顾及轨迹密度分布异质性的道路交叉口提取方法

车辆轨迹大数据为道路网生成与更新、道路状态信息感知提供了新机遇,从轨迹数据中准确提取道路交叉口是基于车辆轨迹数据构建精细化道路网地图的关键步骤。当前已有学者根据轨迹点的转向、速度变化等特征,基于空间聚类提出了一些道路交叉口识别的经典方法,但由于轨迹数据密度分布的异质性、噪声干扰及最优聚类参数设置等问题,从不同采样频率、分布密度的轨迹数据中提取不同大小、形态的交叉口仍是一个挑战。为此,本文首先针对轨迹密度的空间分布异质性提出基于层次划分的轨迹栅格化策略,进而从视觉角度出发,提出一种基于“转换-分割-优化”全流程的道路交叉口层次提取方法。通过对不同采样频率的真实轨迹数据进行试验分析,验证了本文方法对低频轨迹数据中道路交叉口提取的准确度与有效性,识别结果优于现有代表性方法。     

基于轨迹数据的道路交叉口及其结构提取方法

针对轨迹大数据自动提取城市道路,特别是交叉口问题,该文提出一种新的基于出租车轨迹数据的道路交叉口识别及其结构提取方法:识别轨迹中的转弯片段及其中心点;利用中心点周围轨迹的面积自适应确定聚类半径,并借助自适应聚类半径的DBSCAN方法识别可能的交叉口;对交叉口的轨迹数据进行清洗,用公共子轨迹相似性和角度相似性对转弯片段聚...     

运用约束Delaunay三角网从众源轨迹线提取道路边界

运用众源车辆轨迹数据提取道路信息需要解决轨迹点采样稀疏、高噪音、密度差异大等问题。为此,本文提出一种运用约束Delaunay三角网从车辆轨迹线集中提取道路边界的方法。首先,通过三角形边长度和Voronoi面积等几何特征表达轨迹点分布的聚集性差异,并将这两种不同几何维数的控制条件集成建立道路边界识别模型,运用"种子点"区域扩展方法实现道路边界的精确提取。最后,运用北京市出租车GPS轨迹进行试验,结果表明该方法适于车辆分布频率悬殊、时间跨度不同、道路网结构复杂的轨迹线数据处理。     

基于语义规则的高分辨率影像道路交叉口提取方法

为了准确提取遥感影像上道路交叉口目标,提出一种利用特征语义规则从高分辨率影像上提取道路交叉口的方法。该算法构建交叉口模型时将其视为由同质区域像素集合及区域轮廓边界构成的面对象,提取过程分为两步:1)利用辐射、纹理特征语义匹配提取交叉口候选区域;2)通过几何特征语义匹配筛选候选区域、识别交叉口属性。利用多源遥感影像对算法正确性及合理性进行验证,结果表明:算法能准确、完整地提取道路交叉口,可为影像道路网构建提供辅助信息。     

利用轨迹大数据进行城市道路交叉口识别及结构提取

交叉口是城市交通路网生成、更新的重要组成部分。本文基于车辆时空轨迹大数据,提出了一种城市交叉口自动识别方法。该方法首先通过轨迹跟踪识别轨迹数据中包含的车辆转向点对;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;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。以武汉市出租车轨迹大数据为例,对武汉市城区内189个交叉口进行了探测。试验结果表明,本文所提方法可以准确地从轨迹大数据中识别出城市交叉口及其结构。     

结合轨迹数据的混合多特征道路网选取方法

道路网选取是制图综合的重要内容,针对现有方法仅考虑道路网静态特征等问题,提出了一种结合轨迹数据的混合多特征选取方法。首先以stroke为基本选取单元,构建对偶图来描述路网的结构关系,采用长度、连通度、接近度和中介度等指标对道路的静态特征进行评价;然后结合轨迹数据特点,采用车流量、车辆速度和道路交叉口附近的车辆密度等指标对道路的动态特征进行评价;最后利用基于相互关系准则的标准重要性方法计算得到各指标的权值及各道路的综合重要性值。同时引入线Voronoi图对道路进行划分,得到道路的密度特征值,并将其作为道路网选取的约束指标。实验结果表明,所提方法能够保持道路的整体结构,同时顾及道路的连通性和密度分布,而且结合了轨迹数据的动态交通特性,选取结果符合实际情况,具有一定的实用性。     

