存在的延迟以及建筑物、隧道等影响,轨迹数据并不全是有效数据,因此,本申请通过以下方法分离出有效点和无效点。
1)缓冲距离限制:判断轨迹点缓冲区内是否有道路,如果没有道路,则认为是GPS噪声数据;
2)时间限制:如果当前轨迹点与前一有效点之间的时间间距超过一定临界值(实施例是15分钟),则将此轨迹进行分段,中断匹配过程,因为当两相邻轨迹点时间间隔过大时,研两点之间车辆行驶路线没有意义。
3)临近点距离限制:如果当前轨迹点与前一有效点之间的大圆距离小于临近点距离限制,考虑到GPS点的漂移,不能准确判定当前轨迹点的位置;
4)速度限制:如果当前轨迹点到前一有效点的大圆距离/两点时间间隔>速度阙值时,GPS采样过程中受到干扰,当前轨迹点无效。
(2)求取最可能路线
在每一个判定有效点过程中,对于此有效点的所有候选点,都采用Viterbi算法计算出到达每个候选点的最优路径,并记录此候选点所在的路段id,轨迹点投影在此轨迹点概率,此最优路径上上一个有效点的投影位置。
当匹配中断时,对于匹配树的最后一个节点的每一个候选点的概率进行比较,得出概率最大的候选点,此点是此段轨迹结束的地点;同时,由此点得出此候选点的前一有效点的投影位置,以此类推,可得出整个轨迹的投影位置的序列。
(3)地图匹配后置处理
一条完整轨迹可能会被打断成许多段轨迹,后置处理尽可能将轨迹变得更完整。
步骤1:对于缓冲范围内无道路的点,断开轨迹;
步骤2:对于超出速度临界值的轨迹点,判断其后面有无有效点:1)如果不存在有效点,此轨迹点的投影点是其本身;2)如果存在有效点,计算其前一有效点和后一有效点的最短路径,根据此最短路径判断是否超速,如果超速,中断匹配过程;否则,根据此轨迹点投影到最短路径的最小距离是否超出缓冲距离限制决定轨迹点的投影点位置;
步骤3:对于临近点,其前一有效点的投影点作为投影点。
至此,获取所有轨迹点的投影点,投影点数据被存储在地理时空关联特征轨迹数据库中的Trj_matched表中,根据相邻有效投影点之间最短路径即可获取车辆行驶路线,此类数据被存放在地理时空关联特征轨迹数据库中的Trj_Link表中。
2.特征时间插值
本申请对车辆进入和离开道路时间进行插值的前提是假设车辆在前后两个有效轨迹点之间匀速运动,通过线性插值算法计算车辆进入和离开道路时间,其流程具体如下:
步骤一,获取用于计算的参考点:如果某条道路上有多个轨迹点,则通过找到第一个轨迹点和最后一个轨迹点作为计算的参考,如果只有一个轨迹点,则以此点作为计算的参考点;
步骤二,进行时间插值:根据上述参考点,假设车辆在参考点之间都是进行匀速运动,依次计算车辆进入和离开道路的时间;
步骤三,将计算的结果批量插入到Trj_Link表格中,。
3.Stop提取
Stop提取方法概括如下:
第1步:依次遍历Trj_Link表中一段完整轨迹的行驶路线的组成路段(L1,L2,…),求取车辆在当前路段(如L1)的平均速度,如果平均速度小于设置的临界值(3米每秒),则进入下一步判断;
第2步:查询车辆在此道路上行驶期间,是否有停留行为,即查询Trj_Original表中是否存在速度为零的轨迹点(Speed字段值为0),如果存在速度为零的轨迹点,对这些速度为零的轨迹点进行抽象处理,抽取出一点作为停留位置存储,并记录此停留行为的开始时间和结束时间;如果不存在速度为零的点,则不做处理;
第3步:从面向车辆的角度对停留车辆与兴趣点车辆、道路车辆进行关联,即判断停留车辆在停留期间属于Stay行为还是Close行为,并依次在Stay、Close表中描述车辆在此停留期间可能的行为;其次,在Trj_Stop表中存储此停留车辆的所处位置及其起止时间;
第4步:从面向对象的角度分析车辆运动车辆与兴趣点、道路对象的关联关系,采用Pass表存储运动车辆与兴趣点的关系,即车辆经过兴趣点的时间,采用Trj_Run表存储车辆运动车辆与道路车辆的关系,即车辆在路网中的行驶路线,包括各个道路的进出时间及顺序、行驶的长度。
三、时空关联轨迹数据库的可视化查询分析
主要进行三类典型的时空模式查询:位置-时间模式、位置-顺序模式、位置-关系模式,这三类分析均是在轨迹数据查询中时空二维方面添加一些限制条件。
(1)位置-时间查询:首先,在空间维度上限定位置信息,同时给出时间维度的限制条件;
