论文部分内容阅读
轨迹数据是时空环境下,通过对一个或多个移动对象运动过程的采样所获得的数据信息,包括采样点位置、采样时间、速度等,这些采样点数据信息根据采样先后顺序构成了轨迹数据。近年来,随着各种定位技术(如全球定位系统(Global Positioning System,GPS)和无线蜂窝网)的发展和普及,以及无线互联网的高速发展推动下的移动智能终端的更新换代,民用GPS(Global Positioning System)设备在移动终端上得到了非常广泛的使用,大量的轨迹数据在日常生活中正在日益积累,如何有效挖掘轨迹数据背后的信息成为一个备受关注的热点。本文以路网环境下的车辆轨迹数据为研究对象,以轨迹聚类为研究目标,并结合实际数据完成了相应实验,得到了具有一定价值的实验结果。本课题的研究工作主要包括以下几个方面:(1)针对轨迹数据集特点找到了合适的地图匹配算法SLAMM(Selective Look-Ahead Map Matching),并对SLAMM算法进行了改善,在保证轨迹匹配精确性的前提下提高了算法匹配速度。本文采用了北京市出租车轨迹数据集,该数据集属于高采样轨迹,SLAMM算法针对高采样轨迹而设计,具有较快的运行速度和较高的准确度。本文通过研究路网对车辆行驶的物理约束,利用路网模型特性优化对SLAMM算法进行了优化。(2)学习研究了路网环境的约束对轨迹聚类产生的影响,应用简化的NEAT(NEtwork Aware approach to Trajectory Clustering)模型并加入时间维度对处理后的轨迹数据进行聚类,得到了不同时间维度下路网中的轨迹聚类信息,一定程度上客观反映了该时间维度下路网的交通状况,在交通管理、个人出行路径规划等领域有积极的参考价值。(3)使用北京市路网数据和北京市出租车轨迹数据进行地图匹配和轨迹聚类的工作,完成了论文实验,对轨迹聚类结果进行可视化,并探讨了聚类结果的现实意义。