CN107798079A - 基于车辆轨迹数据的路段拼接方法及*** - Google Patents
基于车辆轨迹数据的路段拼接方法及*** Download PDFInfo
- Publication number
- CN107798079A CN107798079A CN201710944271.6A CN201710944271A CN107798079A CN 107798079 A CN107798079 A CN 107798079A CN 201710944271 A CN201710944271 A CN 201710944271A CN 107798079 A CN107798079 A CN 107798079A
- Authority
- CN
- China
- Prior art keywords
- section
- data
- cluster
- result
- angle
- 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.)
- Granted
Links
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供的基于车辆轨迹数据的路段拼接方法及***,方法为:实时获取道路上各种车辆的定位数据;对定位数据进行聚类分析,完成有向聚类,得到聚类结果,聚类结果中每类的定位数据为点数据;根据聚类结果,进行道路拟合处理,得到拼接后的路线:将聚类结果中的点数据拼接成路段数据;将路段数据拼接成路线数据,得到拼接后的路线,实现对定位数据的拼接。本发明提供的基于车辆轨迹数据的路段拼接方法及***,基于海量车辆定位数据信息,将定位数据从点经聚类处理得到路段,再将路段进行拼接形成路线,通过上述方式拼接的路线,精度高,速度快,自动化程度高。
Description
技术领域
本发明涉及大数据处理领域,尤其涉及基于车辆轨迹数据的路段拼接方法及***领域。
背景技术
近年来随着导航应用的普及以及导航事业的快速发展,人们对导航地图的精度和现势性提出了更高的需求,然而传统导航电子地图生产和更新模式已经难以满足应用的需求,逐渐成为制约导航***发展和应用的瓶颈。
传统导航地图生产方式主要有两种,即利用车路面行驶采集和利用遥感卫星影像或航空摄影测量卫片采集。第一种方式是各导航数据生产公司普遍采用,更新速度较快,但是更新成本较高;第二种方式主要适用于大面积作业,但是仍然具有成本较高,无法采集细部属性信息的缺点。基于上述传统导航的生成方式,在现有技术中,通常都是基于车辆轨迹数据进行道路情况分析,道路规划等,对于导航地图的生成,通常都是利用车辆轨迹数据按照预定的路线规划模板进行拼接,通过人工的方式进行修正,不但人工工作量大,而且影响拼接精度和自动化程度。
因此,现有技术中的缺陷是:现有的路径拼接方式,拼接精度低,速度慢,自动化程度低。
发明内容
针对上述技术问题,本发明提供一种基于车辆轨迹数据的路段拼接及***,基于海量车辆定位数据信息,将定位数据从点经聚类处理得到路段,再将路段进行拼接形成路线,通过上述方式拼接的路线,精度高,速度快,自动化程度高。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供了一种基于车辆轨迹数据的路段拼接方法,包括:
步骤S1,实时获取道路上各种车辆的定位数据;
步骤S2,对所述定位数据进行聚类分析,完成有向聚类,得到聚类结果,所述聚类结果中每类的定位数据为点数据;
步骤S3,根据所述聚类结果,进行道路拟合处理,得到拼接后的路线:
将所述聚类结果中的点数据拼接成路段数据;
将所述路段数据拼接成路线数据,得到拼接后的路线,实现对所述定位数据的拼接。
本发明提供的基于车辆轨迹数据的路段拼接方法,其技术方案为:实时获取道路上各种车辆的定位数据;对所述定位数据进行聚类分析,完成有向聚类,得到聚类结果,所述聚类结果中每类的定位数据为点数据;根据所述聚类结果,进行道路拟合处理,得到拼接后的路线:将所述聚类结果中的点数据拼接成路段数据;将所述路段数据拼接成路线数据,得到拼接后的路线,实现对所述定位数据的拼接。
本发明基于车辆轨迹数据的路段拼接方法,基于海量车辆定位数据信息,将定位数据从点经聚类处理得到路段,再将路段进行拼接形成路线,通过上述方式拼接的路线,精度高,速度快,自动化程度高。
进一步地,所述步骤S3,具体包括:
聚类预处理子步骤:
将所述聚类结果中有共同边界点的类进行合并或关系建立,得到处理后的路段点数据;
拼接处理子步骤:
根据所述处理后的路段点数据的起点和方向角度,通过中心点画线法将所述处理后的路段点数据进行画线,得到第一待拼接路段;
对所述第一待拼接路段进行过滤处理,包括剔除错误方向和冗余线路,得到第二待拼接路段;
对所述第二待拼接路段进行线线拼接,得到拼接后的路线。
进一步地,所述聚类预处理子步骤中,所述将所述聚类结果中有共同边界点的类进行合并或关系建立,具体为:
对所述聚类结果中有共同边界点的类的角度标识进行判断,得到角度标识结果,并根据所述角度标识结果对所述聚类结果中有共同边界点的类进行合并或关系建立,所述角度标识为所述聚类结果中全体点的方向标识。
进一步地,对所述聚类结果中有共同边界点的类的角度标识进行判断,得到角度标识结果,并根据所述角度标识结果对所述聚类结果中有共同边界点的类进行合并或关系建立,具体为:
当所述角度标识结果为所述聚类结果中有共同边界点的角度标识一致,判定所述聚类结果中有共同边界点对应的两条道路的关系为同一条路段,将所述两条道路合并,并生成一个新的类编号,所述新的类编号区别于所述聚类结果中有共同边界点的类对应的编号;
当所述角度标识结果为所述聚类结果中有共同边界点的角度标识不一致,且不是相反方向的角度,则所述共同边界点为转弯点,判定所述聚类结果中有共同边界点对应的两条道路的关系为相互交叉、分支和弯道中的至少一种;
当所述角度标识结果为所述聚类结果中有共同边界点的角度标识不一致,且角度方向相反,判定所述聚类结果中有共同边界点对应的两条道路的关系为同一条道路的两个方向,将所述两条道路合并为一条路段。
进一步地,所述根据所述处理后的路段点数据的起点和方向角度,通过中心点画线法将所述处理后的路段点数据进行画线,得到第一待拼接路段,具体为:
根据所述处理后的路段点数据的起点和方向角度,计算矩形区域;
