CN115481207A - 基于浮动车卫星定位数据的轨迹重构方法 - Google Patents
基于浮动车卫星定位数据的轨迹重构方法 Download PDFInfo
- Publication number
- CN115481207A CN115481207A CN202210899716.4A CN202210899716A CN115481207A CN 115481207 A CN115481207 A CN 115481207A CN 202210899716 A CN202210899716 A CN 202210899716A CN 115481207 A CN115481207 A CN 115481207A
- Authority
- CN
- China
- Prior art keywords
- point
- satellite positioning
- floating car
- projection
- positioning data
- 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
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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
-
- 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
- G06F16/23—Updating
- G06F16/2308—Concurrency control
- G06F16/2315—Optimistic concurrency control
- G06F16/2322—Optimistic concurrency control using timestamps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明涉及一种基于浮动车卫星定位数据的轨迹重构方法,包括以下步骤:处理存在错误和误差的输入卫星定位数据;基于隐马尔可夫模型将浮动车卫星定位数据精确匹配到道路中心线上;依据地图匹配方法处理浮动车卫星定位数据获得离散浮动车轨迹数据;结合插值算法和一致性约束提出平滑重构离散的匹配后卫星定位数据。本发明使通过卫星定位系统获得的卫星定位数据能够得到有效的利用,促进了交通状态预测、交通管理控制等领域的发展。
Description
技术领域
本发明涉及一种基于浮动车卫星定位数据的轨迹重构方法,属于交通工程领域。
背景技术
近年来智慧交通正在不断发展。其和通信、计算机科学等领域的交叉发展过程,产生了大量的交通轨迹数据。其中浮动车技术因为其较低的成本,成为了主要的轨迹数据采集方法。浮动车技术利用车载GPS(全球卫星定位系统)设备获取车辆的位置、速度、加速度信息,使得全球卫星定位数据成为车辆轨迹数据的重要来源。
GPS获取的轨迹数据不可避免地因为车辆周围环境、城市建筑遮挡和通讯讯号干扰等因素,导致获取的车辆位置数据存在误差。同时因为经济技术的限制,只能获得离散的车辆位置信息。这导致GPS数据存在低精度和低采样率的问题,从而使得大量的GPS轨迹数据没有得到有效的利用。
尽管GPS数据的低精度和低采样率导致浮动车技术采集的轨迹数据质量不如目前最新的轨迹数据采集技术,但是利用浮动车采集的数据进行轨迹重构研究依然有其应用价值和必要性。因此,设计一种方法处理GPS数据存在的低精度和低采样率问题,从而充分地、科学地利用浮动车采集的GPS车辆轨迹数据是非常有意义且有必要的。
发明内容
本发明提供一种基于浮动车卫星定位数据的轨迹重构方法,处理存在错误和误差的输入卫星定位数据;基于隐马尔可夫模型将浮动车卫星定位数据精确匹配到道路中心线上;依据地图匹配方法处理浮动车卫星定位数据获得离散浮动车轨迹数据;结合插值算法和一致性约束提出平滑重构离散的匹配后卫星定位数据;使通过卫星定位系统获得的卫星定位数据能够得到有效的利用,提升了对浮动车卫星定位数据进行轨迹重构的精度,获得了连续平滑的重构轨迹数据,促进交通状态预测、交通管理控制等领域的发展。
本发明解决其技术问题所采用的技术方案是:
一种对浮动车卫星定位数据进行轨迹重构的方法,包括以下步骤:
S1、数据处理,包括电子地图获取和浮动车卫星定位数据处理。
S2、将卫星定位点数据垂直投影到距离卫星定位点dk范围内的路段上,获得多个在道路中心线上的投影点;
S4、根据各个状态的输出观测概率和状态转移概率建立最短路问题,构建最短路问题搜索图模型;
