交通大數(shù)據(jù)是實(shí)現(xiàn)城市智慧交通服務(wù)的數(shù)據(jù)基石,時(shí)空軌跡是其中一種重要類型。近年來(lái),得益于移動(dòng)互聯(lián)網(wǎng)和定位等技術(shù)的廣泛普及和成熟,車輛的時(shí)空軌跡通過(guò)車載GPS設(shè)備很容易地被實(shí)時(shí)采集、傳輸并保存至云端數(shù)據(jù)中心。然而“海量”時(shí)空軌跡數(shù)據(jù)也一定程度為城市交通智慧化帶來(lái)了挑戰(zhàn),如嚴(yán)重耗費(fèi)帶寬資源、極大占用存儲(chǔ)空間、阻礙數(shù)據(jù)可視化與挖掘等。在線軌跡壓縮技術(shù)是一種解決以上問(wèn)題的有效方法。為減少移動(dòng)時(shí)空軌跡,現(xiàn)有系統(tǒng)或方法只是簡(jiǎn)單地降低GPS設(shè)備的采樣頻率,但這種做法無(wú)疑增加了軌跡的“稀疏性”和“不確定性”。更糟糕的是,城市路網(wǎng)的復(fù)雜特性以及GPS設(shè)備的定位誤差使推斷車輛行駛軌跡變得更加困難。為此,本文設(shè)計(jì)了一套軌跡匹配與壓縮的系統(tǒng)框架。具體而言:首先,基于SD-Matching（Spatial-Directional Matching）算法,本文將軌跡映射在廣泛易得的路網(wǎng)以克服定位誤差及實(shí)現(xiàn)軌跡語(yǔ)義豐富化;然后,基于HCC（Heading-Change-Compression）算法和DAVT（Distance-Acceleration-VelocityTimestamp）算法,本文在空間和時(shí)間兩個(gè)維度... 

【文章來(lái)源】：重慶大學(xué)重慶市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：104 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

主要研究?jī)?nèi)容Figure1.1MainResearchContent

重慶大學(xué)碩士學(xué)位論文10的工作類似，本文嘗試研究如何使用收集的航向信息來(lái)提高本研究中概率計(jì)算的準(zhǔn)確性。最近關(guān)于地圖匹配的工作主要集中在通過(guò)重建車輛行進(jìn)路徑來(lái)填充采樣的GPS點(diǎn)之間的距離間隙。具體來(lái)說(shuō)，兩個(gè)連續(xù)GPS點(diǎn)的候選邊通常是未連接，而且它們的間隙甚至可能很大，因此研究工作主要解決軌跡存在的“稀疏性”和“不確定性”等問(wèn)題[23]。為了準(zhǔn)確推斷路徑，研究者使用了諸如道路網(wǎng)拓?fù)洌ɡ纾溌愤B通性和鄰接性）、道路屬性（例如，車道數(shù)量，速度限制）和運(yùn)動(dòng)定律之類的附加信息[29,40,41]。此外，研究者還提出了一些更先進(jìn)的概率算法（例如，基于隱馬爾可夫模型）來(lái)提高地圖匹配質(zhì)量[24,27,42-45]。為了推斷車輛GPS軌跡的真實(shí)路徑，首先推斷每對(duì)連續(xù)GPS點(diǎn)之間的若干行進(jìn)路徑，然后通過(guò)相鄰GPS點(diǎn)和道路網(wǎng)拓?fù)浣Y(jié)構(gòu)全面地對(duì)路徑進(jìn)行篩眩在推斷每對(duì)連續(xù)GPS點(diǎn)的路徑過(guò)程中，研究人員常用Dijkstra和A*算法[44]。由于連續(xù)GPS點(diǎn)的每組候選邊之間都需要計(jì)算最短路徑，因此時(shí)間開銷成本非常高[46]。在本章節(jié)中，基于收集的航向信息，進(jìn)一步提出了一種啟發(fā)式算法來(lái)探索航向信息在路徑尋找和篩選中的可用性，算法著重于克服最短路徑運(yùn)算中的運(yùn)行效率瓶頸。2.2主要概念和算法概述圖2.1主要概念的例證Figure2.1Illustrationofmainconceptsusedinthissection