利用轨迹数据进行道路网更新及轨迹融合

随着经济的快速发展,城市道路网更新迅速,道路网数据对于交通规划和城市发展具有重要意义。本文提出了一种基于轨迹数据的道路更新及轨迹融合方法。首先使用几何最短距离分析和隐马尔科夫模型来提取失配轨迹,然后使用基于Delaunay三角网和基于山脊线相结合的轨迹融合方法,提取出新增道路骨架线,对得到的骨架线进行显化和延长处理,使其融合到现有道路网中。试验结果表明,采用基于Delaunay三角网和基于山脊线相结合的轨迹融合方法,能够提高新增道路的生成效率,改善道路网的更新效果。     

基于结构模式的道路网节点匹配方法

针对道路网交叉口的结构形态特点,提出一种基于结构模式的道路网节点匹配方法。首先识别道路网中的复杂道路和交叉口模式来统一道路结构;然后通过道路交叉口的结构化描述,提取每个道路节点的局部网络模式特征;对于待匹配的道路节点,寻找对应结构模式间的最大公共子网,并计算节点之间的形态相似性,在形态相似性的基础上进行道路节点的匹配;最后通过稳健估计的方法剔除错误的结构匹配。试验表明,该方法提取的局部网络结构模式能够有效地用于道路网的匹配,对于数据定位精度差异较大、甚至不同坐标系下的数据都能得到较好的匹配结果。     

车辆轨迹与遥感影像多层次融合的道路交叉口识别

交叉口是构成道路网络的基础与核心要素,起到了连接道路和承载转向的重要作用.在城市路网中,交叉口不仅数量众多、形态多样,而且结构复杂、大小不一.单一数据源对于道路交叉口的描述能力有限,难以做到道路交叉口的全面、精确识别.为此,本文设计了一种从车辆轨迹与遥感影像中识别道路交叉口的多元集成方法.首先,集成形态学处理、密度峰值聚类与张量投票提取种子交叉口,将其作为小样本集;然后,据此采用协同训练机制,分别构建基于深度卷积网络,面向车辆轨迹与遥感影像的交叉口分类器;最后,综合两模型优点,形成道路交叉口的集成分类模型.本文方法在多个层次上融合车辆轨迹与遥感影像关于交叉口的互补性描述特征,提出半监督式交叉口提取技术,无须人工标注即可有效识别复杂多样的道路交叉口.基于武汉市出租车轨迹和遥感影像的试验表明,本文方法在无人工标注样本的前提下,道路交叉口提取的准确率超过93％,召回率达到87％.     

适应不同轨迹数据场景的道路线形组合优化提取方法

车辆轨迹数据是当前城市导航路网地图动态更新的一种重要数据源,从杂乱无序的轨迹点或轨迹线中提取并拟合道路几何形态,进而生成结构化的道路矢量地图是基于轨迹数据进行道路网地图构建与更新的关键步骤。现有的道路中心线提取方法主要采用单一的线形拟合算法进行轨迹数据拟合,然而真实道路的几何形态复杂多样和车辆轨迹数据质量参差不齐,导致单一的道路线形拟合算法只能在某些特定的数据场景下适用,无法针对不同的数据场景自适应的拟合出理想的道路中心线。此外,相比于专业测量方式采集的高频轨迹数据,出租车等采集的低频轨迹数据存在轨迹点稀疏、噪声多、定位误差大等问题,这使得从低频轨迹数据中提取理想的道路中心线仍具有挑战,尤其是针对复杂的交叉口区域。为此,本文基于分治策略的思想,提出了一种适应不同轨迹数据场景的道路线形组合优化提取方法。该方法在轨迹数据预处理的基础上,根据轨迹数据的分布特点对数据进行场景分类;进而,针对不同的数据场景匹配最优的线形拟合算法,通过组合优化策略生成理想的道路中心线。本文方法融合不同拟合算法的互补优势,可以有效解决数据分布稀疏、道路结构复杂(如自相交立交桥)等不同数据场景下的道路线形拟合问题。采...     