S5、求解构建出的搜索图中从源点到终点的最短路径,将最短路径节点输出,获得地图匹配序列;
S6、利用地图匹配算法将路段上的浮动车卫星定位数据匹配到路段上,获得匹配后的浮动车轨迹数据,计算投影点距离路段起点的距离;
S7、利用轨迹重构算法对车辆轨迹进行重构,获得基于浮动车卫星定位数据的连续平滑的车辆轨迹数据。
进一步的,S1中,电子地图包括道路位置信息、道路拓扑信息和道路等级信息。
进一步的,在S2中,将两个电子地图定位点作为路段,将浮动车卫星定位数据投影到距离电子地图两端点均小于距离dk的路段上。投影点必须落在路段上,落在路段所在线段延长线上的投影结果不被选取作为投影点。
进一步的,在S3中,本发明将传统输出观测概率和状态转移概率计算模型从高斯分布和复杂的概率密度函数模型改为一下简化模型:
计算投影点的输出观测概率模型为:
计算投影点的状态转移概率模型为:
式(2)中的β计算方式为:
其中表示投影点到投影点的最短距离,δ(zi-1,zi)表示浮动车卫星定位点zi-1到下一个定位点zi的地球大圈距离,α是0到1之间的一个值,用它来控制节点成本和边成本之间的权重,d表示浮动车卫星定位点到相应投影点的地球大圈距离上界,t表示投影点之间的最短距离与浮动车卫星定位点之间的地球大圈距离比值的可接受临界值。
进一步的,S4中,搜索图的节点由投影点构成,搜索图的边由投影点到投影点之间的路径构成,搜索图的节点成本是投影点的输出观测概率值,搜索图的边成本是投影点的状态转移概率值。
进一步的,S5中,将求解隐马尔可夫模型的求解算法由Viterbi算法改进为双向Dijkstra算法,进一步加快单源最短路径问题的求解速度。源点是第一个浮动车卫星定位点的所有潜在投影点形成的集合,终点是最后一个浮动车定位点的所有潜在投影点形成的集合,利用双向Dijkstra算法得到距离最小的投影点序列就是卫星定位点匹配到道路中线上的匹配序列,算法目标函数为:
最终每一个卫星定位点有且只有一个对应的投影点,包括源点和终点。
进一步的,S7中,基于基础的两点三次Hermite插值重构算法,提出利用分段Hermite插值进行轨迹重构。基于局部加权多项式回归思想,提出局部多项式回归插值重构算法。
两点三次Hermite插值函数为:
H3(t)=y0α0(t)+y1α1(t)+m0β0(t)+m1β1(t) (6)
其中y0和y1是点x0和点x1处的函数值,m0和m1是点x0和点x1处的一阶导数值,α0(t),α1(t),β0(t)和β1(t)是用于构造插值函数的基函数,基函数形式分别为:
其中式(7)(8)(9)(10)中的t0,t1表示浮动车卫星定位点投影点x0和x1的记录时间。
分段Hermite插值函数利用G函数计算结果替换式(6)中的m0和m1,G函数形式为:
Δi-1计算方法为:
α计算方法为:
hi计算方法为:
其中ti是浮动车卫星定位点记录的时间,xi是浮动车卫星定位投影点到路段起点的路径距离。
分段Hermite插值重构算法插值函数形式为:
对于边界点的处理如下::
局部多项式回归插值算法的目标函数为:
其中βi为插值函数各阶次系数,d表示插值函数最高阶次。局部多项式回归插值算法中引入滑动窗口参数w和最高阶次参数d,对于滑动窗口大小和最高阶次参数的基本选择策略是,结合贪婪思想,每一次回归在滑动窗口大小和最高阶次参数的组合中进行选择。对于每一种选择,计算其平均绝对误差,计算公式为:
每次选取MAE值最小的滑动窗口和最高阶次组合,当存在多个相等的MAE值时,选择所有最小MAE值对应组合中阶次最高的组合。
通过以上技术方案,相对于现有技术,本发明具有以下有益效果:
本发明提供的基于浮动车卫星定位数据的轨迹重构方法,综合考虑了卫星定位系统误差、驾驶员逆行驾驶行为、多噪声输入数据对地图匹配的影响,综合考虑了物理一致性约束、驾驶员的不同驾驶行为、轨迹单调性约束对轨迹重构的影响,再将这些因素综合考虑到地图匹配和轨迹插值两大块算法中,结合地图匹配和轨迹插值算法提出一种轨迹重构方法,使得提供的重构方法能够适应多噪声、复杂的、多变的应用场景,提高了轨迹重构算法的效率和轨迹重构结果的合理性,为交通管理与控制、交通状态预测与分析提供了大量有效的分析数据。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明提供的基于浮动车卫星定位数据的轨迹重构方法流程图;
图2是本发明提供的浮动车轨迹数据数据处理流程图;