从所述起点开始计算划定所述矩形区域内的中心点,依次移动计算,直到所述处理后的路段点数据的终点,得到第一待拼接路段。
第二方面,本发明提供一种基于车辆轨迹数据的路段拼接***,包括:
定位数据获取模块,用于实时获取道路上各种车辆的定位数据;
聚类分析模块,用于对所述定位数据进行聚类分析,完成有向聚类,得到聚类结果,所述聚类结果中每类的定位数据为点数据;
路段拼接模块,用于根据所述聚类结果,进行道路拟合处理,得到拼接后的路线:
将所述聚类结果中的点数据拼接成路段数据;
将所述路段数据拼接成路线数据,得到拼接后的路线,实现对所述定位数据的拼接。
本发明提供的基于车辆轨迹数据的路段拼接***,其技术方案为:通过定位数据获取模块,实时获取道路上各种车辆的定位数据;通过聚类分析模块,对所述定位数据进行聚类分析,完成有向聚类,得到聚类结果,所述聚类结果中每类的定位数据为点数据;通过路段拼接模块,根据所述聚类结果,进行道路拟合处理,得到拼接后的路线:将所述聚类结果中的点数据拼接成路段数据;将所述路段数据拼接成路线数据,得到拼接后的路线,实现对所述定位数据的拼接。
本发明基于车辆轨迹数据的路段拼接***,基于海量车辆定位数据信息,将定位数据从点经聚类处理得到路段,再将路段进行拼接形成路线,通过上述方式拼接的路线,精度高,速度快,自动化程度高。
进一步地,所述路段拼接模块包括聚类预处理子模块和拼接处理子模块;
所述聚类预处理子模块,具体用于:
将所述聚类结果中有共同边界点的类进行合并或关系建立,得到处理后的路段点数据;
所述拼接处理子模块,具体用于:
根据所述处理后的路段点数据的起点和方向角度,通过中心点画线法将所述处理后的路段点数据进行画线,得到第一待拼接路段;
对所述第一待拼接路段进行过滤处理,包括剔除错误方向和冗余线路,得到第二待拼接路段;
对所述第二待拼接路段进行线线拼接,得到拼接后的路线。
进一步地,所述聚类预处理子模块,具体用于:将所述聚类结果中有共同边界点的类进行合并或关系建立:
对所述聚类结果中有共同边界点的类的角度标识进行判断,得到角度标识结果,并根据所述角度标识结果对所述聚类结果中有共同边界点的类进行合并或关系建立,所述角度标识为所述聚类结果中全体点的方向标识。
进一步地,所述聚类预处理子模块,具体用于:对所述聚类结果中有共同边界点的类的角度标识进行判断,得到角度标识结果,并根据所述角度标识结果对所述聚类结果中有共同边界点的类进行合并或关系建立:
当所述角度标识结果为所述聚类结果中有共同边界点的角度标识一致,判定所述聚类结果中有共同边界点对应的两条道路的关系为同一条路段,将所述两条道路合并,并生成一个新的类编号,所述新的类编号区别于所述聚类结果中有共同边界点的类对应的编号;
当所述角度标识结果为所述聚类结果中有共同边界点的角度标识不一致,且不是相反方向的角度,则所述共同边界点为转弯点,判定所述聚类结果中有共同边界点对应的两条道路的关系为相互交叉、分支和弯道中的至少一种;
当所述角度标识结果为所述聚类结果中有共同边界点的角度标识不一致,且角度方向相反,判定所述聚类结果中有共同边界点对应的两条道路的关系为同一条道路的两个方向,将所述两条道路合并为一条道路。
进一步地,所述拼接处理子模块,具体用于:根据所述处理后的路段点数据的起点和方向角度,通过中心点画线法将所述处理后的路段点数据进行画线,得到第一待拼接路段:
根据所述处理后的路段点数据的起点和方向角度,计算矩形区域;
从所述起点开始计算划定所述矩形区域内的中心点,依次移动计算,直到所述处理后的路段点数据的终点,得到第一待拼接路段。
与现有技术相比,本发明的有益效果是:
基于海量车辆定位数据信息,将定位数据从点经聚类处理得到路段,再将路段进行拼接形成路线,通过上述方式拼接的路线,精度高,速度快,自动化程度高。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1示出了本发明实施例所提供的一种基于车辆轨迹数据的路段拼接方法的流程图;
图2A示出了本发明实施例所提供的一种基于车辆轨迹数据的路段拼接方法中异常分析前定位数据的示意图;
图2B示出了本发明实施例所提供的一种基于车辆轨迹数据的路段拼接方法中异常分析后定位数据的示意图;
图3示出了本发明实施例所提供的一种基于车辆轨迹数据的路段拼接方法的聚类结果示意图;
图4示出了本发明实施例所提供的一种基于车辆轨迹数据的路段拼接方法中拥有共同边界点的类进行合并或关系建立的示意图;
图5示出了本发明实施例所提供的一种基于车辆轨迹数据的路段拼接方法的中心点画线示意图;
图6A示出了本发明实施例所提供的一种基于车辆轨迹数据的路段拼接方法中方向错误线路的示意图;
图6B示出了本发明实施例所提供的一种基于车辆轨迹数据的路段拼接方法中冗余线路的示意图;
图7示出了本发明实施例所提供的一种基于车辆轨迹数据的路段拼接方法中线线拼接示意图;
图8示出了本发明实施例所提供的一种基于车辆轨迹数据的路段拼接方法中平滑处理示意图;
图9示出了本发明实施例所提供的一种基于车辆轨迹数据的路段拼接***的示意图;
图10示出了本发明实施例所提供的一种基于车辆轨迹数据的路段拼接方法及***中的道路相似性比较示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
实施例一
图1示出了本发明实施例所提供的一种基于车辆轨迹数据的路段拼接方法的流程图;如图1所示,实施例一提供的一种基于车辆轨迹数据的路段拼接方法,包括:
步骤S1,实时获取道路上各种车辆的定位数据;其中各种车辆包括道路上行驶的各种车辆,比如出租车、公交车和私家车,通过车辆上的GPS采集各个车辆上的定位数据。
步骤S2,对定位数据进行聚类分析,完成有向聚类,得到聚类结果,聚类结果中每类的定位数据为点数据;
步骤S3,根据聚类结果,进行道路拟合处理,得到拼接后的路线:
将聚类结果中的点数据拼接成路段数据;
将路段数据拼接成路线数据,得到拼接后的路线,实现对定位数据的拼接。
本发明提供的基于车辆轨迹数据的路段拼接方法,其技术方案为:实时获取道路上各种车辆的定位数据;对定位数据进行聚类分析,完成有向聚类,得到聚类结果,聚类结果中每类的定位数据为点数据;根据聚类结果,进行道路拟合处理,得到拼接后的路线:将聚类结果中的点数据拼接成路段数据;将路段数据拼接成路线数据,得到拼接后的路线,实现对定位数据的拼接。
本发明基于车辆轨迹数据的路段拼接方法,基于海量车辆定位数据信息,将定位数据从点经聚类处理得到路段,再将路段进行拼接形成路线,通过上述方式拼接的路线,精度高,速度快,自动化程度高。
