轨迹数据及其在道路中的应用ppt课件.ppt
内容,轨迹数据处理关键技术,2,轨迹数据在道路更新及信息提取中的应用,3,4,1,轨迹数据相关介绍,1.轨迹数据：数据、技术与应用现状,轨迹数据就是时空环境下，通过对一个或多个移动对象运动过程的采样所获得的数据信息，包括采样点位置、采样时间、速度等，这些采样点数据信息根据采样先后顺序构成了轨迹数据。,1.1 轨迹数据概念和特征,Company Logo,人类活动轨迹交通工具活动轨迹动物活动轨迹自然现象活动轨迹,1.轨迹数据：数据、技术与应用现状,1.1 轨迹数据概念和特征,Company Logo,1.轨迹数据：数据、技术与应用现状,1.1 轨迹数据概念和特征,轨迹数据继承了大数据的经典“3V”特征，量大（volume）、实时（velocity）、多样（variance）。时空序列性异频采样性数据质量差路网相关性,Company Logo,1.轨迹数据：数据、技术与应用现状,1.2 轨迹数据应用,轨迹数据了人类的活动和行为历史，蕴含了群体性的移动模式和规律。,Company Logo,2.轨迹数据处理关键技术,轨迹数据模型中，各层次之间紧密联系，原始轨迹数据存在很多数据冗余与噪音，需要通过数据清理、轨迹压缩、轨迹分段等预处理方式转化为校准轨迹；校准轨迹数据需要通过数据库管理技术进行轨迹索引与检索，能够有效地存取；最后对处理后的轨迹数据进行模式挖掘、隐私保护等操作获取有价值的知识。,Company Logo,2.1 轨迹数据预处理,2.轨迹数据处理关键技术,数据清洗：噪音滤波、停留点检测,Company Logo,2.1 轨迹数据预处理,2.轨迹数据处理关键技术,轨迹分段：是对长时段轨迹(例如以天或月为单位)的合理切分与标注，切分后的子轨迹段代表一次出行的记录。轨迹分段的主要方式有基于时间阈值、几何拓扑和轨迹语义这3种基本策略。轨迹校准：是保证轨迹数据可用性的重要技术。采样率差异过大导致轨迹数据的质量问题，轨迹校准能够在一定程度上提高轨迹数据质量。路网匹配：是关联轨迹与数字地图，将GPS坐标下采样序列转换为路网坐标序列。路网匹配算法的核心思想是利用轨迹点之间的时空可达性做匹配校正。,Company Logo,2.2 轨迹数据库,2.轨迹数据处理关键技术,轨迹数据模型：MOST模型、结合Hadoop的模型、以时间为中心的轨迹模型等轨迹压缩：基于路网的压缩、基于轨迹的压缩、基于帧码的压缩等轨迹查询：轨迹点信息查询、轨迹区域信息查询、轨迹查询轨迹索引：网格索引、R树等,Company Logo,2.3 轨迹数据挖掘,2.轨迹数据处理关键技术,轨迹数据模式挖掘,伴随模式挖掘是在轨迹数据中提取伴随的移动对象，通过分析移动对象群体的行为特征和规律，可以实现时空环境中的事故调查、群体跟踪等。代表性的轨迹模式主要有Flock，Convoy，Swarm，Gathering等。,频繁模式挖掘是从大规模轨迹数据中发现频繁时序模式，例如挖掘公共性规律或公共性频繁路径等。频繁模式挖掘在旅游推荐、生活模式挖掘、地点预测、用户相似性估计等方面有很多应用。基于简单分段轨迹挖掘方式、基于聚类的兴趣区域挖掘方式、基于路网匹配的频繁模式挖掘,Company Logo,2.3 轨迹数据挖掘,2.轨迹数据处理关键技术,轨迹数据聚类,为了通过不同的移动对象获得代表性路径或公共倾向行为，需要将相似轨迹聚合作为集群,一般的聚类方法是利用一个特征向量代表一条轨迹，通过它们之间的特征向量距离来确定其相似性。轨迹数据聚类的关键在于：根据时空数据特征,设计与定义不同轨迹数据之间的相似性度量。,Company Logo,2.3 轨迹数据挖掘,2.