图3是本发明提供的局部多项式回归插值重构算法流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1所示,基于浮动车卫星定位数据的轨迹重构方法分为以下七个步骤,具体实施方案结合具体案例描述如下:
第一步,数据处理,包括电子地图获取和浮动车卫星定位数据处理。电子地图中包含道路位置信息、道路拓扑信息和道路等级等其他信息。本发明案例说明的电子地图基于OpenStreetMap开源地图项目的电子地图数据,利用OSM提供的Overpass工具获取深圳市部分城市路网的道路基本信息,包括道路等级等等,利用GIS工具提取其中的路网坐标信息和路网拓扑信息,生成三个文件:路段坐标点信息文件、路网最短路矩阵文件、路网坐标点索引文件。
浮动车卫星定位数据处理步骤如下:
步骤1:利用车牌号字段分车辆提取原始数据,并依据年月日时分秒数据生成时间戳字段;
步骤2:将各车辆的轨迹数据按照时间戳字段进行升序排列。将相邻轨迹点之间时间跨度大于200秒的数据进行分段;
步骤3:最后由于轨迹数据中存在一定量的重复数据,这些重复数据的重复字段不尽相同,主要可以分为两大类。一类是时间戳、经度、纬度三个字段都相同的数据,另一类是仅经度和纬度数据两个字段相同的数据。对于第一类重复数据进行取独处理,对于第二类数据不进行处理;
步骤4:本发明利用重采样技术对集聚的浮动车卫星定位数据进行处理,处理方法为计算两个相邻浮动车卫星定位点之间的实际距离,当两点之间的地球大圈距离小于阈值15m时就将后一个数据剔除。直到找到一个轨迹点与该点的距离大于阈值,则将这一个轨迹点作为重采样点,并将其作为基准重复前述过程。
经过上述处理后的数据构成如表1所示:
表1
第二步,将卫星定位点数据垂直投影到距离卫星定位点dk=300m范围内的路段上,获得多个在道路中心线上的投影点。依据两个电子地图的道路中心线定位点构成的线段,搜索待投影轨迹点是否能够投影到该线段上。步骤如下:
步骤1:搜索电子地图中两个端点与待投影轨迹点距离均小于300m的路段;
步骤2:将待投影轨迹点垂直投影到搜索到的路段所在的直线上,判断投影点是否在路段上;
步骤3:如果投影点在路段上,且投影点距离路段的小于50m则认为是合理的投影点,否则投影结果无效。
第四步,根据各个状态的输出观测概率和状态转移概率建立最短路问题,构建最短路问题搜索图模型。搜索图的节点由投影点构成,搜索图的边由投影点到投影点之间的路径构成,搜索图的节点成本是投影点的输出观测概率值,搜索图的边成本是投影点的状态转移概率值。
第五步,求解构建出的搜索图中从源点到终点的最短路径,将最短路径节点输出,获得地图匹配序列。双向Dijkstra算法是基于Dijkstra算法的改进。双向Dijkstra算法具体方法描述为:
步骤1:声明一个集合s储存源点和已经确定了最短路径的顶点。对于图中任一未收录的顶点V,更新从源点到达该顶点的距离和路径;
步骤2:将其中路径仅仅只经过集合s中储存的顶点,直到所有的顶点都进入集合s;
步骤3:将终点也视为一个源点,对其进行步骤1和步骤2的操作;
步骤4:当两个方向第一次相遇的时候,获得一条候选的最短路径,继续对于顶点进行拓展,直到所有的候选路径都被找到,
步骤5:选取所有候选路径中最短的路径,算法结束。
第六步,利用地图匹配算法将路段上的浮动车卫星定位数据匹配到路段上,获得匹配后的浮动车轨迹数据,计算投影点距离路段起点的距离。具体处理步骤如下:
步骤1:获取对应实验路网的轨迹数据集。具体方法是基于QGIS软件,利用其地理信息处理工具箱中的按范围提取功能,提取实验路段周围50m以内的浮动车轨迹数据。获得32337条浮动车轨迹数据。
步骤2:对于试验路段附近的浮动车轨迹数据按照第一步中对聚集轨迹数据处理的方法进行降噪处理。然后按车牌号分组,筛选样本量大于20条的数据集,获得分车辆轨迹数据集157个。
步骤3:对于分车辆轨迹数据集进一步划分,按照时间戳升序排列后,将时间间隔大于200s的车辆轨迹数据前后划分成两条轨迹数据集。并筛选出轨迹条数大于10条的样本。获得划分数据集174个。
步骤4:利用基于隐马尔可夫模型的地图匹配算法将174个划分数据集投影到实验路段上。获得数据集122个(部分数据集在路段上存在掉头行为导致无法获得合理的投影序列,并因此被删除了)。
步骤5:分方向提取轨迹点数据,并计算投影点距离路段方向起点的距离,从而获取将车辆轨迹位置二维信息转化为一维的位置信息。筛选样本量大于10的数据集,获得单方向数据集31个(部分数据集因为在路段上存在逆行行为而被删除了轨迹点,导致样本量小于10从而被删除了)。
经过上述5个步骤最终获得了车流量时空轨迹平滑重构部分的原始输入数据。数据如表1所示:
表2
