移动环境下的在线轨迹匹配和压缩方法及实现
发布时间：2021-02-08 08:39
交通大数据是实现城市智慧交通服务的数据基石,时空轨迹是其中一种重要类型。近年来,得益于移动互联网和定位等技术的广泛普及和成熟,车辆的时空轨迹通过车载GPS设备很容易地被实时采集、传输并保存至云端数据中心。然而“海量”时空轨迹数据也一定程度为城市交通智慧化带来了挑战,如严重耗费带宽资源、极大占用存储空间、阻碍数据可视化与挖掘等。在线轨迹压缩技术是一种解决以上问题的有效方法。为减少移动时空轨迹,现有系统或方法只是简单地降低GPS设备的采样频率,但这种做法无疑增加了轨迹的“稀疏性”和“不确定性”。更糟糕的是,城市路网的复杂特性以及GPS设备的定位误差使推断车辆行驶轨迹变得更加困难。为此,本文设计了一套轨迹匹配与压缩的系统框架。具体而言:首先,基于SD-Matching（Spatial-Directional Matching）算法,本文将轨迹映射在广泛易得的路网以克服定位误差及实现轨迹语义丰富化;然后,基于HCC（Heading-Change-Compression）算法和DAVT（Distance-Acceleration-VelocityTimestamp）算法,本文在空间和时间两个维度...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：104 页
【学位级别】：硕士
【部分图文】：
主要研究内容Figure1.1MainResearchContent
重庆大学硕士学位论文10的工作类似，本文尝试研究如何使用收集的航向信息来提高本研究中概率计算的准确性。最近关于地图匹配的工作主要集中在通过重建车辆行进路径来填充采样的GPS点之间的距离间隙。具体来说，两个连续GPS点的候选边通常是未连接，而且它们的间隙甚至可能很大，因此研究工作主要解决轨迹存在的“稀疏性”和“不确定性”等问题[23]。为了准确推断路径，研究者使用了诸如道路网拓扑（例如，链路连通性和邻接性）、道路属性（例如，车道数量，速度限制）和运动定律之类的附加信息[29,40,41]。此外，研究者还提出了一些更先进的概率算法（例如，基于隐马尔可夫模型）来提高地图匹配质量[24,27,42-45]。为了推断车辆GPS轨迹的真实路径，首先推断每对连续GPS点之间的若干行进路径，然后通过相邻GPS点和道路网拓扑结构全面地对路径进行筛眩在推断每对连续GPS点的路径过程中，研究人员常用Dijkstra和A*算法[44]。由于连续GPS点的每组候选边之间都需要计算最短路径，因此时间开销成本非常高[46]。在本章节中，基于收集的航向信息，进一步提出了一种启发式算法来探索航向信息在路径寻找和筛选中的可用性，算法着重于克服最短路径运算中的运行效率瓶颈。2.2主要概念和算法概述图2.1主要概念的例证Figure2.1Illustrationofmainconceptsusedinthissection
2在线轨迹匹配算法11定义1（路网）路网是一个图，记为G（N,E），它由边集E和节点集N组成。集合E中的元素是有向边ie，有向边分别包含一个头节点hn和尾节点tn。N中的元素n是包含经纬度坐标的点，来表示车辆的空间位置。定义2（边的方向）边ie具有两个方向，分别记为,htd（nn）和,thd（nn）。,htd（nn）定义为从节点hn到节点tn的边方向，以正北方向作为基准。边的方向可以通过两个节点的经纬度计算得到。如图2.1中的56d（n,n）是边8e从头节点5n到尾节点6n的一个方向。定义3（车辆航向）车辆航向记为h是指在采样位置处车辆的车头指向，同样是以正北方向为基准，h（单位是度）的范围是[0,360)。该信息可以直接从原始轨迹中访问得到。例如，图2.1所示，车辆在1p点处的车辆航向是1h。定义4（GPS点）GPS点（ip）记录了车辆的时空信息，包括时间戳it、地理空间坐标(,)iilatlon、瞬时速度iv和车辆航向ih，记为,,,,iiiiiip（tlatlonvh）。定义5（原始轨迹片段）原始轨迹片段i由一系列GPS点组成，可以表示为1,,,iiiilppp，其中参数l控制了片段长度。原始轨迹数据流T是由无数的轨迹片段i组成，记为11T,,。定义6（匹配轨迹片段）给定一个原始轨迹片段i，其匹配的轨迹片段m是车辆在路网中真实的行进路径，记为1,,,miineee，其中连续的两个边是相连的。匹配的轨迹流是由无数轨迹匹配片段mi组成，记为12,,mmmT。图2.2提出的SD-Matching算法概述Figure2.2OverviewoftheproposedSD-MatchingalgorithmSD-Matching算法的概述如图2.2所示，其中算法包含了三阶段。当原始的GPS轨迹数据流输入算法中时，算法首先将数据流分割成等长的短轨迹片段，片
【参考文献】：
期刊论文
[1]路网感知的在线轨迹压缩方法[J]. 左一萌,林学练,马帅,姜家豪. 软件学报. 2018(03)
[2]基于公交车轨迹数据的道路GPS环境友好性评估[J]. 马连韬,王亚沙,彭广举,赵宇昕,何远舵,高敬月. 计算机研究与发展. 2016(12)
[3]基于轨迹频率抑制的轨迹隐私保护方法[J]. 赵婧,张渊,李兴华,马建峰. 计算机学报. 2014(10)
[4]智慧城市中的大数据[J]. 李德仁,姚远,邵振峰. 武汉大学学报(信息科学版). 2014(06)
