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
西岭千秋雪_几秒前
Redis性能优化
数据库·redis·笔记·学习·缓存·性能优化
abigale0318 分钟前
webpack+vite前端构建工具 -11实战中的配置技巧
前端·webpack·node.js
专注API从业者38 分钟前
构建淘宝评论监控系统:API 接口开发与实时数据采集教程
大数据·前端·数据库·oracle
Joker`s smile41 分钟前
Chrome安装老版本、不同版本,自制便携版本用于前端调试
前端·chrome
weixin_4166399744 分钟前
爬虫工程师Chrome开发者工具简单介绍
前端·chrome·爬虫
HuashuiMu花水木1 小时前
Matplotlib笔记4----------图像处理
图像处理·笔记·matplotlib
我是如子啊1 小时前
【解决“此扩展可能损坏”】Edge浏览器(chrome系列通杀))扩展损坏?一招保留数据快速修复
前端·chrome·edge
灵性花火1 小时前
Qt的前端和后端过于耦合(0/7)
开发语言·前端·qt
DES 仿真实践家2 小时前
【Day 11-N22】Python类(3)——Python的继承性、多继承、方法重写
开发语言·笔记·python
孤水寒月5 小时前
基于HTML的悬窗可拖动记事本
前端·css·html