出租车GPS轨迹集聚和精细化路网提取

针对利用GPS数据提取双向路网和交叉路口转向信息精度低的不足,本文提出一种顾及位置与行驶方向的轨迹集聚和精细化路网提取方法,实现了精细化路网提取。为提高交叉路口路网的提取精度,首先剔除原始轨迹中的离散和异常轨迹点,并按一定的步长对轨迹段进行加密;然后引入行驶方向角来表达车辆在轨迹点处的行驶方向,顾及位置和行驶方向获取每个轨迹点的相似轨迹点集合;接着依次计算每个轨迹点的偏移距离,通过对轨迹点的迭代偏移完成轨迹集聚;最后剔除未成功集聚的轨迹点,将完成集聚的轨迹点连成轨迹线并作缓冲区,运用栅格数据数字化方法提取得到能够反映道路精细转向关系的道路网。以福州市出租车GPS数据进行轨迹集聚和路网提取试验,结果表明:本文方法能有效地将GPS轨迹按车辆行驶方向分别进行集聚,提取的道路网为双向道路并且能反映交叉路口处道路的精细转向关系。     

车辆轨迹数据的道路学习提取法

车辆轨迹数据的道路信息提取是地理信息领域的热点也是难点之一,深度学习的快速发展为该问题的解决提供了一种思路与方法。本文针对车辆轨迹数据的车行道级道路提取问题,引入深度学习领域的生成式对抗网络,利用残差网络构建深层网络和多尺度感受野感知轨迹数据不同细节特征,构建了基于条件生成式对抗网络的轨迹方向约束下车行道级道路提取模型。首先提出了朝向-颜色映射栅格化转换方法,实现轨迹朝向信息向HSV颜色空间的转换;然后利用样本数据学习模型参数;最后将训练模型应用到郑州、成都、南京3个试验区域提取车行道级道路数据。试验结果表明,本文方法能够有效地提取完整的车行道级道路数据。     

顾及交叉路口和车辆模态的轨迹重构与分析

由于数据传输和存储成本的限制,大多数轨迹数据采样率低且不确定,而城市精细模型往往需要高频轨迹数据,例如,微观交通碳排模型需要时间间隔为1 s的轨迹数据。因此,对低频轨迹数据进行高频重构有非常重要的意义。提出了一种顾及交叉路口和车辆模态的轨迹重构方法,采用高频轨迹数据训练车辆运动模态的理论概率模型,结合交叉路口来确定低频轨迹点之间的模态序列,并通过遗传算法求解理论概率模型来完成各模态时间和距离的分配,进而完成轨迹点的高频重构。结果表明,所提方法重构轨迹的均方根误差（root mean square error,RMSE）值相较于传统的数学插值方法降低了62.9%,相较于未考虑交叉路口的模态方法,降低了12.2%。因此,该方法在低频轨迹数据重构中具有很好的应用价值。     

基于道路精简滤波原理的车辆导航系统地图匹配算法

针对交叉路口附近道路几何分布较为复杂的实际特点,提出基于道路精简滤波(RRF)原理的地图匹配算法。研究了基于D-S证据理论的多规则数据融合技术在二路段地图匹配中的应用。建立了最短欧氏距离和最小航向差两条判决规则。引入相关性模糊决策理论,将多路段匹配问题简化为二路段匹配问题,使D-S证据判决规则的概率分配函数能根据实际路网分布作适应性调整,提高了算法的鲁棒性。对实际跑车数据的仿真处理结果表明,应用该算法可以较好地解决城市交叉路口地图匹配问题。     

