CN115081505A - 一种基于步行轨迹数据的行人路网增量式生成方法 - Google Patents

Abstract

本发明设计了一种基于步行轨迹数据的行人路网增量式生成方法，包括对人行轨迹数据进行预处理、基于增量式的方法构建人行道路网、采用附加连接数属性对每个轨迹点分类、行人路网可视化以及结果统计评估几个步骤。本发明的有益效果为：相较于已有的行人路网提取方法在准确率和效率上都有了一定的提高，并将提取到的行人路网轨迹点分为道路点和交叉点两种类别，使用GPS轨迹数据进行路网生成可以节省人力物力资源，在较短的时间内生成较为完整的路网信息，且该方法使用简单，运行快速。

Description

一种基于步行轨迹数据的行人路网增量式生成方法

技术领域

本发明涉及地理信息系统与智能交通研究领域，具体涉及一种基于步行轨迹数据的行人路网增量式生成方法。

背景技术

行人路网是城市交通体系的重要组成部分。行人路网是专门为步行或者采用小型代步工具(如滑板、轮椅等)的行人规划的道路网络，包括：车行路网两侧的沿街道路，小路，台阶，人行天桥，人行隧道，广场或草坪开放区域小路等类型。随着智慧城市概念等兴起，人们研发了大量基于行人路网的导航应用程序，以便于保障行人在复杂的城市环境中的人身安全。因此，拥有详细准确的行人路网是十分有必要的。当前，获取行人路网信息的数据源主要包括：点云数据、城市规划图、高分辨率遥感影像、GPS轨迹数据等。现有的行人路网生成方法可归纳为三大类：1)利用现有的城市规划数据图，采用图像采集软件对栅格路网进行自动矢量化或人工矢量化；2)图像处理，使用高分辨率遥感影像和激光图像进行图像处理操作提取行人路网；3)利用GPS轨迹数据进行行人路网的提取。以上三种方法构造的行人路网的准确性和完整性都与数据源的质量密切相关。第一种方法只能提取已规划好的人行道和人行横道。第二种方法在获得行人路段后还需要进行大量的后处理工作，如消除实际不存在的路段、补充被树木、建筑物等遮挡的行人路段。因此与方法1和方法2相比，使用GPS轨迹数据进行协同测绘是一种更适合提取行人路网的方法。国内学者杨雪等人(2020)构建了一种基于两层框架模式的行人路网获取方法，实现了基于众源出行轨迹数据的行人路网几何、拓扑信息获取。但该方法对于轨迹数据覆盖率要求较高，当数据量较少时，采用核密度方法无法准确提取行人路网信息。国外学者Edelkamp(2003)最先提出了基于K-Means算法的路网提取方法，并引入了拟合方法来表示道路中心线，进一步提升了路网精度。但该方法只适用于处理小批量的轨迹数据，对于庞大且包含噪声的数据处理表现较差。Kasemsuppakorn和Karimi(2013)采用PAM方法从个体出行轨迹数据中提取行人路网几何结构和拓扑信息。但该方法只能提取路段的几何结构而不能生成完整的行人路网。

发明内容

为了解决上述问题，本发明提出了一种基于步行轨迹数据的行人路网增量式生成方法，包括以下步骤：

步骤1：对人行轨迹数据进行预处理：

1.1：人行轨迹数据的提取：从原始的gpx格式的轨迹点文件中将轨迹点信息读取出来，并对坐标点进行坐标系转换，再将转换后的坐标写入txt格式的新文件内，从而实现了gpx格式到txt格式的数据转换；

1.2：去除漂移点：通过txt格式数据中相邻点间的经纬度(lat,lng)和时间戳timestamp，计算两点间的距离D和记录间隔时间t，最终得到两点间的平均速度 v，以平均速度作为轨迹点的速度v₀，设置速度的最大阈值v_max，v₀大于v_max时对应的轨迹点为漂移点，去除该漂移点；

1.3：去除冗余数据和停滞点：根据计算的相邻点的距离，设置距离阈值D_min，去除距离小于该距离阈值的轨迹点；再通过DBSCAN聚类算法，分别设定聚类半径eps和聚类数量阈值MinPts，任选一个点，找到该点距离小于等于eps的所有的点，若找到的点数小于MinPts，则该点为噪声点，舍去，同理，一一去除高密度区域的噪声点数据，只保留聚类中心；

