CN114724362B - 一种车辆轨迹数据处理方法 - Google Patents
一种车辆轨迹数据处理方法 Download PDFInfo
- Publication number
- CN114724362B CN114724362B CN202210295095.9A CN202210295095A CN114724362B CN 114724362 B CN114724362 B CN 114724362B CN 202210295095 A CN202210295095 A CN 202210295095A CN 114724362 B CN114724362 B CN 114724362B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle track
- road
- vehicle
- buffer area
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆轨迹数据处理方法，包括以下步骤：S1、通过车载GPS设备采集车辆轨迹数据；S2、对车辆轨迹数据进行预处理，得到修正车辆轨迹数据；S3、将路网数据、交通要素信息和区域POI信息与修正车辆轨迹数据关联，得到地理空间数据；S4、对地理空间数据进行网格化切片，将切片与车辆轨迹点进行匹配和融合，得到车辆轨迹信息；本发明通过对车辆轨迹数据进行修正，并关联其他特征信息，构建成特征丰富的车辆轨迹信息，便于对车辆异常行驶行为进行分析和识别。
Description
技术领域
本发明涉及智能交通技术领域，具体涉及一种车辆轨迹数据处理方法。
背景技术
交通安全问题已引起社会各界的高度重视，国内外学者及各研究院所也竞相开展相关的科学研究，安全问题已然成为保障交通领域健康发展的重要前提。据研究显示，由车辆异常行驶行为所引起的交通事故是造成交通事故的主要原因，如何有效地对车辆异常行驶行为进行快速分析与预测识别，减小交通事故率，对提高交通安全性具有重要的意义。对车辆异常行驶行为进行分析和识别，需借助特征丰富的车辆轨迹数据。
发明内容
针对现有技术中的上述不足，本发明提供的一种车辆轨迹数据处理方法通过对车辆轨迹数据进行修正，并关联其他特征信息，构建成特征丰富的车辆轨迹信息，便于对车辆异常行驶行为进行分析和识别。
为了达到上述发明目的，本发明采用的技术方案为：一种车辆轨迹数据处理方法，包括以下步骤：
S1、通过车载GPS设备采集车辆轨迹数据；
S2、对车辆轨迹数据进行预处理，得到修正车辆轨迹数据；
S3、将路网数据、交通要素信息和区域POI信息与修正车辆轨迹数据关联，得到地理空间数据；
S4、对地理空间数据进行网格化切片，将切片与车辆轨迹点进行匹配和融合，得到车辆轨迹信息。
进一步地，所述步骤S2中预处理包括：冗余合并、空值填充和轨迹纠偏。
进一步地，所述空值填充包括以下分步骤：
A1、记录车辆轨迹数据所对应的全部时刻；
A2、提取每条轨迹中的起始时刻和终止时刻；
A3、对每条轨迹所对应的时间进行间隔采样，生成起始时刻至终止时刻间的采样时刻序列，Te＝[Tstart,Tstart+T,Tstart+2T,…,Tend]，其中，Tstart为起始时刻，Tend为终止时刻，Te为采样时刻序列，T为采样周期；
A4、根据车辆轨迹数据，采用线性插值方法，插值得到每个采样时刻的轨迹数据；
A5、采用每个采样时刻的轨迹数据对车辆轨迹数据进行更新，得到空值填充后的车辆轨迹数据。
上述进一步方案的有益效果为：通过线性插值方法，对空值进行估计，并填充，使得数据连续。
进一步地，所述轨迹纠偏包括：去噪、道路匹配和区间补偿。
进一步地，所述道路匹配包括以下分步骤：
B1、获取所有道路矢量数据；
B2、根据当前轨迹的空间位置，设置区域缓冲区半径，得到缓冲区范围；
B3、从道路矢量数据中提取缓冲区范围内的路网数据；
B4、设置道路缓冲区，并基于缓冲区范围内的路网数据，得到道路缓冲区内的路网数据；
B5、根据车辆轨迹数据中的车辆轨迹点与道路缓冲区内的路网数据的空间位置关系，将车辆轨迹点与道路缓冲区内的路网数据进行匹配。
进一步地，所述步骤B5中将车辆轨迹点与道路缓冲区内的路网数据进行匹配包括以下分步骤：
B51、当车辆轨迹点在道路缓冲区内，将车辆轨迹点与道路缓冲区的路网数据对应的道路进行匹配；
B52、当车辆轨迹点不在道路缓冲区内，提取道路缓冲区内的路网数据的几何特征参数；