(2)位置-顺序分析:在空间上给出多个位置限制条件,通过位置出现顺序隐性的提出时间限制;
(3)位置-关系分析:在空间上限定位置信息,并给出轨迹之间相对于该位置的时间拓扑条件;
构建地理时空关联特征轨迹数据库后,只需通过SQL语句即可完成含有语义的轨迹时空特征模式查询。
四、轨迹时空特征模式分析系统
采用Spring框架,基于Oracle的MapViewer中间件完成三类典型性分析的查询及可视化。
(一)系统框架
基于Oracle Maps开发的网络地图应用程序的基础架构,其中客户端基于OracleMapViewer提供的JavaScript API实现,Oracle Maps JavaScript客户端工作在地图瓦片服务器和FOI服务器顶端的基于浏览器的地图渲染引擎,在浏览器中从地图瓦片服务器获取并展示地图,向FOI服务器发送FOI请求并将结果展示在地图瓦片图层之上,对用户的操作,如拖拽、平移、缩放、点击FOI进行反馈。
Oracle应用程序服务器包括地图瓦片服务器、FOI服务器和地图渲染引擎,作为中间件完成地图渲染和数据加载、缓存,地图瓦片服务器获取、缓存、并提供预生成的、固定大小的地图瓦片的地图图像缓存引擎,接收客户端发送的关于某一等级下固定位置的地图图像的请求,并向客户端反馈指定位置的瓦片;FOI服务器运行在MapViewer内部的Javaservlet,当客户端进行请求时,先查询数据库中的信息,再对查询结果进行绘制渲染,最后将渲染的结果反馈至客户端;地图渲染引擎处理客户端发送的请求,根据请求查询数据库从而获取对应的信息,再以图片形式(PNG、GIF、JPEG格式)构造地图瓦片,最后将地图瓦片反馈给客户端。
数据库存储需要的空间数据,基于MapBuilder工具通过定义样式、字体、颜色,从而快速的创建瓦片地图。
(1)轨迹时空特征模式分析系统
基于B/S体系架构,客户端借助Oracle MapViewer提供的JavaScript API实现,主要考虑以下三类查询:位置-时间查询、位置-顺序查询、位置-关系查询。
服务端器完成与客户端的交互,包括Oracle服务中间件和Apache Tomcat,其中采用的Oracle中间件是地图服务器MapViewer,服务器端实现对应的轨迹时空特征模式查询及分析。
数据库主要存储地理时空关联特征轨迹数据库的内容,包括Oracle路网模型部分、轨迹部分和STOP/RUN及其与地理要素关联部分。
(二)系统模块
轨迹时空特征模式分析系统模块包括三个部分:地图控制模块、轨迹时空特征模式查询模块和热门兴趣点分析模块。
(1)地图控制模块:显示地图主要包括底图、初始轨迹点、匹配后轨迹点及匹配后的路线图层,其中底图主要包括OSM地图和根据城市Oracle NDM构造的瓦片地图,其它图层在查询结束后会根据需要显示。
(2)轨迹时空特征模式查询:针对三类模式进行查询:位置-时间模式、位置-顺序模式、位置-关系模式,这三类分析在轨迹数据查询中在时空二维方面添加限制条件,针对三类典型分析,基于SQL语言设计查询语句,并基于Oracle组件MapViewer将查询结果可视化并展示。
1)位置-时间查询,在空间上限定位置信息,同时给出时间限制;
2)位置-顺序分析,在空间上给出多个位置限制条件,通过位置出现顺序隐性地提出时间限制,图12展示了位置-顺序查询结果;
3)位置-关系分析,在空间上限定位置信息,并给出轨迹之间相对于该位置的时间拓扑条件,图13展示了位置-关系查询结果;
(3)热门兴趣点分析
展示城市热门景点和热门宾馆的分析结果,首先,分别按个体和类别对城市景点的受欢迎程度进行分析,其中包括单个景点分析的排行,如图14所示,按照景点类别统计的排行,热门宾馆的分析结果。
Claims (10)
1.车辆轨迹引导地理时空特征可视化分析平台,其特征在于,根据城市道路数据和城市车辆轨迹数据建立基于STOP/RUN模型的地理关联轨迹数据库,结合现实世界中运动车辆的停留-运动-停留行为,提出基于Stop/Run模型的轨迹数据管理方法;设计实现地理时空关联特征轨迹数据库的库表结构,包括地理空间数据与轨迹数据中停留、运动行为的关联,实现几类典型性的时空模式查询及热门兴趣点分析,具体包括:
第一,地理时空关联特征轨迹数据库设计,包括:一是时空轨迹关联路网模型组织,二是地理时空轨迹数据组织,三是地理时空关联组织,四是地理时空关联特征轨迹数据库模式;
结合现实世界中运动车辆的停留-运动-停留行为,将运动车辆的此类行为与地理空间数据进行关联,设计出地理关联轨迹数据库,存储、查询并分析轨迹数据中的语义信息;
第二,构建地理时空关联特征轨迹数据库,包括:一是地理时空数据入库,包括轨迹数据预处理、路网数据获取和模型构建、兴趣点获取及与路网关联处理,二是轨迹停留提取,包括轨迹地图匹配、特征时间插值、Stop提取;
首先,基于OSM数据结构构建用于网络分析的城市网络数据模型,其次,通过网络地图API获取网络地图中的兴趣点数据,并与路网模型关联;最后,轨迹数据经过地图匹配、时间插值、Stop/Run提取处理后,与地理空间数据进行关联,完成地理时空关联特征轨迹数据库的构建;
第三,时空关联轨迹数据库的可视化查询分析:设计提出三类典型性时空模式查询一位置-时间、位置-顺序、位置-关系查询,及其纯SQL的查询处理方法,通过停留车辆与兴趣点的关联信息分析热门景点及宾馆的客流量;
第四,轨迹时空特征模式分析系统:采用Spring框架研制实现轨迹时空特征模式查询系统,基于Oracle的MapViewer中间件,完成三类典型性分析的查询及可视化。
2.根据权利要求1所述车辆轨迹引导地理时空特征可视化分析平台,其特征在于,地理时空关联组织:按照车辆行驶状态将车辆轨迹点分成关键点和非关键点两类,关键点有以下几类:
(1)轨迹的起止点:包括打断后形成的子轨迹的起止点,分别表示一个车辆行程中的起点和终点,通过轨迹起始点的时间获取轨迹开始和结束的时间、运动过程的总时间;
(2)停留点:车辆行驶过程中表现出的连续的位置变化很小甚至不变的一系列轨迹点均是停留点,从这些停留点中抽象出一点并记录其停留开始的时间和停留结束的时间,为之后的查询分析提供参考;
从面向车辆的角度,将一段完整车辆轨迹分成起点-运动-停留-…-停留-运动-终点,并分别采用Stop表、Run表存储车辆轨迹中的停留、运动车辆,其中Stop表也用于存储车辆轨迹的起点和终点;
运动车辆与兴趣点的关系对应于语义Pass,采用Pass表存储此种语义关系;
采用Trj_Run表存储运动车辆与地理空间中道路的关联关系,即存储车辆在运动过程中经过的所有道路的出入时间及顺序;
如果车辆运动过程经过道路的全部,则POSIT字段值为1,如果车辆运动过程只行驶道路的一部分,POSIT字段表示车辆当时在编号为LINKID的道路上的位置,POSIT的范围是-1至l,当车辆行驶方向与道路起点至终点方向相反时,POSIT的值是负的;
当Stop位置与兴趣点的距离小于30米时,Stop车辆与兴趣点的关系对应语义Stay,采用Stay表存储此种关系;
当Stop位置与兴趣点的距离大于30米且小于100米时,Stop车辆与兴趣点的关系对应于语义Close,采用Close表存储此种关系;
轨迹数据与地理空间中线要素的关联关系表现为Stop车辆位于道路的位置,用Trj_Stop表存储此种关联关系。
3.根据权利要求1所述车辆轨迹引导地理时空特征可视化分析平台,其特征在于,地理时空数据入库:包括轨迹数据、城市兴趣点数据和城市路网数据;
轨迹数据预处理:采用GPS轨迹数据来自A城市B辆车辆行驶产生的C条轨迹,总计D条记录,GPS轨迹的平均采样时间间隔在40秒以上,属低采样频率轨迹,前后两采样点之间的平均距离在500米以上,将轨迹数据存储在Oracle数据库中;
最后将轨迹数据存入到Oracle数据库中管理,轨迹数据存储在Trj_original表中,其中,SDO_GEOMETRY由已知的经纬度数据通过Oracle Spatial Java API获取填充。
4.根据权利要求1所述车辆轨迹引导地理时空特征可视化分析平台,其特征在于,路网数据获取和模型构建:先提取出OSM中的节点(Node)、道路(Way)元素,在获取路网信息时加以区分,剔除不必要的信息,同时,在提取出Node和Way信息后,根据Way中的Node信息对道路数据Way分段处理,为方便获取道路数据,设计一个将OSM数据解析成文本型关联特征中间数据的工具,此解析工具获得的文本数据结果既能被导入到Oracle数据库中形成路网模型,也能通过ArcEngine进行二次开发生成Shape数据;
