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
花楸树5 分钟前
前端搭建 MCP Client(Web版)+ Server + Agent 实践
前端·人工智能
wuaro5 分钟前
RBAC权限控制具体实现
前端·javascript·vue
专业抄代码选手10 分钟前
【JS】instanceof 和 typeof 的使用
前端·javascript·面试
用户00798136209711 分钟前
6000 字+6 个案例:写给普通人的 MCP 入门指南
前端
用户876128290737415 分钟前
前端ai对话框架semi-design-vue
前端·人工智能
干就完了118 分钟前
项目中遇到浏览器跨域前端和后端解决方案以及大概过程
前端
我是福福大王20 分钟前
前后端SM2加密交互问题解析与解决方案
前端·后端
实习生小黄23 分钟前
echarts 实现环形渐变
前端·echarts
齐尹秦30 分钟前
HTML5 Web Workers 学习笔记
笔记·学习
_未知_开摆31 分钟前
uniapp APP端在线升级(简版)
开发语言·前端·javascript·vue.js·uni-app