由于GPS定位受天气、障碍物等多种因素的影响,以及存储的信息受设备的影响,因此需要根据卫星定位的有效定位数据对定位数据进行修正。
因此,步骤S1之后还包括:
异常分析处理子步骤:
通过卫星定位获得有效定位数据,与定位数据进行比较分析,得到初步异常数据;
根据经纬度、速度和角度对初步异常数据进行过滤处理,得到异常分析后的数据;
其中,通过对异常值分析完成数据第一步清洗,根据经纬度、速度和角度等因素的有效区间完成第二步清洗。初步对定位数据中的明显不正常的数据进行过滤处理,提高生成路网的精度。参见图2A和图2B,为经过数据分析处理前后的对比图。
精度分析处理子步骤:
对定位数据进行精度分析,去掉精度不满足预设条件的数据,完成定位数据的降噪处理,得到精度分析后的数据;
分析不同数据源的精度,即分析来自不同车辆的定位数据的精度,去掉精度不符合要求的数据,完成降噪处理,通过降噪处理进一步提高生成路网的精度。
频率分析处理子步骤:
根据定位数据获取的时间间隔进行频率分析,得到频率的分析后的数据。
不同车辆的定位数据上传的时间不同,基于数据源上传时间不同,进行频率分析,可在数据处理过程中根据数据的上传频率,对频率异常的数据进行筛选,筛选过的数据可进一步提高生成路网的精度。
需要说明的是,对定位数据的处理,可单独包括上述处理方式中的任何一种,或是由上述三种处理方式中的任一组合,比如,只采用数据异常分析处理,或是采用异常分析处理和精度分析两种处理方式。
优选地,步骤S2具体包括:
数据预处理子步骤:
对分析处理后的数据进行航向角分组处理和数据分组处理,得到预处理后的数据;
有向聚类子步骤:
通过DBSCAN算法对预处理后的数据进行聚类分析处理,得到聚类结果。
通过聚类分析将上述数据分析后的数据进行聚类,按照一定的规则将定位数据进行聚类,划分成多个有意义的类簇,同一类簇里相似度高,不同类簇之间相似度低,常见聚类方法有层次聚类、划分聚类、网格聚类、密度方法等。本发明中采用DBSCAN算法对预处理后的数据进行聚类分析,其聚类效果更好。参见图3为聚类结果的效果图。
优选地,步骤S3,具体包括:
聚类预处理子步骤:
将聚类结果中有共同边界点的类进行合并或关系建立,得到处理后的路段点数据;
拼接处理子步骤:
根据处理后的路段点数据的起点和方向角度,通过中心点画线法将处理后的路段点数据进行画线,得到第一待拼接路段;
对第一待拼接路段进行过滤处理,包括剔除错误方向和冗余线路,得到第二待拼接路段;
在画线之后,为了保证轨迹整体的相对平滑性,通过高斯滤波方法对路网进行平滑处理。参见图8,为平滑处理后的效果图,左边的路线为平滑处理之前的路线,右边的路线为平滑处理之后的路线。
对第二待拼接路段进行线线拼接,得到拼接后的路线。
其中,聚类预处理子步骤中,将聚类结果中有共同边界点的类进行合并或关系建立,具体为:
对聚类结果中有共同边界点的类的角度标识进行判断,得到角度标识结果,并根据角度标识结果对聚类结果中有共同边界点的类进行合并或关系建立,角度标识为聚类结果中全体点的方向标识。
更优选地,参见图4,对聚类结果中有共同边界点的类的角度标识进行判断,得到角度标识结果,并根据角度标识结果对聚类结果中有共同边界点的类进行合并或关系建立,具体为:
当角度标识结果为聚类结果中有共同边界点的角度标识一致,判定聚类结果中有共同边界点对应的两条道路的关系为同一条路段,将两条道路合并,并生成一个新的类编号,新的类编号区别于聚类结果中有共同边界点的类对应的编号;
当角度标识结果为聚类结果中有共同边界点的角度标识不一致,且不是相反方向的角度,则共同边界点为转弯点,判定聚类结果中有共同边界点对应的两条道路的关系为相互交叉、分支和弯道中的至少一种;并且将有此关系的两个类记录到一张中间表(该表存放的是不能归到同一条线路中的类与类之间的关系)中。
当角度标识结果为聚类结果中有共同边界点的角度标识不一致,且角度方向相反,判定聚类结果中有共同边界点对应的两条道路的关系为同一条道路的两个方向,将两条道路合并为一条道路。
优选地,根据处理后的路段点数据的起点和方向角度,通过中心点画线法将处理后的路段点数据进行画线,得到第一待拼接路段,具体为:
根据处理后的路段点数据的起点和方向角度,计算矩形区域;
从起点开始计算划定矩形区域内的中心点,依次移动计算,直到处理后的路段点数据的终点,得到第一待拼接路段。
首先,参见图5,进行中心点画线,依据起点和方向角度azimuth计算矩形区域,从起点开始计算划定区域内的中心点,依次移动计算,直到到达终点。然后,参见图6A和图6B,剔除方向错误和冗余线路;其中,在图6A中,粗的路段为方向错误的线路,图6B中,粗的路段为冗余线路;最后,参见图7,进行线线拼接,将路段拼接成线。
参见图9,第二方面,本发明提供一种基于车辆轨迹数据的路段拼接***10,包括:
定位数据获取模块101,用于实时获取道路上各种车辆的定位数据;
聚类分析模块102,用于对定位数据进行聚类分析,完成有向聚类,得到聚类结果,聚类结果中每类的定位数据为点数据;
路段拼接模块103,用于根据聚类结果,进行道路拟合处理,得到拼接后的路线:
将聚类结果中的点数据拼接成路段数据;
将路段数据拼接成路线数据,得到拼接后的路线,实现对定位数据的拼接。
本发明提供的基于车辆轨迹数据的路段拼接***10,其技术方案为:通过定位数据获取模块101,实时获取道路上各种车辆的定位数据;通过聚类分析模块102,对定位数据进行聚类分析,完成有向聚类,得到聚类结果,聚类结果中每类的定位数据为点数据;通过路段拼接模块103,根据聚类结果,进行道路拟合处理,得到拼接后的路线:将聚类结果中的点数据拼接成路段数据;将路段数据拼接成路线数据,得到拼接后的路线,实现对定位数据的拼接。
本发明基于车辆轨迹数据的路段拼接***10,基于海量车辆定位数据信息,将定位数据从点经聚类处理得到路段,再将路段进行拼接形成路线,通过上述方式拼接的路线,精度高,速度快,自动化程度高。
优选地,路段拼接模块103包括聚类预处理子模块和拼接处理子模块;
聚类预处理子模块,具体用于:
将聚类结果中有共同边界点的类进行合并或关系建立,得到处理后的路段点数据;
拼接处理子模块,具体用于:
根据处理后的路段点数据的起点和方向角度,通过中心点画线法将处理后的路段点数据进行画线,得到第一待拼接路段;