2在線軌跡匹配算法11定義1（路網(wǎng)）路網(wǎng)是一個(gè)圖，記為G（N,E），它由邊集E和節(jié)點(diǎn)集N組成。集合E中的元素是有向邊ie，有向邊分別包含一個(gè)頭節(jié)點(diǎn)hn和尾節(jié)點(diǎn)tn。N中的元素n是包含經(jīng)緯度坐標(biāo)的點(diǎn)，來(lái)表示車輛的空間位置。定義2（邊的方向）邊ie具有兩個(gè)方向，分別記為,htd（nn）和,thd（nn）。,htd（nn）定義為從節(jié)點(diǎn)hn到節(jié)點(diǎn)tn的邊方向，以正北方向作為基準(zhǔn)。邊的方向可以通過(guò)兩個(gè)節(jié)點(diǎn)的經(jīng)緯度計(jì)算得到。如圖2.1中的56d（n,n）是邊8e從頭節(jié)點(diǎn)5n到尾節(jié)點(diǎn)6n的一個(gè)方向。定義3（車輛航向）車輛航向記為h是指在采樣位置處車輛的車頭指向，同樣是以正北方向?yàn)榛鶞?zhǔn)，h（單位是度）的范圍是[0,360)。該信息可以直接從原始軌跡中訪問(wèn)得到。例如，圖2.1所示，車輛在1p點(diǎn)處的車輛航向是1h。定義4（GPS點(diǎn)）GPS點(diǎn)（ip）記錄了車輛的時(shí)空信息，包括時(shí)間戳it、地理空間坐標(biāo)(,)iilatlon、瞬時(shí)速度iv和車輛航向ih，記為,,,,iiiiiip（tlatlonvh）。定義5（原始軌跡片段）原始軌跡片段i由一系列GPS點(diǎn)組成，可以表示為1,,,iiiilppp，其中參數(shù)l控制了片段長(zhǎng)度。原始軌跡數(shù)據(jù)流T是由無(wú)數(shù)的軌跡片段i組成，記為11T,,。定義6（匹配軌跡片段）給定一個(gè)原始軌跡片段i，其匹配的軌跡片段m是車輛在路網(wǎng)中真實(shí)的行進(jìn)路徑，記為1,,,miineee，其中連續(xù)的兩個(gè)邊是相連的。匹配的軌跡流是由無(wú)數(shù)軌跡匹配片段mi組成，記為12,,mmmT。圖2.2提出的SD-Matching算法概述Figure2.2OverviewoftheproposedSD-MatchingalgorithmSD-Matching算法的概述如圖2.2所示，其中算法包含了三階段。當(dāng)原始的GPS軌跡數(shù)據(jù)流輸入算法中時(shí)，算法首先將數(shù)據(jù)流分割成等長(zhǎng)的短軌跡片段，片

【參考文獻(xiàn)】：
期刊論文
[1]路網(wǎng)感知的在線軌跡壓縮方法[J]. 左一萌,林學(xué)練,馬帥,姜家豪.  軟件學(xué)報(bào). 2018(03)
[2]基于公交車軌跡數(shù)據(jù)的道路GPS環(huán)境友好性評(píng)估[J]. 馬連韜,王亞沙,彭廣舉,趙宇昕,何遠(yuǎn)舵,高敬月.  計(jì)算機(jī)研究與發(fā)展. 2016(12)
[3]基于軌跡頻率抑制的軌跡隱私保護(hù)方法[J]. 趙婧,張淵,李興華,馬建峰.  計(jì)算機(jī)學(xué)報(bào). 2014(10)
[4]智慧城市中的大數(shù)據(jù)[J]. 李德仁,姚遠(yuǎn),邵振峰.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2014(06)
[5]以數(shù)據(jù)為中心的智慧城市研究綜述[J]. 王靜遠(yuǎn),李超,熊璋,單志廣.  計(jì)算機(jī)研究與發(fā)展. 2014(02)
[6]一種基于約束的最短路徑低頻浮動(dòng)車數(shù)據(jù)地圖匹配算法[J]. 李清泉,胡波,樂(lè)陽(yáng).  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2013(07)
[7]從數(shù)字城市到智慧城市的理論與實(shí)踐[J]. 李德仁,邵振峰,楊小敏.  地理空間信息. 2011(06)
[8]智慧城市:全球城市發(fā)展新熱點(diǎn)[J]. 陳柳欽.  青島科技大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版). 2011(01)



本文編號(hào)：3023657