基于路网的GPS轨迹在线压缩方法

在传统的GPS轨迹压缩中,其压缩的结果与原始轨迹差别较大,在压缩过程中不同程度的忽略了轨迹点的速度信息、方向信息以及轨迹的形状,在本文中,在保证压缩率的前提下将保存速度、方向、轨迹形状等GPS轨迹特征信息,作为重点研究的问题.本文算法基于路网信息、OW(Opening Window,开放窗口)算法、关键点法以及停留点法之上提出了一种能够保存GPS轨迹时空特性的在线压缩算法.实验结果表明,该压缩算法较现有的压缩算法在保证压缩率的前提下,在保留轨迹时空特性的基础上有所改进.     

基于路网的不确定性轨迹预测

移动对象的轨迹预测研究已成为当前移动对象研究中关注的热点,移动对象的轨迹预测技术具有高度的研究价值及广阔的应用前景.目前移动对象的轨迹预测方法主要是针对历史轨迹确定的欧氏空间轨迹预测,但有相当一部分的应用要求预测历史轨迹存在不确定性的移动对象在受限路网中的轨迹.为了解决这一问题,首先提出了不确定性轨迹的生成方法及其表示形式,然后提出了一种基于路网的不确定性轨迹频繁模式挖掘算法,最后给出了利用索引快速查找轨迹模式并进行预测的方法.实验结果表明该方法具有较高的预测准确率、较好的查询效率以及较低的存储空间.     

基于路网的移动对象轨迹压缩

传统上采用（x,y,t）点的序列表达移动对象轨迹信息,这种表达方式有两个问题：第一,由于误差导致的精度问题,GPS接收器经常产生偏离道路的位置;第二,大量的采样导致的空间复杂性数据。本文采用基于路网的移动对象轨迹模型,讨论了路网中轨迹数据压缩问题,提出了一个非线性的压缩算法。试验结果表明,该算法更好地利用了移动对象在路网上的运动规律,提高了轨迹的精度,得到了更高的压缩比。     

基于划分的自适应轨迹拐点提取压缩算法

海量的轨迹数据为管理分析和数据挖掘工作带来了巨大的挑战, 轨迹压缩技术成为解决这一问题的一种有效方案. 针对目前多数轨迹压缩算法需要人为干预设定阈值的问题, 融合特征聚类与轨迹划分的思想提出了一种自适应的轨迹拐点提取压缩算法. 算法从轨迹的全局方向特征与局部方向特征出发考虑, 依次进行了轨迹粗划分、子轨迹合并以及轨迹细划分的工作. 实验结果显示, 随着轨迹规模的增大, 与其他算法相比, 该算法基本能够在保持更高压缩率的同时产生更低的方向误差. 提出的算法具有自适应和高精度拐点识别的优势, 在其他轨迹压缩场景之下仍有着较高的参考价值.     

基于轨迹信息熵分布的异常轨迹检测方法

针对异常轨迹检测多特征检测和检测单元造成的检测效率低等问题。提出一种基于轨迹信息熵分布的异常轨迹检测方法。该算法根据轨迹偏转角与速度将轨迹分割成若干轨迹段,计算轨迹段间加权多特征距离判断轨迹间相似度,进而完成轨迹聚类并计算出每类代表性轨迹,然后对待检测轨迹进行分割,利用代表性轨迹计算每个轨迹段的信息熵,通过比较轨迹信息熵大小及其分布特点实现异常轨迹检测。大西洋飓风数据仿真实验结果表明该方法提高了聚类效果,克服以整条轨迹检测效率低的缺点,提升了异常轨迹检测算法的有效性。     

基于共享单车GPS数据的小区道路生成方法

利用GPS数据生成路网对城市交通有着重要意义。由于机动车自身对道路条件的要求,利用机动车GPS提取路网主要针对城市主干道及主路,忽略了小路及小区路网。为完善城市路网,提出了一种基于共享单车GPS轨迹的道路拓扑结构生成方法。首先提取路网拓扑节点,通过引入趋势夹角判断转折点后利用转向角分析确定拓扑点。然后提取道路线型,通过OW(opening window)算法对轨迹进行分割、基于DBCSAN算法思想提出一种对子轨迹聚类方法,再提取特征点来拟合道路中心线。利用缓冲区验证路网的精度,结果表明该方法生成的道路既能确保拓扑结构又具有较高的覆盖率。     

