transbigdata 笔记: 轨迹密集化/稀疏化 & 轨迹平滑

1 密集化

python 复制代码
transbigdata.traj_densify(
    data, 
    col=['Vehicleid', 'Time', 'Lng', 'Lat'], 
    timegap=15)

轨迹致密化,保证至多每隔timegap秒都有一个轨迹点

这边插补使用的是pandas的interpolate,method设置的是index

1.1 举例

transbigdata 笔记: 官方文档示例3:车辆轨迹数据处理-CSDN博客

2 稀疏化

python 复制代码
transbigdata.traj_sparsify(
    data, 
    col=['Vehicleid', 'Time', 'Lng', 'Lat'], 
    timegap=15, 
    method='subsample')

扩展采样间隔并减少数据量

  • method可以是interpolate/subsample

1.2 举例

transbigdata 笔记: 官方文档示例3:车辆轨迹数据处理-CSDN博客

3 轨迹平滑

  • 在处理车辆轨迹数据时,轨迹点表示对车辆实际"状态"的"观察"。由于误差,观察到的数据可能与车辆的实际状态有所不同。

  • 那么,如何更准确地估计车辆的实际状态呢?

    • 一种方式是,将轨迹点的位置与先前轨迹点的位置进行比较,以检查显著和不合理的跳跃
    • 换言之,根据车辆先前的轨迹预测车辆未来可能的位置。如果下一个记录的轨迹点明显偏离预期位置,则可以确定轨迹异常。
  • 这种方法与卡尔曼滤波的概念有相似之处

    • 将先前位置推导的状态估计(当前轨迹点的预测位置)与当前观测数据(当前轨迹点的观测位置)相结合,以获得当前状态(实际位置)的最优估计
  • 卡尔曼滤波器适用于轨迹数据中噪声相对稳定的情况,这意味着噪声方差保持不变。它在平滑由轨迹数据中的测量误差引起的小规模波动方面特别有效。

  • 当轨迹中出现显著漂移时,卡尔曼滤波器的有效性是有限的。漂移点被视为观测值,对状态估计有重大影响,卡尔曼滤波器无法直接处理。

  • ------>常见的方法是先去除漂移,然后进行平滑,最后进行路网匹配

3.1 方法介绍

python 复制代码
transbigdata.traj_smooth(
    data, 
    col=['id', 'time', 'lon', 'lat'], 
    proj=False, 
    process_noise_std=0.5, 
    measurement_noise_std=1)

|---------------------------|---------------------------------------|
| data | 轨迹数据 |
| proj | 是否进行等距投影 |
| process_noise_std | 过程噪声的标准偏差【上一时刻的状态预测当前时刻的状态,这个时刻产生的误差】 |
| measurement_noise_std | 测量噪声的标准偏差【观测位置的误差】 |

3.2 举例

transbigdata 笔记: 官方文档示例3:车辆轨迹数据处理-CSDN博客

相关推荐
下辈子再也不写代码了2 分钟前
分片下载、断点续传与实时速度显示的实现方法
前端·后端·github
婷婷婷婷2 分钟前
AntV X6 常用方法
前端
卡戎-caryon5 分钟前
【Linux网络与网络编程】03.UDP Socket编程
linux·服务器·网络·笔记·单例模式·udp·网络通信
LucianaiB11 分钟前
拿到Offer,租房怎么办?看我用高德MCP+腾讯云MCP,帮你分分钟搞定!
前端·后端·cursor
用户175923421502817 分钟前
D3.js - 基本用法
前端·d3.js
nuise_32 分钟前
李宏毅机器学习笔记06 | 鱼和熊掌可以兼得的机器学习 - 内容接宝可梦
人工智能·笔记·机器学习
Mr.Liu634 分钟前
小程序30-wxml语法-声明和绑定数据
前端·微信小程序·小程序
76756047934 分钟前
useDateFormat源码解析
前端·源码
Mintopia35 分钟前
Three.js粒子系统开发实战:从基础到性能优化
前端·javascript·three.js
Promise52035 分钟前
大屏"跑马灯" 长列表性能优化
前端·javascript