对第一待拼接路段进行过滤处理,包括剔除错误方向和冗余线路,得到第二待拼接路段;
对第二待拼接路段进行线线拼接,得到拼接后的路线。
优选地,聚类预处理子模块,具体用于:将聚类结果中有共同边界点的类进行合并或关系建立:
对聚类结果中有共同边界点的类的角度标识进行判断,得到角度标识结果,并根据角度标识结果对聚类结果中有共同边界点的类进行合并或关系建立,角度标识为聚类结果中全体点的方向标识。
优选地,聚类预处理子模块,具体用于:对聚类结果中有共同边界点的类的角度标识进行判断,得到角度标识结果,并根据角度标识结果对聚类结果中有共同边界点的类进行合并或关系建立:
当角度标识结果为聚类结果中有共同边界点的角度标识一致,判定聚类结果中有共同边界点对应的两条道路的关系为同一条路段,将两条道路合并,并生成一个新的类编号,新的类编号区别于聚类结果中有共同边界点的类对应的编号;
当角度标识结果为聚类结果中有共同边界点的角度标识不一致,且不是相反方向的角度,则共同边界点为转弯点,判定聚类结果中有共同边界点对应的两条道路的关系为相互交叉、分支和弯道中的至少一种;
当角度标识结果为聚类结果中有共同边界点的角度标识不一致,且角度方向相反,判定聚类结果中有共同边界点对应的两条道路的关系为同一条道路的两个方向,将两条道路合并为一条道路。
优选地,拼接处理子模块,具体用于:根据处理后的路段点数据的起点和方向角度,通过中心点画线法将处理后的路段点数据进行画线,得到第一待拼接路段:
根据处理后的路段点数据的起点和方向角度,计算矩形区域;
从起点开始计算划定矩形区域内的中心点,依次移动计算,直到处理后的路段点数据的终点,得到第一待拼接路段。
实施例二
作为本发明的优选实施例,基于实施例一中的基于车辆轨迹数据的路段拼接方法及***,基于拼接得到的路线,通过路网拓扑可得到路网,生成的路网可用来与其他路网进行匹配,更新路网,路网更新的准确性取决路网生成的准确性,而路网生成的准确性取决于各条拼接线路的精准性,基于实施例一中拼接的路线,为了保证路网更新的准确性,还需要提高路网匹配的准确性,现有的路网匹配多需要对拼接成的路线进行人工校正,但是人工成本大,自动化程度低,基于此,本实施例提出一种路线匹配的方法,使用局部网络结构来描述道路的形态特征与拓扑关系,并通过比较待匹配道路间的结构相似性,确定最优的道路匹配。本方法不依赖道路网的定位精度,尤其适用于多源数据的坐标***不一致的情况。
具体方案如下:
拼接后的路线的预处理步骤:将拼接后的路线中属于同一条复杂道路与交叉口的道路弧段与节点赋值为相同的ID,得到提取后的道路;
计算提取后的道路长度与方向,分别为道路合并后起止点之间的最短路径与连线方向,得到带匹配的道路网数据;
每个道路交叉口生成的局部网络在另一份数据中找到最优匹配。由于多源数据参考系的不同,需要将所有待匹配的道路网数据转化为统一拓扑结构,即两条道路的相交处被认为是交叉口,同时通过剔除连接数等于2的伪节点;保证凡道路节点必出现在交叉口处;
道路交叉口的局部网络结构描述步骤:记录与每个道路交叉口连接的道路网,被描述的交叉口定义为中心节点,与中心节点直接相连的道路定义为主边,并记录主边之间的逆时针邻接关系,主边与其他邻接道路共同构成局部网络,局部网络用来描述道路节点的形态和拓扑信息。
理论上当邻近道路数足够多时,每个道路交叉口都具有唯一的结构特征使其能够相互区分,该局部结构便是中心节点的唯一结构化特征描述。实际匹配中采用三阶连通道路能够描述一个道路节点的结构特征。
局部网络结构配准步骤:
根据道路交叉口的局部网络结构描述,将道路中的节点距离匹配转化为局部网络之间的形态相似性匹配:
以局部网络中的街区作为配准参考,假设局部网络LN与LNz分别包含两个街区,任意两个街区之间构建一个仿射变换;
通过尺度比值计算合并相似变换,提高计算效率。如果局部网络中的两个街区共享一条主边并且位于共享边两侧,则将其合并为一组。反之,如果两个局部网络中存在相等的尺度比值,则对应的街区归组应具有相同的变换方程。
类似的,当街区归组中存在两组共线路段时,则分别比较两组比值是否相等。
最大公共子网查找步骤:通过建立变换方程(仿射变换得到的变换方程),将两个局部网络变换到同一参考系下,使之具有可比性。
由于局部网络之间可能存在多个变换,对于每一种变换,都可以得出一个相似度。
通过计算最大公共子网获得局部网络之间的相似度,即寻找两个网络的最大公共部分。
采用树形查找的方式进行查找:
以两个局部网络中的中心节点作为查找的起点,比较连接道路的相似性:
参见图10,O1与O2为两个局部网络的中心节点,Road1和Road2为两条连接路段。算法平移O1至O2并判断Road2'和Road1的夹角Angle12;如果小于阈值,则认为二者为公共路段。用Road2'与Road1的较短路段长度截断另一条路段,并以截点O3与O4为新的起点继续查找后续的连通路段;如果夹角Angle12大于阂值,则退回起点O1与O2。
采用广度优先搜索查找其他连接路段直至遍历所有道路,所有找到的公共路段组成局部网络的最大公共子图。
最大公共子网的查找揭示了特定变换方程下局部网络之间相似部分的范围,在此基础上进行结构相似性的计算,量化这种相似度的大小。通过道路网编辑距离(roadnetwork editdistance,RED)指标计算道路交叉口之间的结构相似性。RED定义为给定两个局部网络,通过对其中一个网络进行修改,可以得到另一个网络,修改操作可以分为添加、删除和替换操作,此处的3种操作并非真正对道路网进行修改,只是一种分类。其中每种操作的代价不同,一般规定替换操作比添加与删除操作具有更小的修改代价。两个局部网络之间可能的修改方式有多种,修改代价存在极值。其中代价最大修改方式是将一个局部网络中的所有路段删除,然后添加另一个网络中的所有路段;而特定变换方程下的最小修改代价即为RED,数学表述如公式(1)所示。
式中
arc12=angle12×min(length1,length2) (1)
式中,cost(op,trans)称为代价函数,表示编辑操作的权重。Substitution、Insertion、Deletion分别表示替换、添加和删除操作,当图结构中的边属于最大公共子网时,则对该边进行替换操作;当局部网络中的道路不属于最大公共子网时,则进行添加和删除操作。通常认为需要添加或删除的道路越长民,则修改的代价越大,因此以道路长度作为代价函数;当进行替换操作时,权重如公式(1)所示,两条道路的长度和方向差越大,则用一条道路替换另一条道路的代价就越大。此处的值总小于length,保证道路添加和删除操作的代价总高于替换操作。