[5]以数据为中心的智慧城市研究综述[J]. 王静远,李超,熊璋,单志广. 计算机研究与发展. 2014(02)
[6]一种基于约束的最短路径低频浮动车数据地图匹配算法[J]. 李清泉,胡波,乐阳. 武汉大学学报(信息科学版). 2013(07)
[7]从数字城市到智慧城市的理论与实践[J]. 李德仁,邵振峰,杨小敏. 地理空间信息. 2011(06)
[8]智慧城市:全球城市发展新热点[J]. 陈柳钦. 青岛科技大学学报(社会科学版). 2011(01)
本文编号：3023657
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：104 页
【学位级别】：硕士
【部分图文】：
主要研究内容Figure1.1MainResearchContent
重庆大学硕士学位论文10的工作类似，本文尝试研究如何使用收集的航向信息来提高本研究中概率计算的准确性。最近关于地图匹配的工作主要集中在通过重建车辆行进路径来填充采样的GPS点之间的距离间隙。具体来说，两个连续GPS点的候选边通常是未连接，而且它们的间隙甚至可能很大，因此研究工作主要解决轨迹存在的“稀疏性”和“不确定性”等问题[23]。为了准确推断路径，研究者使用了诸如道路网拓扑（例如，链路连通性和邻接性）、道路属性（例如，车道数量，速度限制）和运动定律之类的附加信息[29,40,41]。此外，研究者还提出了一些更先进的概率算法（例如，基于隐马尔可夫模型）来提高地图匹配质量[24,27,42-45]。为了推断车辆GPS轨迹的真实路径，首先推断每对连续GPS点之间的若干行进路径，然后通过相邻GPS点和道路网拓扑结构全面地对路径进行筛眩在推断每对连续GPS点的路径过程中，研究人员常用Dijkstra和A*算法[44]。由于连续GPS点的每组候选边之间都需要计算最短路径，因此时间开销成本非常高[46]。在本章节中，基于收集的航向信息，进一步提出了一种启发式算法来探索航向信息在路径寻找和筛选中的可用性，算法着重于克服最短路径运算中的运行效率瓶颈。2.2主要概念和算法概述图2.1主要概念的例证Figure2.1Illustrationofmainconceptsusedinthissection
2在线轨迹匹配算法11定义1（路网）路网是一个图，记为G（N,E），它由边集E和节点集N组成。集合E中的元素是有向边ie，有向边分别包含一个头节点hn和尾节点tn。N中的元素n是包含经纬度坐标的点，来表示车辆的空间位置。定义2（边的方向）边ie具有两个方向，分别记为,htd（nn）和,thd（nn）。,htd（nn）定义为从节点hn到节点tn的边方向，以正北方向作为基准。边的方向可以通过两个节点的经纬度计算得到。如图2.1中的56d（n,n）是边8e从头节点5n到尾节点6n的一个方向。定义3（车辆航向）车辆航向记为h是指在采样位置处车辆的车头指向，同样是以正北方向为基准，h（单位是度）的范围是[0,360)。该信息可以直接从原始轨迹中访问得到。例如，图2.1所示，车辆在1p点处的车辆航向是1h。定义4（GPS点）GPS点（ip）记录了车辆的时空信息，包括时间戳it、地理空间坐标(,)iilatlon、瞬时速度iv和车辆航向ih，记为,,,,iiiiiip（tlatlonvh）。定义5（原始轨迹片段）原始轨迹片段i由一系列GPS点组成，可以表示为1,,,iiiilppp，其中参数l控制了片段长度。原始轨迹数据流T是由无数的轨迹片段i组成，记为11T,,。定义6（匹配轨迹片段）给定一个原始轨迹片段i，其匹配的轨迹片段m是车辆在路网中真实的行进路径，记为1,,,miineee，其中连续的两个边是相连的。匹配的轨迹流是由无数轨迹匹配片段mi组成，记为12,,mmmT。图2.2提出的SD-Matching算法概述Figure2.2OverviewoftheproposedSD-MatchingalgorithmSD-Matching算法的概述如图2.2所示，其中算法包含了三阶段。当原始的GPS轨迹数据流输入算法中时，算法首先将数据流分割成等长的短轨迹片段，片
【参考文献】：
期刊论文
[1]路网感知的在线轨迹压缩方法[J]. 左一萌,林学练,马帅,姜家豪. 软件学报. 2018(03)
[2]基于公交车轨迹数据的道路GPS环境友好性评估[J]. 马连韬,王亚沙,彭广举,赵宇昕,何远舵,高敬月. 计算机研究与发展. 2016(12)
[3]基于轨迹频率抑制的轨迹隐私保护方法[J]. 赵婧,张渊,李兴华,马建峰. 计算机学报. 2014(10)
[4]智慧城市中的大数据[J]. 李德仁,姚远,邵振峰. 武汉大学学报(信息科学版). 2014(06)
[5]以数据为中心的智慧城市研究综述[J]. 王静远,李超,熊璋,单志广. 计算机研究与发展. 2014(02)
[6]一种基于约束的最短路径低频浮动车数据地图匹配算法[J]. 李清泉,胡波,乐阳. 武汉大学学报(信息科学版). 2013(07)
[7]从数字城市到智慧城市的理论与实践[J]. 李德仁,邵振峰,杨小敏. 地理空间信息. 2011(06)
[8]智慧城市:全球城市发展新热点[J]. 陈柳钦. 青岛科技大学学报(社会科学版). 2011(01)
本文编号：3023657
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3023657.html
