車輛軌跡的數(shù)據(jù)分析與研究.pdf

1、軌跡數(shù)據(jù)是時空環(huán)境下，通過對一個或多個移動對象運動過程的采樣所獲得的數(shù)據(jù)信息，包括采樣點位置、采樣時間、速度等，這些采樣點數(shù)據(jù)信息根據(jù)采樣先后順序構成了軌跡數(shù)據(jù)。近年來,隨著各種定位技術（如全球定位系統(tǒng)（GPS）和無線蜂窩網(wǎng)）的發(fā)展和普及，以及無線互聯(lián)網(wǎng)的高速發(fā)展推動下的移動智能終端的更新?lián)Q代，民用 GPS(Global Positioning System)設備在移動終端上得到了非常廣泛的使用，大量的軌跡數(shù)據(jù)在日常生活中正在日益積累，

2、如何有效挖掘軌跡數(shù)據(jù)背后的信息成為一個備受關注的熱點。
　　本文以路網(wǎng)環(huán)境下的車輛軌跡數(shù)據(jù)為研究對象,以軌跡聚類為研究目標，并結合實際數(shù)據(jù)完成了相應實驗，得到了具有一定價值的實驗結果。本課題的研究工作主要包括以下幾個方面：
　　(1)針對軌跡數(shù)據(jù)集特點找到了合適的地圖匹配算法 SLAMM（ Selective Look-Ahead Map Matching），并對SLAMM算法進行了改善，在保證軌跡匹配精確性的前提下提高了算

3、法匹配速度。本文采用了北京市出租車軌跡數(shù)據(jù)集，該數(shù)據(jù)集屬于高采樣軌跡，SLAMM算法針對高采樣軌跡而設計，具有較快的運行速度和較高的準確度。本文通過研究路網(wǎng)對車輛行駛的物理約束，利用路網(wǎng)模型特性優(yōu)化對SLAMM算法進行了優(yōu)化。
　　(2)學習研究了路網(wǎng)環(huán)境的約束對軌跡聚類產(chǎn)生的影響，應用簡化的NEAT(NEtwork Aware approach to Trajectory Clustering)模型并加入時間維度對處理后的軌跡數(shù)