从上述计算公式中可以看出,RED的值域为{0,1}。且RED越小,则特定变换方程下局部网络的相似性越大,对应的道路交叉口的匹配度就越高。
其中,多源道路网数据中的同一条道路与交叉口可能有多种存储形式,如:道路可能存储为多线车道,或者单一条道路中心线;另外道路交叉口也可能存储为环岛、立交桥形式,或者单一节点。本实施例中通过实施例一中路段的合并和关系建立,识别每条路段的类型,判断识别道路网中的多线车道与复杂交叉口模式。然后再将拼接后的路线中属于同一条复杂道路与交叉口的道路弧段与节点赋值为相同的ID,以此修正拓扑连通关系。
实施例三
作为本发明的优选实施例,基于实施例一中的基于车辆轨迹数据的路段拼接方法及***,通过采集各种车辆的GPS数据,基于车辆的GPS数据进行路径的拼接,车辆GPS数据的准确有效性直接影响拼接的精度,因此对于采集到的GPS数据进行清洗处理,以提高路径拼接的准确性,具体方案如下:
按照时间及传输规则对GPS原始数据进行解析,并根据解析出的方向角和速度数据进行异常数据确定和清洗,再对行程内异常速度和方向角进行判断和处理修正,最后根据处理修正过的速度数据、方向角数据和GPS原始数据获取每个时点的GPS修正数据。
S1:按照时间和数据包压缩传输规则初步解析GPS原始数据,获得各时点的方向角和速度数据;
S2:根据S1中解析的方向角和速度数据判断异常的数据的开始点和结束点并清洗异常数据;
S3:重复S2,并对清洗后的方向角数据和速度按照时间进行解析及拼接;
S4:按照行程点火数据中的点火时间以及行程熄火数据中的熄火时间将数据切分,对行程内速度异常值判断并处理;
S5:根据处理过的速度数据、方向角数据和GPS原始数据获取每个时点的GPS修正数据。
优选地,S1具体为:
对GPS原始数据内每个时间点及其之前时间点的速度详情数据求和,得到每个时间点的速度数据;
其中,对GPS原始数据内每个时点的方向角数据计算,计算方法包括:
A、GPS原始数据的第一个方向角规定为第一个时点的方向角;
B、若GPS原始数据中间出现方向角获取失败,则重新获取到的第一个方向角不使用增量表示,规定为第一个时点的方向角;
C、若出现方向角数据为空而速度不为0,则用上一秒的方向角代替第一个时点的方向角;
D、若A、B、C条件均不满足,则第一个时点的方向角为上一时点方向角与本时点方向角数据之和。
优选地,S2中包括异常数据开始点判断、异常数据结束点判断和数据清洗;
异常数据开始点判断,所述异常数据开始点判断方法包括:
速度从预设速度阈值Vs以上突变为0;
速度不为零的情况下,方向角从区间θ~360°-θ突变至0;
其中,异常数据结束点判断,所述异常数据结束点判断方法包括:
速度从0突变至预设速度阈值Vs以上;
速度不为0的情况下,方向角从0突变至区间θ~360°-θ;
数据清洗方法为把异常数据开始点的方向角和速度数据都修正为0;异常数据结束点的角度详情数据和速度详情数据修正为此时真实角度和速度相对上一个有效时点的角度和速度数据的变化量。
优选地,S3重复S2,按清洗之后的速度及方向角数据,重新解析GPS数据然后按时间将GPS数据内所以时间点的方向角和速度数据解析出来,若同一时间点在之前的GPS数据中已经出现,则用之后的GPS数据包内的数据覆盖。
优选地,S4按照行程点火数据中的点火时间以及行程熄火数据中的熄火时间将数据切分为若干行程数据,对每段行程按时间顺序顺次选取6个时间点的速度数据{v1,v2,v3,v4,v5,v6}作为因变量,以1~6为自变量进行三次多项式回归:
vk=β0+β1k+β2k2+β3k3
k=1,2,3,4,5,6
然后预测第7秒的速度预测值及其99%置信区间,第7秒的速度预测值为:
若第7秒的速度观测值和预测值相差超过某一特定阈值,且观测值不在预测的99%置信区间之内,则判断观测值异常,用预测值代替观测值数据,然后向前推移至下一时间点,重复上述异常值判断及处理操作。
优选地,S5利用上述解析及数据清洗方法得到的各时点角度和速度数据,结合每个GPS原始数据终开始采集时的GPS经度和GPS纬度数据,递推得到每个时点的GPS经度和GPS纬度,获得GPS修正数据。
通过本实施例的方法,能够对车联网终端或移动端设备实时采集的车辆GPS数据中的异常值甚至数据丢失情况进行清洗,用较低的成本将采集到的GPS数据恢复至原始GPS数据,进而提高采集到的GPS数据的准确性,进一步提高路径拼接的准确性。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于车辆轨迹数据的路段拼接方法,其特征在于,包括:
步骤S1,实时获取道路上各种车辆的定位数据;
步骤S2,对所述定位数据进行聚类分析,完成有向聚类,得到聚类结果,所述聚类结果中每类的定位数据为点数据;
步骤S3,根据所述聚类结果,进行道路拟合处理,得到拼接后的路线:
将所述聚类结果中的点数据拼接成路段数据;
将所述路段数据拼接成路线数据,得到拼接后的路线,实现对所述定位数据的拼接。
2.根据权利要求1所述的基于车辆轨迹数据的路段拼接方法,其特征在于,所述步骤S3,具体包括:
聚类预处理子步骤:
将所述聚类结果中有共同边界点的类进行合并或关系建立,得到处理后的路段点数据;
拼接处理子步骤:
根据所述处理后的路段点数据的起点和方向角度,通过中心点画线法将所述处理后的路段点数据进行画线,得到第一待拼接路段;
对所述第一待拼接路段进行过滤处理,包括剔除错误方向和冗余线路,得到第二待拼接路段;
对所述第二待拼接路段进行线线拼接,得到拼接后的路线。
3.根据权利要求2所述的基于车辆轨迹数据的路段拼接方法,其特征在于,
所述聚类预处理子步骤中,所述将所述聚类结果中有共同边界点的类进行合并或关系建立,具体为:
对所述聚类结果中有共同边界点的类的角度标识进行判断,得到角度标识结果,并根据所述角度标识结果对所述聚类结果中有共同边界点的类进行合并或关系建立,所述角度标识为所述聚类结果中全体点的方向标识。
4.根据权利要求3所述的基于车辆轨迹数据的路段拼接方法,其特征在于,
对所述聚类结果中有共同边界点的类的角度标识进行判断,得到角度标识结果,并根据所述角度标识结果对所述聚类结果中有共同边界点的类进行合并或关系建立,具体为:
