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
前端进阶者5 分钟前
天地图编辑支持删除编辑点
前端·javascript
江号软件分享14 分钟前
无接触服务的关键:二维码生成识别技术详解
前端
江号软件分享14 分钟前
如何利用取色器实现跨平台色彩一致性
前端
灰海18 分钟前
封装WebSocket
前端·网络·websocket·网络协议·vue
前端小巷子29 分钟前
深入理解TCP协议
前端·javascript·面试
万少30 分钟前
鸿蒙外包的十大生存法则
前端·后端·面试
开开心心就好1 小时前
电脑息屏工具,一键黑屏超方便
开发语言·javascript·电脑·scala·erlang·perl
江号软件分享1 小时前
有效保障隐私,如何安全地擦除电脑上的敏感数据
前端
笑衬人心。1 小时前
Java 17 新特性笔记
java·开发语言·笔记
web守墓人2 小时前
【前端】ikun-markdown: 纯js实现markdown到富文本html的转换库
前端·javascript·html