第七步,利用轨迹重构算法对车辆轨迹进行重构,获得基于浮动车卫星定位数据的连续平滑的车辆轨迹数据。
两点三次Hermite插值重构方法利用式(6)(7)(8)(9)(10)进行重构,在两个相邻的卫星定位数据之间按照间隔1s进行插值。当两个相邻的定位点插值结束后,进行下一个间隔的插值。
分段Hermite插值重构方法先利用式(15)、(16)和(17)计算每个浮动车卫星定位点的一阶导数,然后按照两点三次Hermite插值重构方法进行轨迹重构。
局部多项式回归插值重构算法步骤如图3所示,具体描述为:
步骤1:选择候选回归阶次d再选择滑动窗口w大小形成组合,回归阶次集合为{1,2,3},滑动窗口大小集合为{2,3,4,5,6,7,8,9};
步骤2:利用所选参数进行回归,计算回归结果的MAE值;
步骤3:如果滑动窗口大小中的所有窗口大小都被选取,则选择回归阶次集合中的下一个阶次,重复步骤2直到回归阶次集合也被遍历结束;
步骤4:从所有组合中选择MAE值最小的组合;
步骤5:按最小的MAE组合进行插值,插值间隔为1s。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。
本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于浮动车卫星定位数据的轨迹重构方法,其特征在于:包括以下步骤:
S1、数据处理,包括电子地图获取和浮动车卫星定位数据处理;
S2、将卫星定位点数据垂直投影到距离卫星定位点dk范围内的路段上,获得多个在道路中心线上的投影点;
S4、根据各个状态的输出观测概率和状态转移概率建立最短路问题,构建最短路问题搜索图模型;
S5、求解构建出的搜索图中从源点到终点的最短路径,将最短路径节点输出,获得地图匹配序列;
S6、利用地图匹配算法将路段上的浮动车卫星定位数据匹配到路段上,获得匹配后的浮动车轨迹数据,计算投影点距离路段起点的距离;
S7、利用轨迹重构算法对车辆轨迹进行重构,获得基于浮动车卫星定位数据的连续平滑的车辆轨迹数据。
2.根据权利要求1所述的基于浮动车卫星定位数据的轨迹重构方法,其特征在于:在S1中,电子地图包括道路位置信息、道路拓扑信息和道路等级信息。
3.根据权利要求1所述的基于浮动车卫星定位数据的轨迹重构方法,其特征在于:在S2中,将两个电子地图定位点作为路段,将浮动车卫星定位数据投影到距离电子地图两端点均小于距离dk的路段上。
4.根据权利要求1所述的基于浮动车卫星定位数据的轨迹重构方法,其特征在于:在S3中,计算投影点的输出观测概率模型为:
计算投影点的状态转移概率模型为:
式(2)中的β计算方式为:
5.根据权利要求1所述的基于浮动车卫星定位数据的轨迹重构方法,其特征在于:S4中,搜索图的节点由投影点构成,搜索图的边由投影点到投影点之间的路径构成,搜索图的节点成本是投影点的输出观测概率值,搜索图的边成本是投影点的状态转移概率值。
7.根据权利要求1所述的基于浮动车卫星定位数据的轨迹重构方法,其特征在于:S7中,轨迹重构方法包括三种不同的算法,分别是两点三次Hermite插值重构算法,局部多项式回归插值重构算法,分段Hermite插值重构算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210899716.4A CN115481207A (zh) | 2022-07-28 | 2022-07-28 | 基于浮动车卫星定位数据的轨迹重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210899716.4A CN115481207A (zh) | 2022-07-28 | 2022-07-28 | 基于浮动车卫星定位数据的轨迹重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115481207A true CN115481207A (zh) | 2022-12-16 |
Family
ID=84422240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210899716.4A Pending CN115481207A (zh) | 2022-07-28 | 2022-07-28 | 基于浮动车卫星定位数据的轨迹重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115481207A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116147636A (zh) * | 2023-04-20 | 2023-05-23 | 甘肃省公安厅 | 基于地理空间的最佳距离自动寻路计算方法 |