路网感知的在线轨迹压缩方法

随着定位技术的高速发展,定位传感器被广泛地应用于智能手机、车载导航等各种移动设备中,用于采集移动对象位置数据并将数据上传至服务器.该技术的应用方便了位置跟踪、预测和分析,同时也带来了轨迹数据量大、数据冗余、传输和存储代价高等问题.轨迹压缩技术即是针对该问题而提出的,它通过保留关键轨迹点和去除冗余轨迹点信息,降低了轨迹数据的传输和存储开销.本文分析了近年来轨迹压缩领域的国内外研究进展,针对现有研究工作的不足,提出了一种路网感知的在线轨迹压缩方法,包括针对轨迹压缩的距离有界的隐马尔科夫地图匹配算法和误差有界的高效轨迹压缩算法等,并实现了该方法的原型系统（ROADER）.基于真实数据集的实验证明,该系统在压缩率、误差和执行时间等方面均显著优于同类算法.     

搜索路网空间中时空相似轨迹

为了分析移动对象行为特征,需要一种度量轨迹间相似性的方法,虽然在欧氏空间检索移动对象相似轨迹的研究较多,但在路网空间这种研究还不多见。在实际应用方面,大多数移动对象位于路网空间而不是欧氏空间。本文研究了路网空间相似轨迹的特性,并提出了一种在路网空间搜索相似轨迹的度量方法。实验结果表明该方法不仅是搜索相似轨迹的实用技术,也是一种较好的轨迹聚类方法     

基于CNN的公路路网自动提取方法研究

为提高深度学习网络中公路提取性能,提出了一种基于CNN框架的公路路网自动提取方法。为进一步提高模型训练效果,设计了一种考虑公路结构的损失函数。计算损失时不仅考虑每个像素的重要程度,同时考虑公路的全局结构。通过仿真分析,所提方法准确率达到92.4%,较传统CNN方法提高13%。     

一种多尺度卷积神经网络道路提取方法

针对神经网络训练过程存在分辨率不断降低和梯度消失的共性问题,提出一种基于多尺度卷积神经网络的遥感影像道路提取方法。首先,针对网络前向传播过程分辨率逐渐降低的问题,采用子影像训练网络模型,增强网络对细节信息的获取,然后应用多尺度卷积学习获取不同维度的分层特征,解决由分辨率下降导致的信息缺失问题;其次针对网络在反向传播阶段中出现的梯度消失问题,融入残差连接限制梯度过度更新,改善网络的深度受限问题;最后,针对网络深度和宽度的挖掘导致的网络训练效率问题,使用全局均值池化优化全连接层中大量的冗余数据。大量遥感影像实验结果表明,相对于U-Net网络和经典卷积网络,该方法在Accuracy和F1值上均具有较大优势。     

SAR图象中道路网络提取算法研究

提出了一种利用遗传算法从高分辨率SAR图象中提取道路网络的方法。高分辨率SAR图象中目标背景复杂,同时由于受相干斑噪声的影响,很难直接从原始图象数据中提取道路特征。首先利用模糊C均值对滤波后的图象进行聚类,将道路类象素从图象中分离出来;根据聚类结果及道路特征建立数学模型,利用遗传算法搜索全局最优道路。实验结果表明该方法可以很好地从SAR图象中提取道路网络。     