(1)提取Node信息:包括节点的id号和其空间位置信息,将其存储到文本文件作为一种中间数据存储,Node信息格式记录:Node(id,lat,lng),其中id是Node的编号,lat和lng分别表示节点的纬度和经度,通过解析OSM中Node信息获取文本信息结构,在读取Node文本数据的同时,基于Oracle Spatial提供的Java API构建Oracle空间数据库中的点数据,再采用SQL语句批量插入节点表中,插入完成后,为提高空间查询效率,对节点表中的空间字段建立空间索引;
(2)提取完整Way信息:根据编号查询Node表中的经纬度信息,最后将需要的信息记录在文本数据中,其格式为:Way(ID,Node_num,Node1,…,Tag_num,Tagl_key,Tagl_v,…),其中ID是道路编号,Node_num表示这条道路上的节点数量,Node1是组成此道路的所有节点的编号,Tag_num是此道路的标签信息的数量,Tag1_key、Tagl_value等是道路标签键值对;
(3)道路分段:将提取的Way元素进行分段,具体流程为:
第1步:遍历WAY信息,找到所有重复出现的节点;
第2步:重新遍历WAY信息,对于含有上一步骤中重复节点的道路,如果重复节点不是在道路的起止点,则进行分段处理,形成新的两条道路;
第3步:分段后的道路以文本形式作为中间文件存储,分段形成的道路记录形式为Way(ID,Length,StartNode,EndNode,Name,OneWay,Type,Lon1,Lat1,…),其中ID表示分段后的道路的编号,Length表示分段后道路的长度,StartNode表示分段后道路的起始节点的编号,EndNode表示分段后道路的终止节点的编号,Name是道路的名称,Type是道路的类型,Lon1、Lat1等依次记录构成此分段后道路的节点的经纬度;
根据记录分段后道路的文本信息完成构建Oracle NDM所需的道路表(Link)的填充,在读取分段后道路文本数据的同时,将对应数据分别填充到Link表中,其中Link的空间数据借助Oracle Spatial提供的Java API读取经纬度数据生成,最后通过SQL语句批量插入到Link表中。
5.根据权利要求1所述车辆轨迹引导地理时空特征可视化分析平台,其特征在于,兴趣点获取及与路网关联处理:兴趣点来源于网络地图,通过网络地图提供的JavaScript API中的搜索方法提取兴趣点,详细步骤如下:
第一步:网络地图JavaScript API具体提供关于搜索的类LocalSearch,通过此类的构造函数创建一个搜索实例,每次搜索抓取兴趣点数据量不超过800,通过将城市分成20×10个小矩形,对每个小矩形借助搜索类的区域搜索方法SearchInBounds进行区域搜索,获取LocalResult类型的结果;
第二步:第一步的搜索结果包括许多页面,然后借助LocalResult的get兴趣点方法逐次获取每个页面中的所有LocalResult兴趣点类型的兴趣点信息,最后提取LocalResult兴趣点类型的兴趣点信息;
第三步:只提取兴趣点的名称、地址、经纬度及电话信息,分别选取9个关键词进行检索,获取对应的兴趣点信息,具体包括景点、加油站、宾馆、购物、学校、医院、政府设施、交通和银行信息;
第四步:一方面依据Oracle Spatial中建立Oracle路网数据模型的标准,另一方面,为便于分析查询,分别建立了九类兴趣点的要素表格和包括九类兴趣点的总的要素表格及其对应的关系表格;
第五步:通过构建Feature_Relation表,来存储兴趣点数据与路网模型的关联关系,NET_ELEM_ID字段存储与当前兴趣点关联的路网路段,START_PERCENTAGE存储当前兴趣点投影点所处路网中路段的相对位置。
6.根据权利要求1所述车辆轨迹引导地理时空特征可视化分析平台,其特征在于,轨迹停留提取:建立地理时空关联特征轨迹数据库管理和存储轨迹数据,通过Stop/Run模型管理轨迹数据,先通过时空关联特征轨迹地图匹配方法将所有的轨迹点校正到正确道路的位置上,再通过匹配后的位置及时间推测车辆进入和离开每条道路的时间,进而推测车辆的停留与运动过程;
1.轨迹地图匹配
将现实中采集到的受到各种影响而不是准确位置的一系列GPS轨迹点校正到正确位置,获取到运动目标现实中的轨迹点及行驶路线,本申请设计时空关联特征轨迹地图匹配方法;
时空关联特征轨迹地图匹配过程主要包括三个部分:判定有效点、求取最可能路线、地图匹配后置处理;
(1)判定有效点
通过以下方法分离出有效点和无效点:
1)缓冲距离限制:判断轨迹点缓冲区内是否有道路,如果没有道路,则认为是GPS噪声数据;
2)时间限制:如果当前轨迹点与前一有效点之间的时间间距超过一定临界值(实施例是15分钟),则将此轨迹进行分段,中断匹配过程,因为当两相邻轨迹点时间间隔过大时,研两点之间车辆行驶路线没有意义;
3)临近点距离限制:如果当前轨迹点与前一有效点之间的大圆距离小于临近点距离限制,考虑到GPS点的漂移,不能准确判定当前轨迹点的位置;
4)速度限制:如果当前轨迹点到前一有效点的大圆距离/两点时间间隔>速度阙值时,GPS采样过程中受到干扰,当前轨迹点无效;
(2)求取最可能路线
在每一个判定有效点过程中,对于此有效点的所有候选点,都采用Viterbi算法计算出到达每个候选点的最优路径,并记录此候选点所在的路段id,轨迹点投影在此轨迹点概率,此最优路径上上一个有效点的投影位置;
当匹配中断时,对于匹配树的最后一个节点的每一个候选点的概率进行比较,得出概率最大的候选点,此点是此段轨迹结束的地点;同时,由此点得出此候选点的前一有效点的投影位置,以此类推,可得出整个轨迹的投影位置的序列;
(3)地图匹配后置处理
一条完整轨迹可能会被打断成许多段轨迹,后置处理尽可能将轨迹变得更完整;
步骤1:对于缓冲范围内无道路的点,断开轨迹;
步骤2:对于超出速度临界值的轨迹点,判断其后面有无有效点:1)如果不存在有效点,此轨迹点的投影点是其本身;2)如果存在有效点,计算其前一有效点和后一有效点的最短路径,根据此最短路径判断是否超速,如果超速,中断匹配过程;否则,根据此轨迹点投影到最短路径的最小距离是否超出缓冲距离限制决定轨迹点的投影点位置;
步骤3:对于临近点,其前一有效点的投影点作为投影点;
至此,获取所有轨迹点的投影点,投影点数据被存储在地理时空关联特征轨迹数据库中的Trj_matched表中,根据相邻有效投影点之间最短路径即可获取车辆行驶路线,此类数据被存放在地理时空关联特征轨迹数据库中的Trj_Link表中。
7.根据权利要求1所述车辆轨迹引导地理时空特征可视化分析平台,其特征在于,特征时间插值:对车辆进入和离开道路时间进行插值的前提是假设车辆在前后两个有效轨迹点之间匀速运动,通过线性插值算法计算车辆进入和离开道路时间,其流程具体如下:
步骤一,获取用于计算的参考点:如果某条道路上有多个轨迹点,则通过找到第一个轨迹点和最后一个轨迹点作为计算的参考,如果只有一个轨迹点,则以此点作为计算的参考点;
步骤二,进行时间插值:根据上述参考点,假设车辆在参考点之间都是进行匀速运动,依次计算车辆进入和离开道路的时间;
步骤三,将计算的结果批量插入到Trj_Link表格中。
8.根据权利要求1所述车辆轨迹引导地理时空特征可视化分析平台,其特征在于,Stop提取方法概括如下:
第1步:依次遍历Trj_Link表中一段完整轨迹的行驶路线的组成路段(L1,L2,…),求取车辆在当前路段的平均速度,如果平均速度小于设置的临界值,则进入下一步判断;
第2步:查询车辆在此道路上行驶期间,是否有停留行为,即查询Trj_Original表中是否存在速度为零的轨迹点,如果存在速度为零的轨迹点,对这些速度为零的轨迹点进行抽象处理,抽取出一点作为停留位置存储,并记录此停留行为的开始时间和结束时间;如果不存在速度为零的点,则不做处理;
第3步:从面向车辆的角度对停留车辆与兴趣点车辆、道路车辆进行关联,即判断停留车辆在停留期间属于Stay行为还是Close行为,并依次在Stay、Close表中描述车辆在此停留期间可能的行为;其次,在Trj_Stop表中存储此停留车辆的所处位置及其起止时间;
第4步:从面向对象的角度分析车辆运动车辆与兴趣点、道路对象的关联关系,采用Pass表存储运动车辆与兴趣点的关系,即车辆经过兴趣点的时间,采用Trj_Run表存储车辆运动车辆与道路车辆的关系,即车辆在路网中的行驶路线,包括各个道路的进出时间及顺序、行驶的长度。
9.根据权利要求1所述车辆轨迹引导地理时空特征可视化分析平台,其特征在于,轨迹时空特征模式分析系统框架:采用Spring框架,基于Oracle的MapViewer中间件完成三类典型性分析的查询及可视化,Oracle Maps JavaScript客户端工作在地图瓦片服务器和FOI服务器顶端的基于浏览器的地图渲染引擎,在浏览器中从地图瓦片服务器获取并展示地图,向FOI服务器发送FOI请求并将结果展示在地图瓦片图层之上,对用户的操作进行反馈;
Oracle应用程序服务器包括地图瓦片服务器、FOI服务器和地图渲染引擎,作为中间件完成地图渲染和数据加载、缓存,地图瓦片服务器获取、缓存、并提供预生成的、固定大小的地图瓦片的地图图像缓存引擎,接收客户端发送的关于某一等级下固定位置的地图图像的请求,并向客户端反馈指定位置的瓦片;FOI服务器运行在MapViewer内部的Java servlet,当客户端进行请求时,先查询数据库中的信息,再对查询结果进行绘制渲染,最后将渲染的结果反馈至客户端;地图渲染引擎处理客户端发送的请求,根据请求查询数据库从而获取对应的信息,再以图片形式(PNG、GIF、JPEG格式)构造地图瓦片,最后将地图瓦片反馈给客户端;
数据库存储需要的空间数据,基于MapBuilder工具通过定义样式、字体、颜色,从而快速的创建瓦片地图。
10.根据权利要求1所述车辆轨迹引导地理时空特征可视化分析平台,其特征在于,轨迹时空特征模式分析系统模块包括三个部分:地图控制模块、轨迹时空特征模式查询模块和热门兴趣点分析模块;
(1)地图控制模块:显示地图主要包括底图、初始轨迹点、匹配后轨迹点及匹配后的路线图层,其中底图主要包括OSM地图和根据城市Oracle NDM构造的瓦片地图;
(2)轨迹时空特征模式查询:针对三类模式进行查询:位置-时间模式、位置-顺序模式、位置-关系模式,这三类分析在轨迹数据查询中在时空二维方面添加限制条件,针对三类典型分析,基于SQL语言设计查询语句,并基于Oracle组件MapViewer将查询结果可视化并展示;
1)位置-时间查询,在空间上限定位置信息,同时给出时间限制;
2)位置-顺序分析,在空间上给出多个位置限制条件,通过位置出现顺序隐性地提出时间限制;
3)位置-关系分析,在空间上限定位置信息,并给出轨迹之间相对于该位置的时间拓扑条件;
(3)热门兴趣点分析:展示城市热门景点和热门宾馆的分析结果,分别按个体和类别对城市景点的受欢迎程度进行分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111605380.8A CN114265833A (zh) | 2021-12-24 | 2021-12-24 | 车辆轨迹引导地理时空特征可视化分析平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111605380.8A CN114265833A (zh) | 2021-12-24 | 2021-12-24 | 车辆轨迹引导地理时空特征可视化分析平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114265833A true CN114265833A (zh) | 2022-04-01 |
Family
ID=80830242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111605380.8A Pending CN114265833A (zh) | 2021-12-24 | 2021-12-24 | 车辆轨迹引导地理时空特征可视化分析平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114265833A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996598A (zh) * | 2022-08-01 | 2022-09-02 | 武汉大学 | 一种基于通信大数据的时空关联分析方法、装置及设备 |
CN115060269A (zh) * | 2022-06-08 | 2022-09-16 | 南威软件股份有限公司 | 一种刻画道路路网与车辆行驶轨迹模型的方法及装置 |
CN117409569A (zh) * | 2023-08-21 | 2024-01-16 | 广东飞翔云计算有限公司 | 一种基于大数据的智慧交通系统及方法 |
CN117591520A (zh) * | 2024-01-19 | 2024-02-23 | 深圳市名通科技股份有限公司 | 基于位图组的时空大数据计算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140164389A1 (en) * | 2012-12-07 | 2014-06-12 | International Business Machines Corporation | Mining trajectory for spatial temporal analytics |
CN106383868A (zh) * | 2016-09-05 | 2017-02-08 | 电子科技大学 | 一种基于道路网络的时空轨迹聚类方法 |
US20170091272A1 (en) * | 2015-09-30 | 2017-03-30 | International Business Machines Corporation | Precision Adaptive Vehicle Trajectory Query Plan Optimization |
CN111343585A (zh) * | 2020-02-28 | 2020-06-26 | 重庆邮电大学 | 一种基于隐马尔可夫模型的移动用户轨迹地图匹配方法 |
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 |
-
2021
- 2021-12-24 CN CN202111605380.8A patent/CN114265833A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140164389A1 (en) * | 2012-12-07 | 2014-06-12 | International Business Machines Corporation | Mining trajectory for spatial temporal analytics |
US20170091272A1 (en) * | 2015-09-30 | 2017-03-30 | International Business Machines Corporation | Precision Adaptive Vehicle Trajectory Query Plan Optimization |
CN106383868A (zh) * | 2016-09-05 | 2017-02-08 | 电子科技大学 | 一种基于道路网络的时空轨迹聚类方法 |
CN111343585A (zh) * | 2020-02-28 | 2020-06-26 | 重庆邮电大学 | 一种基于隐马尔可夫模型的移动用户轨迹地图匹配方法 |
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 |
Non-Patent Citations (1)
Title |
---|
王龙飞;陈红;李杨;邵海鹏;: "城市路网车辆出行轨迹调查分析系统", 计算机系统应用, no. 12, 15 December 2011 (2011-12-15) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115060269A (zh) * | 2022-06-08 | 2022-09-16 | 南威软件股份有限公司 | 一种刻画道路路网与车辆行驶轨迹模型的方法及装置 |
CN114996598A (zh) * | 2022-08-01 | 2022-09-02 | 武汉大学 | 一种基于通信大数据的时空关联分析方法、装置及设备 |
CN114996598B (zh) * | 2022-08-01 | 2022-10-18 | 武汉大学 | 一种基于通信大数据的时空关联分析方法、装置及设备 |
CN117409569A (zh) * | 2023-08-21 | 2024-01-16 | 广东飞翔云计算有限公司 | 一种基于大数据的智慧交通系统及方法 |
CN117591520A (zh) * | 2024-01-19 | 2024-02-23 | 深圳市名通科技股份有限公司 | 基于位图组的时空大数据计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114265833A (zh) | 车辆轨迹引导地理时空特征可视化分析平台 | |
CN107391706B (zh) | 一种基于移动互联网的城市旅游问答系统 | |
CN110472066B (zh) | 一种城市地理语义知识图谱的构建方法 | |
Wang et al. | Crowdatlas: Self-updating maps for cloud and personal use | |
Yan et al. | SeMiTri: a framework for semantic annotation of heterogeneous trajectories | |
CN102395965B (zh) | 用于在数据库中搜索对象的方法 | |
CN110457420B (zh) | 兴趣点位置识别方法、装置、设备及存储介质 | |
Mamei et al. | Automatic analysis of geotagged photos for intelligent tourist services | |
US20100211308A1 (en) | Identifying interesting locations | |
Li et al. | Robust inferences of travel paths from GPS trajectories | |
CN112880696A (zh) | 一种基于同时建图与定位的泊车系统及方法 | |
Boukhechba et al. | Online recognition of people's activities from raw GPS data: Semantic Trajectory Data Analysis | |
KR20050000225A (ko) | 지역정보 검색서비스 시스템 | |
CN113239753A (zh) | 基于YOLOv4改进的交通标志检测与识别方法 | |
Liu et al. | A semantics-based trajectory segmentation simplification method | |
CN115408618A (zh) | 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法 | |
Chen et al. | Enabling smart urban services with gps trajectory data | |
Santos et al. | Gbus-route geotracer | |
CN112085236B (zh) | 基于网约车订单数据的城市热点poi探测方法及装置 | |
CN116662583B (zh) | 一种文本生成方法、地点检索方法及相关装置 | |
CN106682168B (zh) | 一种跨域城市数据可视查询系统的构建方法 | |
CN110555174B (zh) | 一种基于r树的轨迹路径推荐方法 | |
Li et al. | VIS-MM: a novel map-matching algorithm with semantic fusion from vehicle-borne images | |
CN114820960B (zh) | 构建图谱的方法、装置、设备和介质 | |
Zhang et al. | Enrichment of topographic road database for the purpose of routing and navigation |
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 |