轨迹数据处理关键技术,轨迹数据聚类,基于时间维度的相似轨迹聚类基于轨迹相似性的聚类局部多子轨迹聚类局部单子轨迹聚类轨迹点聚类,基于空间聚类基于路网匹配聚类语义轨迹聚类。,Company Logo,2.3 轨迹数据挖掘,2.轨迹数据处理关键技术,轨迹数据分类,轨迹数据分类的主要目的是区分轨迹或段的不同状态，例如交通出行方式、人类活动等.一般来说，轨迹数据种类繁多，通过轨迹数据分类可以挖掘更多趋势性、价值性规律。一般轨迹分类主要分为3个步骤：（1）使用分段方法将轨迹分割成段（2）从段中或者采样点中提取特征（3）通过建立模型划分段或者采样点,Company Logo,2.4 轨迹数据隐私保护,2.轨迹数据处理关键技术,海量的轨迹数据出现，特别是个人用户轨迹数据，必然会带来隐私泄露的风险。基于位置服务的轨迹隐私保护基于轨迹数据发布的隐私保护,（1）轨迹大数据存储技术（2）基于MapReduce模型的Hadoop分布式处理（3）基于GPU的并行处理（4）轨迹大数据可视化技术,Company Logo,3.轨迹数据在道路更新及信息提取中的应用,汽车的GPS轨迹能够反映道路网络的位置信息和几何结构，因此可以依据日常车辆的轨迹数据来获取道路信息，这种方法具有成本低廉、覆盖面大、数据易于获取、现势性强等优点。道路数据更新：路网匹配、变化检测与更新、轨迹融合等道路信息提取：道路边界、道路中心线、道路交叉口,3.1 车辆轨迹在道路中的应用,Company Logo,3.2 路网更新的轨迹-地图匹配方法,3.轨迹数据在道路更新及信息提取中的应用,Company Logo,3.2 路网更新的轨迹-地图匹配方法,3.轨迹数据在道路更新及信息提取中的应用,基于 HMM 模型的地图匹配,问题路段分析与检查（1）路段信息缺失（2）路段信息错误,Company Logo,3.轨迹数据在道路更新及信息提取中的应用,基于PAM 聚类的路段信息提取基于缓冲区骨架的路段信息提取局部路网数据更新,3.2 路网更新的轨迹-地图匹配方法,Company Logo,3.3 城市道路交叉口识别及结构提取,3.轨迹数据在道路更新及信息提取中的应用,城市交叉口的空间位置、范围及详细的转向信息是构成城市各级交通路网数据的关键。,（1）首先通过轨迹跟踪识别轨迹数据中包含的车辆转向点对；（2）然后基于距离和角度的生长聚类方法进行转向点对的空间聚类，并采用基于局部点连通性的聚类方法识别交叉口；（3）最后利用交叉口范围圆和转向点对提取城市各级别路网下的交叉口结构。,Company Logo,3.3 城市道路交叉口识别及结构提取,3.轨迹数据在道路更新及信息提取中的应用,车辆在通过交叉口与非交叉口时的行驶特征主要存在两类差异：一是记录车辆行驶方向的航向角度变化不同；二是车辆发生转向的转向类型数量不同。转向点对是指车辆在完成一次转向过程中留下的前后两个轨迹点，也即这两个相邻的轨迹点航向角度变化量符合车辆转向特征。,Company Logo,3.3 城市道路交叉口识别及结构提取,3.轨迹数据在道路更新及信息提取中的应用,基于局部点连通性的交叉口识别：将所有转向点对类簇按照交叉口进行分类，也即找出属于同一个交叉口范围内的所有转向点对类簇，并利用非交叉口处(如弯道，只包含一种左转和一种右转)转向类型数量小于或等于2的特征，实现交叉口与非交叉口的初次识别。,交叉口信息提取：交叉口空间位置提取(道路中心线级路网)分/合流点提取(车行道级路网)车道级别交叉口结构提取(车道级路网),Company Logo,3.3 城市道路交叉口识别及结构提取,3.轨迹数据在道路更新及信息提取中的应用,Company Logo,4.总结,轨迹数据研究面临的挑战,