当所述角度标识结果为所述聚类结果中有共同边界点的角度标识一致,判定所述聚类结果中有共同边界点对应的两条道路的关系为同一条路段,将所述两条道路合并,并生成一个新的类编号,所述新的类编号区别于所述聚类结果中有共同边界点的类对应的编号;
当所述角度标识结果为所述聚类结果中有共同边界点的角度标识不一致,且不是相反方向的角度,则所述共同边界点为转弯点,判定所述聚类结果中有共同边界点对应的两条道路的关系为相互交叉、分支和弯道中的至少一种;
当所述角度标识结果为所述聚类结果中有共同边界点的角度标识不一致,且角度方向相反,判定所述聚类结果中有共同边界点对应的两条道路的关系为同一条道路的两个方向,将所述两条道路合并为一条路段。
5.根据权利要求2所述的基于车辆轨迹数据的路段拼接方法,其特征在于,
所述根据所述处理后的路段点数据的起点和方向角度,通过中心点画线法将所述处理后的路段点数据进行画线,得到第一待拼接路段,具体为:
根据所述处理后的路段点数据的起点和方向角度,计算矩形区域;
从所述起点开始计算划定所述矩形区域内的中心点,依次移动计算,直到所述处理后的路段点数据的终点,得到第一待拼接路段。
6.一种基于车辆轨迹数据的路段拼接***,其特征在于,包括:
定位数据获取模块,用于实时获取道路上各种车辆的定位数据;
聚类分析模块,用于对所述定位数据进行聚类分析,完成有向聚类,得到聚类结果,所述聚类结果中每类的定位数据为点数据;
路段拼接模块,用于根据所述聚类结果,进行道路拟合处理,得到拼接后的路线:
将所述聚类结果中的点数据拼接成路段数据;
将所述路段数据拼接成路线数据,得到拼接后的路线,实现对所述定位数据的拼接。
7.根据权利要求6所述的基于车辆轨迹数据的路段拼接***,其特征在于,
所述路段拼接模块包括聚类预处理子模块和拼接处理子模块;
所述聚类预处理子模块,具体用于:
将所述聚类结果中有共同边界点的类进行合并或关系建立,得到处理后的路段点数据;
所述拼接处理子模块,具体用于:
根据所述处理后的路段点数据的起点和方向角度,通过中心点画线法将所述处理后的路段点数据进行画线,得到第一待拼接路段;
对所述第一待拼接路段进行过滤处理,包括剔除错误方向和冗余线路,得到第二待拼接路段;
对所述第二待拼接路段进行线线拼接,得到拼接后的路线。
8.根据权利要求7所述的基于车辆轨迹数据的路段拼接***,其特征在于,
所述聚类预处理子模块,具体用于:将所述聚类结果中有共同边界点的类进行合并或关系建立:
对所述聚类结果中有共同边界点的类的角度标识进行判断,得到角度标识结果,并根据所述角度标识结果对所述聚类结果中有共同边界点的类进行合并或关系建立,所述角度标识为所述聚类结果中全体点的方向标识。
9.根据权利要求8所述的基于车辆轨迹数据的路段拼接***,其特征在于,
所述聚类预处理子模块,具体用于:对所述聚类结果中有共同边界点的类的角度标识进行判断,得到角度标识结果,并根据所述角度标识结果对所述聚类结果中有共同边界点的类进行合并或关系建立:
当所述角度标识结果为所述聚类结果中有共同边界点的角度标识一致,判定所述聚类结果中有共同边界点对应的两条道路的关系为同一条路段,将所述两条道路合并,并生成一个新的类编号,所述新的类编号区别于所述聚类结果中有共同边界点的类对应的编号;
当所述角度标识结果为所述聚类结果中有共同边界点的角度标识不一致,且不是相反方向的角度,则所述共同边界点为转弯点,判定所述聚类结果中有共同边界点对应的两条道路的关系为相互交叉、分支和弯道中的至少一种;
当所述角度标识结果为所述聚类结果中有共同边界点的角度标识不一致,且角度方向相反,判定所述聚类结果中有共同边界点对应的两条道路的关系为同一条道路的两个方向,将所述两条道路合并为一条路段。
10.根据权利要求7所述的基于车辆轨迹数据的路段拼接***,其特征在于,
所述拼接处理子模块,具体用于:根据所述处理后的路段点数据的起点和方向角度,通过中心点画线法将所述处理后的路段点数据进行画线,得到第一待拼接路段:
根据所述处理后的路段点数据的起点和方向角度,计算矩形区域;
从所述起点开始计算划定所述矩形区域内的中心点,依次移动计算,直到所述处理后的路段点数据的终点,得到第一待拼接路段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710944271.6A CN107798079B (zh) | 2017-09-30 | 2017-09-30 | 基于车辆轨迹数据的路段拼接方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710944271.6A CN107798079B (zh) | 2017-09-30 | 2017-09-30 | 基于车辆轨迹数据的路段拼接方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107798079A true CN107798079A (zh) | 2018-03-13 |
CN107798079B CN107798079B (zh) | 2021-09-24 |
Family
ID=61533086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710944271.6A Active CN107798079B (zh) | 2017-09-30 | 2017-09-30 | 基于车辆轨迹数据的路段拼接方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107798079B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109443360A (zh) * | 2018-10-18 | 2019-03-08 | 南京天辰礼达电子科技有限公司 | 一种基于多边形的车辆行驶轨迹生成及拼接算法 |
CN109579859A (zh) * | 2018-05-10 | 2019-04-05 | 北京建筑大学 | 一种高精度导航地图高程数据处理方法及装置 |
CN110058276A (zh) * | 2019-02-27 | 2019-07-26 | 北京三快在线科技有限公司 | 异常点判断方法及装置 |
CN110148298A (zh) * | 2019-06-24 | 2019-08-20 | 重庆大学 | 基于机动车电子标识数据的私家车规律出行行为发现方法 |