利用浮动车GPS轨迹识别与提取城市道路交叉口

道路交叉口作为道路交汇的枢纽,是路网的重要组成部分,也是最重要的基础地理信息数据之一。浮动车GPS数据具有易获取、低成本和数据量大等优点,但工作同时伴随不少噪点。为了降低噪点对交叉口提取过程的影响,提高计算效率,本文运用KNN算法建立空间索引;计算向量夹角,判定道路出入口,粗筛取交叉口附近点;分别采用K-means算法、DBSCAN算法和层次算法进行聚类分析,进一步确定交叉口位置。最后以成都某区域浮动车GPS数据为例,提取道路交叉口并进行了对比分析,进一步表明本文方法可以服务于智能交通研究与应用。     

Mobile user identification based on road networks and multiple distance measures

Mobile user identification aims at matching different mobile devices of the same user using trajectory data, which has attracted extensive research in recent years. Most of the previous work extracted trajectory features based on regular grids, which will lead to incorrect feature representation due to lack of geographic information. Besides, most trajectory similarity models only considered one single distance measure to calculate the similarity between users, which ignore the connection between different distance measures and may lead to some false matches. In light of this, we present a novel user identification method based on road networks and multiple distance measures in this article. The proposed method segments a city map into several grids and road segments based on road networks. Then it extracts location and road information of trajectories to jointly construct user features. Multiple distance measures are fused by a discriminant model to improve the effect of user identification. Experiments on real GPS trajectory datasets show that our proposed method outperforms related similarity measure methods and is stable for mobile user identification. Meanwhile, our method can also achieve good identification results even on sparse trajectory datasets.     

利用可变形部件模型检测遥感影像道路交叉口

为了解决高分辨率遥感影像道路交叉口位置检测与类型识别问题,提出了一种基于可变形部件模型的道路交叉口检测方法。首先,分析了道路交叉口在高分辨率遥感影像上的表征形式;然后,借鉴面向对象的思想,利用可变形部件模型,通过训练和学习其整体和部件组成的空间布局特征获取目标对象模型参数;最后,通过滑动窗口搜索匹配方法获取道路交叉口位置和其对应的类型。由仿真与实验结果可知,此算法不仅能够自动、准确地检测道路交叉口的几何位置,而且能够识别其几何形状类型,可有效提高道路网络拓扑结构构建效率。     

Integrated compression of vehicle spatio‐temporal trajectories under the road stroke network constraint

With fast growth of all kinds of trajectory datasets, how to effectively manage the trajectory data of moving objects has received a lot of attention. This study proposes a spatio‐temporal data integrated compression method of vehicle trajectories based on stroke paths coding compression under the road stroke network constraint. The road stroke network is first constructed according to the principle of continuous coherence in Gestalt psychology, and then two types of Huffman tree—a road strokes Huffman tree and a stroke paths Huffman tree—are built, based respectively on the importance function of road strokes and vehicle visiting frequency of stroke paths. After the vehicle trajectories are map matched to the spatial paths in the road network, the Huffman codes of the road strokes and stroke paths are used to compress the trajectory spatial paths. An opening window algorithm is used to simplify the trajectory temporal data depicted on a time–distance polyline by setting the maximum allowable speed difference as the threshold. Through analysis of the relative spatio‐temporal relationship between the preceding and latter feature tracking points, the spatio‐temporal data of the feature tracking points are all converted to binary codes together, accordingly achieving integrated compression of trajectory spatio‐temporal data. A series of comparative experiments between the proposed method and representative state‐of‐the‐art methods are carried out on a real massive taxi trajectory dataset from five aspects, and the experimental results indicate that our method has the highest compression ratio. Meanwhile, this method also has favorable performance in other aspects: compression and decompression time overhead, storage space overhead, and historical dataset training time overhead.