1.4：轨迹平滑处理：采用SG平滑滤波对上述步骤1.1-1.3处理后的数据进行轨迹平滑处理，得到平滑轨迹点；

步骤2：基于增量式的方法构建人行道路网：

2.1：首先对轨迹数据进行细化，将同一文件中时间间隔Δt超过5s的平滑轨迹点分文件存储，将其视为不同段的轨迹；

2.2：将街道建模为R²的无向图，将轨迹数据建模成不同段的线性曲线；同时为每个平滑轨迹点设置B(x,r)，即以r为半径，x为中心的中心圆作为缓冲区域；

使用超参数ε来表示道路宽度，使用Fréchet距离来测量输入的曲线和街道的相似性；

将曲线映射到无向图中，假设曲线l为l[a₀,a₁，…a_k]，对其每个子曲线l[a_j-1,a_j]映射到一个边e∈E的部分，即X＝e[start,end]且δ_F(l[a_j-1，a_j]，e[start,end])<＝ε，或者如果没有这样的边存在，即X＝null；

当该子曲线映射到无向图的某条边e时，便称其为可匹配部分，否则认为该子曲线为不可匹配部分；当子曲线为可匹配部分时将其匹配到图中，当子曲线为不可匹配部分时，为其创建边和顶点；

如果子曲线l[a_j-1,a_j]中的顶点是两个不同的边e₁、e₂上的点或在缓冲区域内的点，则将该子曲线的两个端点插入到e₁和e₂并建立连接；否则将该子曲线作为新的边的起始点和末端点，并将其插入到顶点列表中，然后循环在对下一条曲线进行操作，直到所有的轨迹数据都处理完成；

2.3：对相邻的轨迹点进行距离的计算，当两个轨迹点的距离超出预设距离时，则将该两个轨迹点形成的线段视为噪声干扰生成的路线，再计算每个点和其他点的连接次数，如果一条边的两个点与其他点不互联，则认为该边对应的路线为干扰路段，如果一条边不与其他的边发生连接，所有的轨迹点都只与其前后相邻的点连接且该边的长度很短，则将其视为噪声点干扰产生的路线；将干扰生成的路段的连接断开；

步骤3：采用附加连接数属性对每个轨迹点分类：

根据每个轨迹点与其他轨迹点的连接数将轨迹点分为道路点和交叉点，如果某轨迹点连接数大于2，该轨迹点必为交叉点，如果某轨迹点连接数为1，即该轨迹点为末端点，且该轨迹点位于其他路段的轨迹点的缓冲区内，则认为这两条路段相交，该轨迹点也为交叉点，其他情况的轨迹点为到道路点；

步骤4：行人路网可视化：

上述点和边分别形成点文件和边文件，将生成的点文件和边文件进行格式转换，生成点和边的shp格式文件，并在ArcGIS中进行可视化，再将shp文件转换成kml文件与Goole Earth的基准地图进行叠加，直观的进行定性分析；

步骤5：结果统计评估：

将生成的行人路网与百度地图路网进行对比，评估生成的路网质量。

进一步地，所述轨迹点信息包括各轨迹点的编号、经纬度和时间戳。

进一步地，所述距离D为欧几里得距离，假设两个轨迹点为p1(lat1,lng1),p2(lat2,lng2)，则由经纬度计算该欧几里得距离公式为：

其中，lat1和lat2分别为p1和p2的纬度，lng1和lng2分别为p1和p2的经度，a＝lat1-lat2为两点纬度之差，b＝lng1-lng2为两点经度之差，D为计算所得的欧几里得距离，单位为m。

进一步地，增量式的方法构建人行道路网操作是指，利用地图匹配的思想，插入初始空地图来构建无向图，再将一条条轨迹不断进行融合，最终生成完整路网。

进一步地，得到相似性的过程如下：

将原始街道网络建模成R²的无向图，其中不包含任何点和边，将轨迹点文件中的每个点的经纬度和时间戳使用二维数组进行存储，将单个轨迹文件中的轨迹点集合建模成一条线性曲线，使用Fréchet距离来测量输入的曲线和街道的相似性δ_F，公式如下：