基于视觉显著性特征的遥感影像道路网提取方法

在遥感影像上,道路被认为是颜色、纹理、形状相似的狭长线状目标,基于此特征可知,整个道路网在影像上会呈现非常显著的特征,极易引起人眼的注意,我们称之为感兴趣区域。感兴趣区域是场景中最能引起用户兴趣、体现图像主要内容的区域,视觉认知理论的研究表明：通过视觉注意机制可以模拟人眼的观察过程,找出遥感影像上的显著区域。本文提出应用视觉注意机制辅助遥感影像道路网提取的思想,通过对影像的显著区域进行分析和处理,得到最终的道路网。对比实验表明该算法可以有效的提高道路网提取的准确率和完整性。     

基于无人机的道路点云数据分割提取算法

针对机载LiDAR获得道路的数据信息精确度低问题,提出基于无人机的低空扫描三维点云数据,动态拟合提取分割道路信息的算法.首先使用主成分分析法获得道路点数据的法向量,之后将高程信息和法向量信息结合,利用聚类算法获得道路的高程和法向量的范围,提取道路点云数据;其次利用多项式拟合对道路数据进行数学建模;然后通过动态多项式拟合提取出所有路面数据和路面上的资产以及行人车辆数据;最后使用区域生长算法对路面上的资产以及行人车辆数据进行分割.实验表明算法对道路上的遮挡物有很强的抗干扰能力,可以将路面提取出来并将路面上的数据分割进行分割,将本文算法与区域生长算法进行对比,本文算法对路面数据更加敏感.     

基于道路网络的约束聚类

聚类法是最重要的空间数据分析方法之一。在大多数真实的应用中,对受限于网络空间的数据访问和分析更有意义（如道路网络上对象的分析）。目前已有一些道路网络聚类方法,但都是基于理想的抽象空间,没有考虑现实存在的约束条件（如交通限制信息）,因此不能直接应用到现实环境中。本文提出了带约束条件的道路网络模型,扩展了已有的聚类算法。算法的实验结果表明,算法对真实的道路网络中的对象聚类是高效的。     

一种基于GPS轨迹的道路拓扑生成方法

复杂路网拓扑的自动生成建立在道路提取和交叉路口识别的基础之上,是智能交通控制和自动导航服务等领域的研究热点之一,基于浮动车或出租车的GPS轨迹可以反映交通路网的拓扑结构。为此,提出了一种基于GPS轨迹的道路拓扑生成方法,即在无道路地图辅助的情况下,该方法基于大规模GPS轨迹,能够快速提取路口交叉点,自动构建具有地理位置信息的拓扑结构和计算相邻路口的网络距离。实验结果表明,该方法能够提取出各个道路交叉点并建立各点之间的拓扑关系。在提取主干道路拓扑实验中,在设置路宽为55米的情况下提取路口交叉点的正确率达到了87.08%,各路口之间的平均网络距离误差率为8.87%,并且能够正确地得到交叉点之间的连通关系。     

改进U-Net网络的遥感影像道路提取方法研究

从遥感影像中提取道路目标对智慧城市建设具有重要意义.由于遥感数据中道路及背景特征复杂多样,使用深度学习方法对道路进行提取的准确性仍然受到限制.基于U-Net网络架构设计实现了用于遥感影像道路提取的深度语义分割模型AS-Unet,该模型分为编码器和解码器两部分.在编码器部分加入通道注意力机制,对提取的丰富低层特征进行筛选...     

基于改进水平集方法的高分辨率遥感图像道路提取

提出了一种基于改进水平集方法的遥感图像道路提取实用方法。针对水平集分割方法速度较慢以及对区域划分仅仅考虑灰度特征等不足,提出一种改进算法,通过引入罚函数项,并整合RGB空间和HSI空间的各通道信息,构造了一类基于多空间信息且无需重新初始化的水平集演化方程。同时针对遥感图像幅值大的特点,建立整图划分若干子图的划分方法,使提取的目标道路集中在少量子图中,减少了无目标背景干扰。利用QuickBird 0.61 m分辨率遥感图像进行道路信息提取试验,并建立评价指标对算法结果进行量化评价和分析。结果表明,研究的方法可较好地抑制区域背景噪声的干扰,快速准确地提出完整的道路区域,在道路交通规划辅助决策等领域具有重要的应用前景。