出租车轨迹数据地图匹配
地图匹配--千万量级出租车轨迹数据
- 时空轨迹数据的研究点
- 数据样例
- 数据展示
- 地图匹配
- 地图匹配准备
- 地图匹配Python实现
- 地图匹配C#实现
- T-Driver数据匹配结果输出
- 基于隐马尔科夫模型地图匹配实现
时空轨迹数据是带有时间和空间信息的序列数据,数据获取成本低,覆盖范围广,且拥有时态特性,既可以进行微观个体活动模式的研究,也可以进行宏观活动系统的城市空间结构的研究。今天将分享一套出租车轨迹数据,该数据包含北京市2008年一周内10000+辆出租车、10分钟采样频率、1千万条以上的轨迹。
去看原文
时空轨迹数据的研究点
时空轨迹数据可进行城市动态景观分析,城市公共空间组织与规划,城市人口分布,城市交通可达性、土地利用与交通需求的依赖关系、城市路网脆弱性等研究。同时,利用配有GPS的浮动车数据(Floating Car Data)不仅能够动态追踪移动车辆的连续轨迹,而且由于浮动车辆的运动受限于路网,也能够动态感知城市道路的路网交通状态、拥堵状况、十字路口等重要交通节点的车流量状况,分析出租车轨迹的时空规律等。
例如,轨迹数据可用于提取人流、信息流的方向与强度,对于区域空间结构研究提供了新的视角。轨迹数据也可提取人口分布空间集聚动态规律,有助于交通问题的发现与解决,促进交通分析的精确化、科学化。
数据样例
1,2008-02-02 15:36:08,116.51172,39.92123
1,2008-02-02 15:46:08,116.51135,39.93883
1,2008-02-02 15:46:08,116.51135,39.93883
1,2008-02-02 15:56:08,116.51627,39.91034
1,2008-02-02 16:06:08,116.47186,39.91248
主要包含车辆ID,时间戳,经纬度等信息。
数据展示
路网及轨迹点展示:
一天的某量车辆轨迹动态展示:
某辆出租车多天轨迹2D平面展示:
某辆出租车多天轨迹3维展示:
地图匹配
选择部分轨迹序列,由于GPS的误差,出租车轨迹点通常不在路网中;然而,由于出租车是受路网约束的,因此需要进行地图匹配,即将在路网外的GPS点移动到路网上(不是简单的移动到最近的路段上),并且考虑轨迹的连贯性。
原始轨迹数据是不在路网上的:
匹配后的点一定是在路网上的。GPS点将在考虑前后轨迹点的同时,找到一个路段上最优的的一个候选点进行匹配(从下图可以看出并非直接移动到最近的路段上):
地图匹配进行轨迹还原:
地图匹配准备
进行时空轨迹数据分析时,地图匹配是一项数据预处理部分重要的工作。此处地图匹配的算法可参考:如何把车辆轨迹数据匹配到路网?此匹配方法适用低频、高频轨迹数据地图匹配,并且考虑匹配轨迹的连贯性,而不是简单的将点移动到最近的路段上。此处给出地图匹配的Python实现和C#实现。
在进行地图匹配之前,首选需要准备路网数据(可从OSM下载),并对轨迹数据进行划分成不同的轨迹段。
以下是路网数据的预处理:
- 路段筛选。从Open Street Map上下载的道路路网不仅包含车辆行驶道路,还包括自行车道、人行道、步行道等非机动道路。因此需要将这部分非机动车道路从路网中移除。
- 路段划分。对于低等级的道路,需要在线的交点处进行划分,将路段分割成更小的单元。即在该交点处能够向左、右行驶,即真实道路十字路口的转向拓扑关系。即下图红色框内需要进行线分割。
- 投影变换。从OSM下载的路网数据通常是WGS84地理坐标系,需要将其从WGS84地理坐标系投影为投影(平面)坐标系 ,以方便距离计算。
- 生成网络数据集。提取交叉路口。
- 空间连接并筛选。生产的网络数据集中存在junctions文件,进行空间连接,即将路网线数据和交叉路口连接起来。对于空间连接数大于2的,则用junctions进行打断。然后去掉空间连接数等于1的,即保证一条路段仅有两个junctions,即最小单元的路段的两端为交叉路口。
- 生成拓扑表。根据空间连接结果生成路段两端点的坐标,长度等信息。然后生成拓扑表。
对于出租车轨迹数据,需要进行以下预处理:
- 按车辆ID对数据进行划分,即同一辆车同一天的数据放在一起,并按时间戳字段进行排序;
- 同车辆ID同天的数据进行轨迹段划分。因为出租车存在数据丢失或者一些其他原因,一辆出租车的轨迹数据并不是按采样间隔连续有数据,会存在很长一段时间段没有数据,因此需要进行轨迹段划分。对排好序的数据相邻两个轨迹点进行时间戳做差求时间间隔,若时间间隔大于给定的阈值,则认为是新的一段轨迹,并设置新的轨迹段ID。
处理好路网数据和轨迹数据,便可以进行地图匹配。
地图匹配Python实现
# -*- coding: utf-8 -*-
# @Author: 武辛
# @Email: geo_data_analysis@163.com
# @Note: 如有疑问,可加微信"wxid-3ccc"
def main():trajectory_data_rootdir = "轨迹数据根路径"network_path = "BJRoadNet/Beijing_Polyline.shp" # 路网shp文件路径bufferDis = 50 # 缓冲距离taix_id = 1 # 出租车辆idprex = "point_taxi_gps_20xx_by_id" # 保存文件的前缀# 加载轨迹数据以及基础数据datas = readTrajectory(trajectory_data_rootdir + "taxi_log_20xx_by_id/%s.txt" % (str(taix_id)))network = Network.loadNetwork("Beijing_NetworkLink", "NetworkLink")ArcPy_Util.bindFeatureLayer(network, network_path)isStop(datas, network_path, bufferDis) # 判断为静止的时段,就不考虑该轨迹点datas = datas[datas["Day"] == 2]datas.reset_index(drop = True)# 匹配部分代码candinate_points = match(network, datas, bufferDis)# 匹配结果整理,获取轨迹线、点信息print("Start to get the matched info...")route_polylines, route_points = getPolyline_Point_Info(candinate_points, network)# 匹配前结果存为shp文件points = [ArcPy_Util.lnglatToXY(coords["LNG"], coords["LAT"], ArcPy_Util.get_spatial_reference(network_path)) for index, coords in datas.iterrows() if not coords["Is_Stop"]]ArcPy_Util.save_points(points, ArcPy_Util.get_spatial_reference(network_path), "Matched_Taxi_Data/%s_%s.shp" % (prex, str(taix_id)))# 匹配后结果存为shp文件ArcPy_Util.save_points(route_points, ArcPy_Util.get_spatial_reference(network_path), "Matched_Taxi_Data/Mathched_%s_%s.shp" % (prex, str(taix_id)))ArcPy_Util.save_polylines(route_polylines, "Matched_Taxi_Data/%s_%s.shp" % ("polyline", str(taix_id)))
地图匹配C#实现
针对地图匹配的Python实现,采用了采样频率为5-10秒的轨迹数据进行了测试,路网规模的量级大概为(8094节点,18486条边),如下图,匹配6065个节点的时间大概需要3900+秒,可以看出这个匹配效率还是比较慢。
因此,本文采用C语言对该代码进行重写,并进行测试(同样采样频率数据,相同路网情况下)。如下图,可以看出,匹配100个点大概需要3秒,效率相对来说可以接受。
以下是某段轨迹的匹配结果:
T-Driver数据匹配结果输出
通过以上算法完成T-Driver数据的匹配,主要输出了GPS点划分不同轨迹匹配后的投影坐标以及相应的轨迹Shapefile文件,如下:
公众号后台回复“T-Driver”可获取匹配后的样例数据。
基于隐马尔科夫模型地图匹配实现
去看原文
以下是使用HMM匹配的结果:
V_ID,T_ID,LNG,LAT,TIMESTAMP,MATCHED_LNG,MATCHED_LAT
12,1,121.47647,31.281,2020-04-02 01:44:21,121.476453312,31.2801150372
12,1,121.47772,31.280,2020-04-02 01:44:31,121.477702482,31.2809243592
12,1,121.47836,31.282,2020-04-02 01:44:41,121.478281504,31.282192294
12,1,121.4785,31.283,2020-04-02 01:44:51,121.478443692,31.2835652779
12,1,121.4786,31.284,2020-04-02 01:45:05,121.478586156,31.285021706
12,1,121.47902,31.286,2020-04-02 01:45:11,121.47901228,31.2864233916
12,1,121.47945,31.288,2020-04-02 01:45:21,121.479431095,31.287804875
12,1,121.47994,31.289,2020-04-02 01:45:31,121.479948089,31.289306316
12,1,121.48073,31.290,2020-04-02 01:46:26,121.480746175,31.2906989314
更多内容,请关注地学分析与算法。
出租车轨迹数据地图匹配相关推荐
- 出租车轨迹点地图匹配研究
背景 历经一年时间,从一个对地理信息一无所知的小白到入门的过程,在今天晚上,终于把轨迹点初步匹配到地图上了. 关于地图匹配,已经是一门成熟的技术了,但是网上对地图匹配的开源还是比较少.Github上面 ...
- Mysql出租车轨迹的分析_一种基于出租车轨迹数据的交通出行共现现象的可视化分析方法与流程...
本发明涉及交通数据可视化领域,尤其涉及一种基于出租车轨迹数据的交通出行共现现象的可视化分析方法. 背景技术: :城市中人类移动规律中的共现现象是指来自两个区域的人们在同一个时间段内访问同一个城市区域. ...
- 把握出租车行驶的数据脉搏 :出租车轨迹数据给你答案!
城市化带来的道路拥堵.出行耗时长等交通问题给交管部门带来了巨大的挑战. ▼ 通过安装在出租车上的GPS设备,可以采集到大量的轨迹数据,从而帮助我们分析人们出行信息,达到优化交通的目的. 最近我们被客 ...
- python出租车数据_Python处理JSON格式数据(出租车轨迹数据)
1.主要是先通过观察发现JSON数据的规律,我们可以使用Notepad++工具查看JSON数据的结构,了解数据的层次. 即使文件不是真正的json格式,例如有可能是多个json格式放在一起,每一行是一 ...
- 【研究总结】基于出租车GPS轨迹数据的相关研究
出租车纯粹研究出现貌似已经过时了,在常规研究的时代结束之前,让我们来回顾和展望一下 一.常规研究 1.一般从出租车的运营特征(车.载客.行程.空载率)和出行空间特征(OD点线)两个方面来研究居民的出行 ...
- 手机信令数据怎么获得_数据福利|深圳市手机信令数据下载与处理(包括ETC/公交卡/出租车轨迹等)...
数据下载地址 https://www.cs.rutgers.edu/~dz220/data.html 这个课题组对外分享的数据非常的良心,有广东省某日高速公路ETC刷卡数据.深圳市一天的电动出租车GP ...
- 基于python的transbigdata实现出租车轨迹数据分析与可视化
TransBigData是一个为交通时空大数据处理.分析和可视化而开发的Python包.TransBigData为处理常见的交通时空大数据(如出租车GPS数据.共享单车数据和公交车GPS数据等)提供了 ...
- spark如何进行聚类可视化_基于Spark的出租车轨迹处理与可视化平台
由于城市化进程加剧以及汽车数量增加, 城市交通问题日益严重[, 通过分析各种空间数据解决交通问题是当前研究的热点. 出租车提供广泛且灵活的交通运输服务, 是城市交通的重要组成部分. 出租车轨迹数据记录 ...
- 最好用的地图匹配框架——基于HMM的Valhalla
最好用的地图匹配框架--基于HMM的Valhalla 地图匹配 就是将点映射到路段上的技术啦,懂得都懂哈~ 因为本人是做城市计算移动轨迹方面的研究,所以经常要对一些车辆轨迹进行地图匹配,但是由于懒得自 ...
- 【地图匹配(ST-matching)】GPS 轨迹数据预处理——T-Driver数据集【持续更新中】
一.数据介绍 1.数据链接 https://download.csdn.net/download/skyman30/87432266?spm=1001.2014.3001.5503https://do ...
最新文章
- python you-get下载视频-使用python库之you-get下载视频
- [Qt教程] 第32篇 网络(二)HTTP
- int i 引出JVM故事
- 音视频技术开发周刊 75期
- gblfy_IDEA常用快捷键技巧
- 极目眺望的tiantianguandan
- 基于Python的HTTP接口测试
- kali linux无法启动服务,不好了!出问题了!在安装Kali Linux之后启动系统时
- HDU2022 海选女主角【最值】
- python起多进程服务_python 多进程详细总结
- java编程符号大全_数学符号大全
- windows11常用快捷键
- 基于matlab锁相环电路,锁相环PLL的电路原理以及基本构成
- Jav安全框架Shiro学习总结(1)
- CentOS 7 网络配置
- hdu 3995 Perfect Faceless Void
- 嵌入式linux 修改mac,MAC to MAC 环境下,嵌入式linux的修改
- 自助查询工具需求分析
- HANA数据自助查询
- 使用python读取网络视频流或者本地视频进行RTMP流的生成,并对视频源的每一帧做剪切处理
热门文章
- PLSql不用安装Oracle客户端,实现远程连接
- Windows Server 2012 安装MySQL服务器感悟
- XtraBackup备份mysql5.1.73
- 将指定用户下所有表的查询权限赋权给查询用户
- (Kinetis K60) FTM输出PWM
- Qt学习-QString用法总结( setNum, number 函数)
- android 预优化oat_Android内存优化大盘点
- python @property的介绍与使用
- C/C++_宏定义神仙级用法 实现枚举字符串互转
- RHEL5 telnet服务 安装配置