δ_F＝infmaxd[f(α(ε))，g(β(ε))]α，β，ε∈[0，1]

其中，ε为输入超参数，f(),g()为两条平面曲线，α()，β()是f,g单位区间的两个重参数化函数，d[]为欧几里得距离。

进一步地，使用百度地图路网作为定量分析的对象，获取各道路点的缓冲半径内本位提取的路网与百度路网两者互相匹配的路网集合。

进一步地，评估生成的路网质量的评价指标包括计算覆盖率、有效轨迹点数和有效边数，通过所述评价指标对生成路网进行定量分析。

本发明的有益效果是：相较于已有的行人路网提取方法在准确率和效率上都有了一定的提高，并将提取到的行人路网轨迹点分为道路点和交叉点两种类别，使用GPS轨迹数据进行路网生成可以节省人力物力资源，在较短的时间内生成较为完整的路网信息，且该方法使用简单，运行快速。

附图说明

图1是本发明实施例中增量式行人路网生成流程图；

图2是本发明实施例中原始GPS轨迹效果图；

图3是本发明实施例中GPS数据清洗后的效果图；

图4是本发明实施例中增量行人路网生成算法示意图；

图5是本发明实施例中交叉口点分类情况示意图；

图6是本发明实施例中对生成路网进行分类结果示意图；

图7是本发明实施例中与Goole Earth叠加后的可视化图。

具体实施方法

以下结合实例和附图详细说明本发明技术方案。

利用增量式原理生成行人路网的流程图如图1所示，本发明实例提供的一种增量式的行人路网生成方法，包括以下步骤：

步骤1：对行人轨迹数据进行预处理，效果如图3所示，具体过程如下：

(1)GPS轨迹数据的提取：从原始的gpx文件中将轨迹点的经度、纬度和时间戳读取出来，并对坐标点进行坐标系转换，再将转换后的坐标写入新文件内，从而实现了gpx格式到txt格式的数据转换。转换时，将gpx文件中提取出来的每一个坐标点的经纬度(可能是GCJ02,BD09等坐标系)使用python代码转换成 WGS84坐标系下的经纬度。具体实施如下：

使用python的gpxpy库对gpx文件中的编号id、经度lng、纬度lat、时间戳timestamp进行读取，再通过python的输入输出流将这些数据保存到txt格式的文件中，轨迹点数据如图2所示。

(2)去除漂移点：通过相邻点间的经纬度(lat,lng)和时间戳timestamp计算两点间的距离D和记录间隔时间t，最终得到两点间的平均速度v，以平均速度估计轨迹点的速度v₀，去除速度大小超过2m/s的轨迹点数据(根据查阅文献可知，行人步行速度一般在1～1.8m/s之间)。具体实施如下：

假设轨迹点为p1(lat1,lng1),p2(lat2,lng2)，由经纬度计算欧几里得距离公式：

其中，lat1和lat2分别为p1和p2的纬度，lng1和lng2分别为p1和p2的经度， D为计算所得的欧几里得距离，单位为m。

再根据速度公式：

D为距离，t为两点之间的时间戳之差。由公式计算出来v作为两点速度的估计值，即速度v₀＝v。设置速度的最大阈值v_max，本实施例中v_max的值设置为2m/s。如果某轨迹点处速度v₀大于阈值v_max，则认为该点为漂移点，需要去除该轨迹点 (查阅文献可知，行人的步行速度一般在1～1.8m/s之间)。

(2)去除冗余数据和停滞点：根据计算的相邻点的距离，设置距离阈值d_min，去除距离小于阈值的轨迹点；再通过DBSCAN聚类算法，分别设定聚类半径eps 和聚类数量阈值MinPts去除高密度区域的轨迹点数据，去除过程为，根据设定的聚类半径eps和聚类数量阈值MinPts，首先任选一个点，然后找到这个点距离小于等于eps的所有的点。如果找到的点数小于MinPts，则该点为噪声点，舍去。如果距离在eps之内的数据点个数大于MinPts，则这个点被标记为核心样本，分配一个新的簇标签，然后访问距离在eps之内的数据点，如果该点未被分配簇，那么就将刚刚创建的新的簇标签分配给它们。如果这个点是核心样本点，则再访问其他点，直到一个簇内没有更多的核心样本点为止。最后再选取另一个未被访问过的点，重复上述过程。该方法可以有效去除停滞点。具体实施如下：

根据上一步计算出的欧几里得距离D，根据多次试验，当D_min＝0.5m时，去除冗余数据的效果最佳，因此建议距离的最小阈值D_min建议设置为0.5m，当两个相邻点距离d<D_min时，认为该点为冗余数据，去除。使用DBSCAN算法，聚类对象的密度由聚类半径eps和聚类数量阈值MinPts来确定，通过聚类方法去除高密度区域内的所有轨迹点，只保留聚类中心。

(4)轨迹平滑：由于设备定位的误差，可能会使得轨迹点发生一定程度的偏移，故需要使用Savitzky-Golay(SG)平滑滤波对处理后的数据进行轨迹平滑， SG平滑滤波的核心思想是对一定长度窗口内的轨迹点进行k阶多项式拟合，是一种移动窗口的加权平均算法。具体实施如下：

Savitzky-Golay平滑滤波是一种移动窗口的加权平均算法，通过在滑动窗口内对给定高阶多项式的最小二乘法进行拟合得出。计算公式如下：

y＝a₀+a₁x+a₂x²+...+a_k-1x^k-1#(3)

Y_(2m+1)×1＝X_(2m+1)×1+E_(2m+1)×1#(4)

设滤波器窗口的宽度为n＝2m+1各测量点为x＝(-m,-m+1,0,m-1,m)，采用 k-1次多项式对窗口内的数据点进行拟合可以得到n个式(3)，用矩阵表示这n个式(3)即为式(4)，通过最小二乘法拟合确定拟合参数A，即为式(5)，所以Y的滤波值

即为式(6)。其中，a₀,a₁,a₂,...,a_k-1为待求参数，A为矩阵形式的待求参数， X为矩阵形式的x，x＝(-m,-m+1,0,m-1,m)，为各测量点，E为加入的干扰e的矩阵表示，Y为观测值，

为Y的滤波值

B为

与Y的相关系数。

步骤2：本部分采用基于增量式的方法构造行人道路网，该类算法是基于轨迹与图的匹配，分析不同的轨迹和现有路网之间的空间语义关系，不断的增量合并满足条件的轨迹，最终生成道路中心线的算法。

(1)首先对轨迹数据进行细化，将同一文件中时间间隔Δt超过5s的轨迹点分文件存储，将其视为不同段的轨迹。具体实施如下：

将轨迹点文件读入二维数组中，获取每个点的时间戳t，设置阈值t_max，计算相邻轨迹点的差值Δt，Δt大于5s则将第一个点和第二个点分开存储，循环执行每个轨迹点文件，直到每个轨迹点文件中只保存一段连续的轨迹路线为止。

(2)本部分将街道建模为R²的无向图，将轨迹数据建模成不同段的线性曲线。同时为每个点设置B(x,r)(以r为半径，x为中心的中心圆)作为缓冲区域。使用参数ε来表示道路宽度，同时也是用ε去除不同种类的噪声。使用Fréchet距离来测量输入的曲线和街道的相似性。将曲线映射到无向图中，假设曲线l的可划分为l[a₀,a₁，…a_k]，对其每个子线段l[a_j-1,a_j]映射到一个边e∈E的部分 X＝e[start,end]且δ_F(l[a_j-1，a_j],e[start,end])<＝ε或者如果没有这样的边存在，X＝null。当该子曲线映射到无向图的某条边e时，便称其为可匹配部分，否则认为该子曲线为不可匹配部分。当子曲线为可匹配部分时将其匹配到图中，当子曲线为不可匹配部分时，为其创建边和顶点。如果子线段l[a_j-1,a_j]中的顶点是两个不同的边 e_start，e_end的上的点或在缓冲区域内的点(B(x,r)内)，则可以将将子曲线的两个端点插入到e_start和e_end并建立连接；否则将该子线段作为新的边的起始点和末端点，并将其插入到顶点列表中。然后循环在对下一条曲线进行操作，直到所有的轨迹数据都处理完成。具体实施如下：

首先将原始街道网络建模成R²的无向图，其中不包含任何点和边，将轨迹点文件中的每个点的经纬度和时间戳使用二维数组进行存储，每个轨迹点计算出一个以点为中心，r为半径的缓冲区，r可进行人工赋值。将单个轨迹文件中的轨迹点集合建模成一条线性曲线。输入超参数ε表示街道宽度，同时作为去除不同类型的噪声的阈值。使用Fréchet距离来测量输入的曲线和街道的相似性。公式如下：

δ_F＝infmaxd[f(α(ε))，g(β(ε))]α，β，ε∈[0，1]#(7)

其中，ε为输入超参数，f(),g()为两条平面曲线，α()，β()是f,g单位区间的两个重参数化函数，d[]为欧几里得距离。

设Gi＝(Vi,Ei)为第i次迭代后的图，算法的示意图如4所示，具体的算法执行如下：

对于每一个轨迹段l∈I:

step1：尝试将轨迹段匹配到无向图中。

对于l[a₀,a₁，…,a_k]中的每个子曲线l[a_j-1,a_j]尝试映射到一个边e∈E的部分 X＝e[start,end]且δ_F(l[aj-1，aj],e[start,end])<＝ε，如果没有这样的边存在，X＝null。Fréchet距离来测量输入的曲线和街道的相似性技术已经十分成熟，在此不再赘述。

step2：创建/分割边并创建顶点。

从step1中得出l[a₀,a₁，…,a_k]中可以映射到X(e_start,e₁,…,e_end)中的顶点，将可以映射的点设为a_t-1,a_t，如果a_t∈X或者a_t∈B(x，r)，则将顶点插入到X中，不然将该子线段(a_t-1,a_t)作为新的边的起始点和末端点，并将其插入到顶点列表中。

step3：更新无向图并保存边和顶点。

用匹配的部分或者生成的边和点更新无向图，再将边和顶点保存到两个二维数组中，等待下一步操作。

(3)对相邻的轨迹点进行距离的计算，当两个轨迹点的距离超出150m时，认为是噪声干扰生成的路线，将该连接断开。再计算每个点和其他点的连接次数，如果一条边的两个点与其他点不互联，则认为该路线为干扰路段。如果一条边不与其他的边发生连接，所有的轨迹点都只与其前后相邻的点连接且该边的长度很短，也将其看作噪声点干扰产生的路线。具体实施如下：

对增量生成后的相邻的轨迹点通过经纬度计算欧几里得距离d，，根据多次试验，当d的值取150m时，试验效果最佳，故此处建议将d的值设置为150m，当d>150m时，认为两点生成的边是噪声导致的，将这条边删除。通过边文件给每个轨迹点增加一个连接次数属性。如果相邻两个点的连接次数都为1，则该路段是噪声点生成路段，将这条边删除。如果一条边上除首尾点，其他点的连接次数都为2且该边长度小于5m，则将该路段也看作噪声点生成路段，将该边删去。

步骤3：根据每个顶点与其他顶点的连接数将轨迹点分为道路点和交叉点。该部分有两种情况：如果某点连接数大于2，该点必为交叉点。如果某点为末端点，但该点位于其他路段的轨迹点的缓冲区内，则可认为这两条路段相交，该点也为交叉点。具体实施如下：

通过步骤2增加的连接数对轨迹点进行分类，分为道路点和交叉点两类，如果某点连接数属性大于2，该点必为交叉点；如果某点连接点属性为1，但该点在其他多个轨迹点的缓冲区内部，则认为该点是两段不同路段的相交点，视作交叉点。该分类判断情况如图5所示。对生成的路网进行可视化操作如图6所示。

步骤4：将生成的点文件和边文件进行格式转换，生成点和边的shp格式文件在ArcGIS中进行可视化，再将shp文件转换成kml文件与Goole Earth的基准地图进行叠加，直观的进行定性分析。具体实施如下：

首先根据边中相邻点的对于关系，将点的经纬度写入到边文件中，形成一个包含经纬度的边文件再通过ArcGIS将边文件所有的对应边都转成shp格式的线数据，将点文件转成shp格式的点数据。通过Goole Earth将已转换好的数据转成kml格式叠加到武汉大学的卫星地图上进行比较，可视化结果如图7所示。由图中可以直观地看出路网提取的完整性较高，各路段间的连通性较好。

步骤5：结果统计评估。将生成的行人路网与百度地图路网进行对比，统计覆盖率、有效道路点数、有效边数等指标进行定量分析，评估生成的路网质量，有效点：当生成的行人路网的道路点落在百度地图路网的道路点的缓冲区内则将该点视为有效点。有效边：两个有效点连接而成的边视为有效边。覆盖率：有效边的总长度除以生成路网的总长度。覆盖率、有效道路点数、有效边数等指标的统计表如表1所示：

表1覆盖率、有效道路点数、有效边数等指标的统计表

缓冲区半径/m	覆盖率	有效街道点数	有效边数
				5	76.98％	1364	2709
7	84.05％	1622	3202
				10	92.24％	1801	3480

本方法生成的路网共有1952个道路点，3866条边。当缓冲区半径为5m时，有效道路点数为1364个，有效道路边数为2709个，生成路网的覆盖率为76.98％；当缓冲区半径为7m时，有效道路点数为1622个，有效道路边数为3202个，生成路网的覆盖率为84.05％；当缓冲区半径为10m时，有效道路点数为1801个，有效边数为3480个，生成路网的覆盖率为92.24％。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。

Claims (7)

1.一种基于步行轨迹数据的行人路网增量式生成方法，其特征在于，包括以下步骤：

步骤1：对人行轨迹数据进行预处理：

1.1：人行轨迹数据的提取：从原始的gpx格式的轨迹点文件中将轨迹点信息读取出来，并对坐标点进行坐标系转换，再将转换后的坐标写入txt格式的新文件内，从而实现了gpx格式到txt格式的数据转换；

1.2：去除漂移点：通过txt格式数据中相邻点间的经纬度(lat,lng)和时间戳timestamp，计算两点间的距离D和记录间隔时间t，最终得到两点间的平均速度v，以平均速度作为轨迹点的速度v₀，设置速度的最大阈值v_max，v₀大于v_max时对应的轨迹点为漂移点，去除该漂移点；

1.3：去除冗余数据和停滞点：根据计算的相邻点的距离，设置距离阈值D_min，去除距离小于该距离阈值的轨迹点；再通过DBSCAN聚类算法，分别设定聚类半径eps和聚类数量阈值MinPts，任选一个点，找到该点距离小于等于eps的所有的点，若找到的点数小于MinPts，则该点为噪声点，舍去，同理，一一去除高密度区域的噪声点数据，只保留聚类中心；

1.4：轨迹平滑处理：采用SG平滑滤波对上述步骤1.1-1.3处理后的数据进行轨迹平滑处理，得到平滑轨迹点；

步骤2：基于增量式的方法构建人行道路网：

2.1：首先对轨迹数据进行细化，将同一文件中时间间隔Δt超过5s的平滑轨迹点分文件存储，将其视为不同段的轨迹；

2.2：将街道建模为R²的无向图，将轨迹数据建模成不同段的线性曲线；同时为每个平滑轨迹点设置B(x,r)，即以r为半径，x为中心的中心圆作为缓冲区域；

使用参数ε来表示道路宽度，使用Fréchet距离来测量输入的曲线和街道的相似性；

将曲线映射到无向图中，假设曲线l为l[a₀,a₁，…a_k]，对其每个子曲线l[a_j-1,a_j]映射到一个边e∈E的部分，即X＝e[start,end]且δ_F(l[a_j-1，a_j]，e[start,end])<＝ε，或者如果没有这样的边存在，即X＝null；

当该子曲线映射到无向图的某条边e时，便称其为可匹配部分，否则认为该子曲线为不可匹配部分；当子曲线为可匹配部分时将其匹配到图中，当子曲线为不可匹配部分时，为其创建边和顶点；

如果子曲线l[a_j-1,a_j]中的顶点是两个不同的边e₁、e₂上的点或在缓冲区域内的点，则将该子曲线的两个端点插入到e₁和e₂并建立连接；否则将该子曲线作为新的边的起始点和末端点，并将其插入到顶点列表中，然后循环在对下一条曲线进行操作，直到所有的轨迹数据都处理完成；

2.3：对相邻的轨迹点进行距离的计算，当两个轨迹点的距离超出预设距离时，则将该两个轨迹点形成的线段视为噪声干扰生成的路线，再计算每个点和其他点的连接次数，如果一条边的两个点与其他点不互联，则认为该边对应的路线为干扰路段，如果一条边不与其他的边发生连接，所有的轨迹点都只与其前后相邻的点连接且该边的长度很短，则将其视为噪声点干扰产生的路线；将干扰生成的路段的连接断开；

步骤3：采用附加连接数属性对每个轨迹点分类：

根据每个轨迹点与其他轨迹点的连接数将轨迹点分为道路点和交叉点，如果某轨迹点连接数大于2，该轨迹点必为交叉点，如果某轨迹点连接数为1，即该轨迹点为末端点，且该轨迹点位于其他路段的轨迹点的缓冲区内，则认为这两条路段相交，该轨迹点也为交叉点，其他情况的轨迹点为到道路点；

步骤4：行人路网可视化：

上述点和边分别形成点文件和边文件，将生成的点文件和边文件进行格式转换，生成点和边的shp格式文件，并在ArcGIS中进行可视化，再将shp文件转换成kml文件与GooleEarth的基准地图进行叠加，直观的进行定性分析；

步骤5：结果统计评估：

将生成的行人路网与百度地图路网进行对比，评估生成的路网质量。

2.根据权利要求1所述的基于步行轨迹数据的行人路网增量式生成方法，其特征在于：步骤1.1中，所述轨迹点信息包括各轨迹点的编号、经纬度和时间戳。

3.根据权利要求1所述的基于步行轨迹数据的行人路网增量式生成方法，其特征在于：步骤1.2中，所述距离D为欧几里得距离，假设两个轨迹点为p1(lat1,lng1),p2(lat2,lng2)，则由经纬度计算该欧几里得距离公式为：

其中，lat1和lat2分别为p1和p2的纬度，lng1和lng2分别为p1和p2的经度，a＝lat1-lat2为两点纬度之差，b＝lng1-lng2为两点经度之差，D为计算所得的欧几里得距离，单位为m。

4.根据权利要求1所述的基于步行轨迹数据的行人路网增量式生成方法，其特征在于：步骤2中，增量式的方法构建人行道路网操作是指，利用地图匹配的思想，插入初始空地图来构建无向图，再将一条条轨迹不断进行融合，最终生成完整路网。

5.根据权利要求1所述的基于步行轨迹数据的行人路网增量式生成方法，其特征在于：步骤2.2中得到相似性的过程如下：

将原始街道网络建模成R²的无向图，其中不包含任何点和边，将轨迹点文件中的每个点的经纬度和时间戳使用二维数组进行存储，将单个轨迹文件中的轨迹点集合建模成一条线性曲线，使用Fréchet距离来测量输入的曲线和街道的相似性δ_F，公式如下：

δ_F＝inf max d[f(α(ε))，g(β(ε))]α，β，ε∈[0，1]

其中，ε为输入超参数，f(),g()为两条平面曲线，α(),β()是f,g单位区间的两个重参数化函数，d[]为欧几里得距离。

6.根据权利要求1所述的基于步行轨迹数据的行人路网增量式生成方法，其特征在于：步骤4中使用百度地图路网作为定量分析的对象，获取各道路点的缓冲半径内本位提取的路网与百度路网两者互相匹配的路网集合。

7.根据权利要求1所述的基于步行轨迹数据的行人路网增量式生成方法，其特征在于：步骤5中，评估生成的路网质量的评价指标包括计算覆盖率、有效轨迹点数和有效边数，通过所述评价指标对生成路网进行定量分析。

Images