CN116430423A (zh) * | 2023-06-13 | 2023-07-14 | 广州悦跑信息科技有限公司 | 一种运动数据中卫星导航定位轨迹点坐标方法 |
-
2022
- 2022-07-28 CN CN202210899716.4A patent/CN115481207A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116147636A (zh) * | 2023-04-20 | 2023-05-23 | 甘肃省公安厅 | 基于地理空间的最佳距离自动寻路计算方法 |
CN116430423A (zh) * | 2023-06-13 | 2023-07-14 | 广州悦跑信息科技有限公司 | 一种运动数据中卫星导航定位轨迹点坐标方法 |
CN116430423B (zh) * | 2023-06-13 | 2023-08-29 | 广州悦跑信息科技有限公司 | 一种运动数据中卫星导航定位轨迹点坐标修正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
CN115481207A (zh) | 基于浮动车卫星定位数据的轨迹重构方法 | |
JP5833567B2 (ja) | デジタル地図におけるネットワーク生成のための時間および/または正確度に依存した重み | |
CN110008872B (zh) | 一种结合车辆轨迹和遥感图像的路网提取方法 | |
CN112015835B (zh) | Geohash压缩的地图匹配方法 | |
CN108286979B (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 | |
CN106227726B (zh) | 一种基于车辆轨迹数据的路径提取方法 | |
CN111189459B (zh) | 一种定位信息与道路匹配的方法和装置 | |
CN108427965A (zh) | 一种基于路网聚类的热点区域挖掘方法 | |
CN106197460B (zh) | 一种应用gps出行数据进行出行目的地预测的方法 | |
US20100305850A1 (en) | Vehicle Route Representation Creation | |
CN112017436B (zh) | 城市市内交通旅行时间的预测方法及系统 | |
CN113723715B (zh) | 公交线网自动匹配道路网络方法、系统、设备及存储介质 | |
CN114450557B (zh) | 路线偏差量化及基于此的车辆路线学习 | |
CN110736471B (zh) | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 | |
Ozdemir et al. | A hybrid HMM model for travel path inference with sparse GPS samples | |
KR20200023697A (ko) | 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체 | |
CN114440900A (zh) | 改进的隐马尔科夫模型地图匹配方法及装置 | |
Rupi et al. | Evaluating cyclist patterns using GPS data from smartphones | |
Nikolić et al. | Implementation of generic algorithm in map-matching model | |
CN111461426A (zh) | 一种基于深度学习的高精度行程时长预测方法 | |
CN114238542A (zh) | 多源交通gis路网多层级实时融合更新方法 | |
CN108022006B (zh) | 一种数据驱动的可达性概率和区域生成方法 | |
CN115081505A (zh) | 一种基于步行轨迹数据的行人路网增量式生成方法 | |
CN114973657A (zh) | 基于轨迹数据的城市交通噪声污染分析与评估方法 |
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 |