CN110175218A (zh) * | 2019-04-15 | 2019-08-27 | 北京百度网讯科技有限公司 | 生成导航播报内容的方法、装置、设备和计算机存储介质 |
CN110674234A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 地图数据采集方法、设备及存储介质 |
CN110852342A (zh) * | 2019-09-26 | 2020-02-28 | 京东城市(北京)数字科技有限公司 | 一种路网数据的获取方法、装置、设备及计算机存储介质 |
CN110944294A (zh) * | 2019-11-26 | 2020-03-31 | 北京梧桐车联科技有限责任公司 | 移动轨迹记录方法、装置、***、计算机设备及存储介质 |
CN111291929A (zh) * | 2020-01-21 | 2020-06-16 | 上海中旖能源科技有限公司 | 基于深度学习的液化天然气接卸液点预测方法及装置 |
CN112013862A (zh) * | 2020-07-31 | 2020-12-01 | 深圳大学 | 一种基于众包轨迹的行人路网提取及更新方法 |
CN112634396A (zh) * | 2019-09-24 | 2021-04-09 | 北京四维图新科技股份有限公司 | 路网确定方法及装置 |
CN113129406A (zh) * | 2019-12-31 | 2021-07-16 | 菜鸟智能物流控股有限公司 | 一种数据处理方法、装置及电子设备 |
CN113295177A (zh) * | 2021-04-30 | 2021-08-24 | 长安大学 | 基于实时路况信息的动态路径规划方法及*** |
CN113345228A (zh) * | 2021-06-01 | 2021-09-03 | 星觅(上海)科技有限公司 | 基于拟合轨迹的行驶数据的生成方法、装置、设备及介质 |
CN113702979A (zh) * | 2021-07-16 | 2021-11-26 | 中国船舶重工集团公司第七一五研究所 | 一种跨区目标跟踪轨迹片段时空拼接方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464158A (zh) * | 2009-01-15 | 2009-06-24 | 上海交通大学 | 基于gps定位的道路网络栅格数字地图自动生成方法 |
US20130113797A1 (en) * | 2011-11-08 | 2013-05-09 | Harman Becker Automotive Systems Gmbh | Parameterized graphical representation of buildings |
CN103617731A (zh) * | 2013-09-09 | 2014-03-05 | 重庆大学 | 一种利用城市浮动车辆gps数据生成道路路网矢量地图的方法 |
CN106840176A (zh) * | 2016-12-28 | 2017-06-13 | 济宁中科先进技术研究院有限公司 | Gps时空数据增量路网实时更新和轨迹匹配*** |
-
2017
- 2017-09-30 CN CN201710944271.6A patent/CN107798079B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464158A (zh) * | 2009-01-15 | 2009-06-24 | 上海交通大学 | 基于gps定位的道路网络栅格数字地图自动生成方法 |
US20130113797A1 (en) * | 2011-11-08 | 2013-05-09 | Harman Becker Automotive Systems Gmbh | Parameterized graphical representation of buildings |
CN103617731A (zh) * | 2013-09-09 | 2014-03-05 | 重庆大学 | 一种利用城市浮动车辆gps数据生成道路路网矢量地图的方法 |
CN106840176A (zh) * | 2016-12-28 | 2017-06-13 | 济宁中科先进技术研究院有限公司 | Gps时空数据增量路网实时更新和轨迹匹配*** |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109579859A (zh) * | 2018-05-10 | 2019-04-05 | 北京建筑大学 | 一种高精度导航地图高程数据处理方法及装置 |
CN110674234A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 地图数据采集方法、设备及存储介质 |
CN110674234B (zh) * | 2018-07-03 | 2022-11-15 | 百度在线网络技术(北京)有限公司 | 地图数据采集方法、设备及存储介质 |
CN109443360A (zh) * | 2018-10-18 | 2019-03-08 | 南京天辰礼达电子科技有限公司 | 一种基于多边形的车辆行驶轨迹生成及拼接算法 |
CN109443360B (zh) * | 2018-10-18 | 2022-04-05 | 南京天辰礼达电子科技有限公司 | 一种基于多边形的车辆行驶轨迹生成及拼接方法 |
CN110058276A (zh) * | 2019-02-27 | 2019-07-26 | 北京三快在线科技有限公司 | 异常点判断方法及装置 |
CN110175218A (zh) * | 2019-04-15 | 2019-08-27 | 北京百度网讯科技有限公司 | 生成导航播报内容的方法、装置、设备和计算机存储介质 |
CN110175218B (zh) * | 2019-04-15 | 2020-08-28 | 北京百度网讯科技有限公司 | 生成导航播报内容的方法、装置、设备和计算机存储介质 |
CN110148298A (zh) * | 2019-06-24 | 2019-08-20 | 重庆大学 | 基于机动车电子标识数据的私家车规律出行行为发现方法 |