B53、将多个车辆轨迹点归为一组，对道路进行分段，并逐段提取道路的几何特征参数；
B54、将路网数据的几何特征参数与道路的几何特征参数进行匹配，得到匹配度；
B55、根据匹配度，将车辆轨迹点与道路缓冲区的路网数据对应的道路进行匹配。
上述进一步方案的有益效果为：道路匹配的方法利用已知的道路位置信息实现对车辆连续行驶轨迹的位置修正，能够有效抑制车辆轨迹的位置漂移问题。采用分段的道路匹配设计，可提升多等级道路并存情况下的匹配精度。
进一步地，所述步骤S4包括以下分步骤：
S41、对地理空间数据进行网格化切片；
S42、对切片进行编号，并同时记录每个切片的边界经纬度；
S43、提取每个切片空间范围内的路网数据、交通要素信息和区域POI信息，保存为切片文件；
S44、以车辆轨迹点的空间位置信息为基准，并基于切片的边界经纬度，提取覆盖车辆轨迹点空间位置的切片编号；
S45、根据提取的覆盖车辆轨迹点空间位置的切片编号，找到对应切片文件，提取切片文件的路网数据、交通要素信息和区域POI信息；
S46、将车辆轨迹点与切片文件的路网数据、交通要素信息和区域POI信息进行匹配和融合；
S47、重复步骤S44至S46，直到所有车辆轨迹点均完成匹配和融合，得到车辆轨迹信息。
上述进一步方案的有益效果为：在完成地理关联数据的采集后，考虑到其原始数据的体量较大，直接使用原始数据进行匹配处理将极大耗费计算资源，造成计算成本骤增。针对这一问题，本发明采用了基于空间信息的地理切片方式，以最大化减少参与融合匹配过程的数据体量，实现计算效率的提升。
综上，本发明的有益效果为：本发明对车辆轨迹数据进行了修正，保障车辆轨迹数据本身的合理性和正确性，再通过把路网数据、交通要素信息和区域 POI信息与修正车辆轨迹数据关联，使得到的地理空间数据包含的信息特征丰富，并对地理空间数据切片处理，减少数据量，最后将切片与车辆轨迹点进行匹配和融合，使得到的车辆轨迹信息即具备丰富的信息特征又具备数据量小的特征，便于对车辆异常行驶行为进行分析和识别。
附图说明
图1为一种车辆轨迹数据处理方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种车辆轨迹数据处理方法，包括以下步骤：
S1、通过车载GPS设备采集车辆轨迹数据；
S2、对车辆轨迹数据进行预处理，得到修正车辆轨迹数据；
步骤S2中预处理包括：冗余合并、空值填充和轨迹纠偏。
冗余合并为：在相同时刻存在重复记录的数据，对重复记录的数据进行了重复项合并。
所述空值填充包括以下分步骤：
A1、记录车辆轨迹数据所对应的全部时刻；
A2、提取每条轨迹中的起始时刻和终止时刻；
A3、对每条轨迹所对应的时间进行间隔采样，生成起始时刻至终止时刻间的采样时刻序列，Te＝[Tstart,Tstart+T,Tstart+2T,…,Tend]，其中，Tstart为起始时刻，Tend为终止时刻，Te为采样时刻序列，T为采样周期；
A4、根据车辆轨迹数据，采用线性插值方法，插值得到每个采样时刻的轨迹数据；
A5、采用每个采样时刻的轨迹数据对车辆轨迹数据进行更新，得到空值填充后的车辆轨迹数据。
在车辆的行驶过程中，由于车载GPS设备硬件因素、环境因素等造成的轨迹异常点，需进行轨迹纠偏。轨迹纠偏的方式包括：去噪、道路匹配和区间补偿。
去噪为根据车辆的实际环境状况，将明显异常的轨迹点去除。道路匹配为将已知道路路网信息与车辆轨迹点进行一一匹配。道路匹配包括以下分步骤：
B1、获取所有道路矢量数据；
B2、根据当前轨迹的空间位置，设置区域缓冲区半径，得到缓冲区范围；
B3、从道路矢量数据中提取缓冲区范围内的路网数据；
B4、设置道路缓冲区，并基于缓冲区范围内的路网数据，得到道路缓冲区内的路网数据；
B5、根据车辆轨迹数据中的车辆轨迹点与道路缓冲区内的路网数据的空间位置关系，将车辆轨迹点与道路缓冲区内的路网数据进行匹配。
步骤B5中将车辆轨迹点与道路缓冲区内的路网数据进行匹配包括以下分步骤：
B51、当车辆轨迹点在道路缓冲区内，将车辆轨迹点与道路缓冲区的路网数据对应的道路进行匹配；
B52、当车辆轨迹点不在道路缓冲区内，提取道路缓冲区内的路网数据的几何特征参数；
B53、将多个车辆轨迹点归为一组，对道路进行分段，并逐段提取道路的几何特征参数；
B54、将路网数据的几何特征参数与道路的几何特征参数进行匹配，得到匹配度；
B55、根据匹配度，将车辆轨迹点与道路缓冲区的路网数据对应的道路进行匹配。
在本实施例中，为确保车辆行驶道路的连续性及合理性，本发明在分段匹配的过程中将在缓冲区内匹配不低于3条道路，在多于3条道路时，选出3条匹配度最高的道路，并通过判别前后分段道路间的联通性，筛选出最佳匹配道路；联通性的判断主要基于路网数据中提供的道路出、入口等信息进行判别，如匹配后连续的两段道路分段若属于不同道路，则在两段道路之间应存在道路的出入口，确保车辆能够实现道路的转换等；此外，道路匹配处理还可进一步实现对轨迹异常点位的剔除，提升数据质量；对于匹配失败的连续的车辆轨迹，通过人工校验后，也可实现对路网信息的更新迭代，进一步提升数据价值。
其中，选出3条匹配度最高的道路，按照如下优先级，从候选道路中选择最优道路并进行绑定：1、前后分段道路与当前道路在空间上的自然连续；2、若候选道路的匹配结果差异明显，则直接选择最佳匹配道路进行轨迹绑定；3、若匹配结果接近，则优先匹配高等级道路。
由于车辆行驶过程，由于车载GPS设备的信号丢失、车辆进入隧道等原因，造成数据丢失，需对轨迹进行区间补偿。
在本实施例中，区间补偿方法为：以当前车辆的平均采样间隔为基准，首先对间隔较大的轨迹点进行采样时刻的填补；然后，利用前后一段时间内的连续轨迹点信息进行数据的差值补偿；最后，利用已绑定的道路信息对填充的数值进行纠偏，确保轨迹点在空间分布上的合理性。
S3、将路网数据、交通要素信息和区域POI信息与修正车辆轨迹数据关联，得到地理空间数据；
在本实施例中，路网数据为OSM路网数据，OSM路网数据的地理坐标为真实坐标，可直接用于与轨迹数据的融合匹配，极大地简化了数据处理难度。
交通要素信息为信号灯、交叉口、停车场、公交站等典型要素的地理位置信息。
区域POI信息为警察局、医院、社区中心等功能性建筑的位置信息，幼儿园、中小学、高校、图书馆等教育资源分布情况以及酒店、餐馆、体育场、商场等娱乐要素在内的多种信息类型。
S4、对地理空间数据进行网格化切片，将切片与车辆轨迹点进行匹配和融合，得到车辆轨迹信息。
所述步骤S4包括以下分步骤：
S41、对地理空间数据进行网格化切片；
S42、对切片进行编号，并同时记录每个切片的边界经纬度；
S43、提取每个切片空间范围内的路网数据、交通要素信息和区域POI信息，保存为切片文件；
S44、以车辆轨迹点的空间位置信息为基准，并基于切片的边界经纬度，提取覆盖车辆轨迹点空间位置的切片编号；
S45、根据提取的覆盖车辆轨迹点空间位置的切片编号，找到对应切片文件，提取切片文件的路网数据、交通要素信息和区域POI信息；
S46、将车辆轨迹点与切片文件的路网数据、交通要素信息和区域POI信息进行匹配和融合；
S47、重复步骤S44至S46，直到所有车辆轨迹点均完成匹配和融合，得到车辆轨迹信息。
在完成地理关联数据的采集后，考虑到其原始数据的体量较大，如仅OSM 提供的路网矢量便超过350万条，即便是仅适用行车道路类型也有超过163万条记录。可见，直接使用原始数据进行匹配处理将极大耗费计算资源，造成计算成本骤增。针对这一问题，本发明采用了基于空间信息的地理切片方式，以最大化减少参与融合匹配过程的数据体量，实现计算效率的提升。
综上，本发明的有益效果为：本发明对车辆轨迹数据进行了修正，保障车辆轨迹数据本身的合理性和正确性，再通过把路网数据、交通要素信息和区域 POI信息与修正车辆轨迹数据关联，使得到的地理空间数据包含的信息特征丰富，并对地理空间数据切片处理，减少数据量，最后将切片与车辆轨迹点进行匹配和融合，使得到的车辆轨迹信息即具备丰富的信息特征又具备数据量小的特征，便于对车辆异常行驶行为进行分析和识别。
Claims (3)
1.一种车辆轨迹数据处理方法，其特征在于，包括以下步骤：
S1、通过车载GPS设备采集车辆轨迹数据；
S2、对车辆轨迹数据进行预处理，得到修正车辆轨迹数据；
S3、将路网数据、交通要素信息和区域POI信息与修正车辆轨迹数据关联，得到地理空间数据；
S4、对地理空间数据进行网格化切片，将切片与车辆轨迹点进行匹配和融合，得到车辆轨迹信息；
所述步骤S2中预处理包括：冗余合并、空值填充和轨迹纠偏；
所述轨迹纠偏包括：去噪、道路匹配和区间补偿；
所述道路匹配包括以下分步骤：
B1、获取所有道路矢量数据；
B2、根据当前轨迹的空间位置，设置区域缓冲区半径，得到缓冲区范围；
B3、从道路矢量数据中提取缓冲区范围内的路网数据；
B4、设置道路缓冲区，并基于缓冲区范围内的路网数据，得到道路缓冲区内的路网数据；
B5、根据车辆轨迹数据中的车辆轨迹点与道路缓冲区内的路网数据的空间位置关系，将车辆轨迹点与道路缓冲区内的路网数据进行匹配；
所述步骤B5中将车辆轨迹点与道路缓冲区内的路网数据进行匹配包括以下分步骤：
B51、当车辆轨迹点在道路缓冲区内，将车辆轨迹点与道路缓冲区的路网数据对应的道路进行匹配；
B52、当车辆轨迹点不在道路缓冲区内，提取道路缓冲区内的路网数据的几何特征参数；
B53、将多个车辆轨迹点归为一组，对道路进行分段，并逐段提取道路的几何特征参数；
B54、将路网数据的几何特征参数与道路的几何特征参数进行匹配，得到匹配度；
B55、根据匹配度，将车辆轨迹点与道路缓冲区的路网数据对应的道路进行匹配。
2.根据权利要求1所述的车辆轨迹数据处理方法，其特征在于，所述空值填充包括以下分步骤：
A1、记录车辆轨迹数据所对应的全部时刻；
A2、提取每条轨迹中的起始时刻和终止时刻；
A3、对每条轨迹所对应的时间进行间隔采样，生成起始时刻至终止时刻间的采样时刻序列，Te＝[Tstart,Tstart+T,Tstart+2T,…,Tend]，其中，Tstart为起始时刻，Tend为终止时刻，Te为采样时刻序列，T为采样周期；
A4、根据车辆轨迹数据，采用线性插值方法，插值得到每个采样时刻的轨迹数据；
A5、采用每个采样时刻的轨迹数据对车辆轨迹数据进行更新，得到空值填充后的车辆轨迹数据。
3.根据权利要求1所述的车辆轨迹数据处理方法，其特征在于，所述步骤S4包括以下分步骤：
S41、对地理空间数据进行网格化切片；
S42、对切片进行编号，并同时记录每个切片的边界经纬度；
S43、提取每个切片空间范围内的路网数据、交通要素信息和区域POI信息，保存为切片文件；
S44、以车辆轨迹点的空间位置信息为基准，并基于切片的边界经纬度，提取覆盖车辆轨迹点空间位置的切片编号；
S45、根据提取的覆盖车辆轨迹点空间位置的切片编号，找到对应切片文件，提取切片文件的路网数据、交通要素信息和区域POI信息；
S46、将车辆轨迹点与切片文件的路网数据、交通要素信息和区域POI信息进行匹配和融合；
S47、重复步骤S44至S46，直到所有车辆轨迹点均完成匹配和融合，得到车辆轨迹信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210295095.9A CN114724362B (zh) | 2022-03-23 | 2022-03-23 | 一种车辆轨迹数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210295095.9A CN114724362B (zh) | 2022-03-23 | 2022-03-23 | 一种车辆轨迹数据处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114724362A CN114724362A (zh) | 2022-07-08 |
| CN114724362B true CN114724362B (zh) | 2022-12-27 |
Family
ID=82238816
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210295095.9A Active CN114724362B (zh) | 2022-03-23 | 2022-03-23 | 一种车辆轨迹数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114724362B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298500A (zh) * | 2019-06-19 | 2019-10-01 | 大连理工大学 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
| WO2022141912A1 (zh) * | 2021-01-01 | 2022-07-07 | 杜豫川 | 一种面向车路协同的感知信息融合表征及目标检测方法 |
-
2022
- 2022-03-23 CN CN202210295095.9A patent/CN114724362B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298500A (zh) * | 2019-06-19 | 2019-10-01 | 大连理工大学 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
| WO2022141912A1 (zh) * | 2021-01-01 | 2022-07-07 | 杜豫川 | 一种面向车路协同的感知信息融合表征及目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 出租车GPS轨迹集聚和精细化路网提取;邬群勇等;《测绘学报》;20190415(第04期);全文 * |
| 出租车轨迹数据快速提取道路骨架线方法;张莉婷等;《测绘科学》;20150131(第01期);文章第2部分，图1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114724362A (zh) | 2022-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108959466B (zh) | 基于bcs-dbscan的出租车载客热点可视化方法及系统 | |
| CN108415975B (zh) | 基于bdch-dbscan的出租车载客热点识别方法 | |
| CN105809292B (zh) | 公交ic卡乘客下车站点推算方法 | |
| CN108763558B (zh) | 一种基于地图匹配的众包地图道路质量改进方法 | |
| Gong et al. | Data selection in machine learning for identifying trip purposes and travel modes from longitudinal GPS data collection lasting for seasons | |
| CN112215427B (zh) | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 | |
| CN111144452B (zh) | 一种基于信令数据和聚类算法的移动用户出行链提取方法 | |
| CN108062857B (zh) | 用于出租车乘客出行目的的预测方法 | |
| CN114363842B (zh) | 基于手机信令数据的公交乘客下车站点预测方法及装置 | |
| CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| CN111024098A (zh) | 一种基于低采样数据的机动车路径拟合算法 | |
| CN109520499B (zh) | 基于车辆gps轨迹数据实现区域实时等时线的方法 | |
| CN112085048A (zh) | 一种基于lstm自编码的车辆频繁轨迹识别方法及装置 | |
| CN116132923A (zh) | 一种基于手机信令数据的高精度时空轨迹复原方法 | |
| CN114998744A (zh) | 基于运动与视觉双特征融合的农机轨迹田路分割方法 | |
| CN115862331A (zh) | 考虑卡口网络拓扑结构的车辆出行轨迹重构方法 | |
| CN116233757A (zh) | 一种基于手机信令数据的居民出行碳排放量计算方法 | |
| CN114724362B (zh) | 一种车辆轨迹数据处理方法 | |
| CN111723835A (zh) | 车辆移动轨迹区分方法、装置和电子设备 | |
| Pinelli et al. | A methodology for denoising and generating bus infrastructure data | |
| CN116668958A (zh) | 基于手机信令数据的城市居民动态od矩阵提取方法 | |
| CN114245329B (zh) | 通行方式识别方法、装置、设备及存储介质 | |
| CN114238533A (zh) | 用户通勤路径规划方法、装置、计算机设备及存储介质 | |
| Dash et al. | From Mobile Phone Data to Transport Network--Gaining Insight about Human Mobility | |
| CN115129769A (zh) | 一种居民出行调查扩样方法、装置及存储介质 |
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 |