CN110148298B (zh) * | 2019-06-24 | 2022-03-18 | 重庆大学 | 基于机动车电子标识数据的私家车规律出行行为发现方法 |
CN112634396A (zh) * | 2019-09-24 | 2021-04-09 | 北京四维图新科技股份有限公司 | 路网确定方法及装置 |
CN110852342B (zh) * | 2019-09-26 | 2020-11-24 | 京东城市(北京)数字科技有限公司 | 一种路网数据的获取方法、装置、设备及计算机存储介质 |
CN110852342A (zh) * | 2019-09-26 | 2020-02-28 | 京东城市(北京)数字科技有限公司 | 一种路网数据的获取方法、装置、设备及计算机存储介质 |
CN110944294B (zh) * | 2019-11-26 | 2021-05-07 | 北京梧桐车联科技有限责任公司 | 移动轨迹记录方法、装置、***、计算机设备及存储介质 |
CN110944294A (zh) * | 2019-11-26 | 2020-03-31 | 北京梧桐车联科技有限责任公司 | 移动轨迹记录方法、装置、***、计算机设备及存储介质 |
CN113129406A (zh) * | 2019-12-31 | 2021-07-16 | 菜鸟智能物流控股有限公司 | 一种数据处理方法、装置及电子设备 |
CN113129406B (zh) * | 2019-12-31 | 2024-03-22 | 菜鸟智能物流控股有限公司 | 一种数据处理方法、装置及电子设备 |
CN111291929A (zh) * | 2020-01-21 | 2020-06-16 | 上海中旖能源科技有限公司 | 基于深度学习的液化天然气接卸液点预测方法及装置 |
CN112013862B (zh) * | 2020-07-31 | 2022-06-17 | 深圳大学 | 一种基于众包轨迹的行人路网提取及更新方法 |
CN112013862A (zh) * | 2020-07-31 | 2020-12-01 | 深圳大学 | 一种基于众包轨迹的行人路网提取及更新方法 |
CN113295177B (zh) * | 2021-04-30 | 2022-08-19 | 长安大学 | 基于实时路况信息的动态路径规划方法及*** |
CN113295177A (zh) * | 2021-04-30 | 2021-08-24 | 长安大学 | 基于实时路况信息的动态路径规划方法及*** |
CN113345228A (zh) * | 2021-06-01 | 2021-09-03 | 星觅(上海)科技有限公司 | 基于拟合轨迹的行驶数据的生成方法、装置、设备及介质 |
CN113702979A (zh) * | 2021-07-16 | 2021-11-26 | 中国船舶重工集团公司第七一五研究所 | 一种跨区目标跟踪轨迹片段时空拼接方法 |
CN113702979B (zh) * | 2021-07-16 | 2024-03-15 | 中国船舶重工集团公司第七一五研究所 | 一种跨区目标跟踪轨迹片段时空拼接方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107798079B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798079A (zh) | 基于车辆轨迹数据的路段拼接方法及*** | |
CN110008413B (zh) | 一种交通出行问题查询方法和装置 | |
CN107766808A (zh) | 道路网络空间中车辆对象移动轨迹聚类的方法及*** | |
CN110008872B (zh) | 一种结合车辆轨迹和遥感图像的路网提取方法 | |
CN106840175B (zh) | 一种车辆行驶轨迹匹配路网的方法及装置 | |
CN107273236B (zh) | 一种基于轨道数字化建模的联锁表数据安全验证方法 | |
CN106023587A (zh) | 基于多信息融合的轨迹数据路网精确匹配方法 | |
CN101358855B (zh) | 基于分层双向启发式路线规划方法的导航装置 | |
CN106447119A (zh) | 一种基于卷积神经网络的短期交通流量预测方法及*** | |
CN107330030A (zh) | 一种面向海量路网数据压缩存储的层次网络构建方法 | |
CN101650191A (zh) | 道路网络拓扑抽象的方法及装置 | |
CN108108580A (zh) | 一种机电***逻辑关系的生成方法、装置及建筑信息模型 | |
CN112215427A (zh) | 一种卡口数据缺失下的车辆行车轨迹重建方法及*** | |
CN110516702A (zh) | 一种基于流数据的离散路径规划方法 | |
CN106453096A (zh) | 一种动态网络社区发现方法及装置 | |
CN108020238A (zh) | 一种获取途经点的方法、装置及导航设备 | |
CN114238542A (zh) | 多源交通gis路网多层级实时融合更新方法 | |
CN108957657B (zh) | Odn***中非递减型主干光缆的纤芯类型自动判定方法 | |
CN108280463A (zh) | 车辆搭载无人机双层路径的优化方法及装置 | |
CN113808424B (zh) | 基于双向Dijkstra的城市路网K条最短路径的获取方法 | |
CN109711425A (zh) | 城市道路骨架层次划分方法及*** | |
CN113609241A (zh) | 一种道路网络与公交线网匹配方法与*** | |
Archambault et al. | Smashing peacocks further: Drawing quasi-trees from biconnected components | |
CN113284030B (zh) | 一种城市交通网络社区划分方法 | |
CN115662124A (zh) | 一种基于网络编码的gps轨迹数据路段流量匹配方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |