一種眾源車載GPS軌跡大數(shù)據(jù)自適應(yīng)濾選方法

唐爐亮，楊 雪，牛 樂，常 樂，李清泉,2

1. 武漢大學(xué)測繪遙感信息工程國家重點實驗室，湖北 武漢 430079； 2. 深圳大學(xué) 土木工程學(xué)院 空間信息智能感知與服務(wù)深圳市重點實驗室，廣東 深圳 518060

一種眾源車載GPS軌跡大數(shù)據(jù)自適應(yīng)濾選方法

唐爐亮1，楊 雪1，牛 樂1，常 樂1，李清泉1,2

1. 武漢大學(xué)測繪遙感信息工程國家重點實驗室，湖北 武漢 430079； 2. 深圳大學(xué) 土木工程學(xué)院 空間信息智能感知與服務(wù)深圳市重點實驗室，廣東 深圳 518060

基于同步高低精度GPS軌跡數(shù)據(jù)的空間特征和GPS誤差分布原理，提出了一種眾源GPS車載軌跡大數(shù)據(jù)自適應(yīng)分割-濾選模型。該模型首先通過角度、距離約束將完整的車載GPS軌跡數(shù)據(jù)進行分割，以軌跡分割段作為基本濾選單元；然后通過對比軌跡分割段內(nèi)GPS軌跡向量與其參考基線間的相似度，按照相似度與GPS定位精度之間的量化關(guān)系指導(dǎo)濾選。試驗結(jié)果表明，該方法可以實現(xiàn)車載軌跡大數(shù)據(jù)按信息提取精度需求的濾選。

眾源軌跡數(shù)據(jù)；軌跡分割；相似度模型；數(shù)據(jù)濾選；大數(shù)據(jù)

隨著GPS裝置的不斷普及和無線通信、網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，人們不僅成為城市地理信息的感知者，同樣也成為城市地理數(shù)據(jù)的采集者。這些由非專業(yè)地理數(shù)據(jù)采集人員提供的眾源車載軌跡大數(shù)據(jù)逐漸成為數(shù)據(jù)挖掘的重要數(shù)據(jù)源。面對不同的研究需求，對原始軌跡數(shù)據(jù)集的數(shù)據(jù)質(zhì)量要求也有所不同。例如：對于城市群體、個人行為模式挖掘[1-2]，人們一般采用來自手機終端的軌跡數(shù)據(jù)，其定位精度大約在100 m左右；對于道路級城市交通動態(tài)、靜態(tài)信息提取[2-6]，一般采用來自城市出租車系統(tǒng)的車載GPS軌跡，其定位精度大約在15 m左右。對于車道級城市交通動態(tài)、靜態(tài)信息挖掘[7-9]，則需要原始軌跡數(shù)據(jù)的定位精度在3～5 m左右。然而，眾源車載軌跡大數(shù)據(jù)因采集源、采集環(huán)境等因素導(dǎo)致數(shù)據(jù)整體質(zhì)量參差不齊，盡管數(shù)據(jù)量豐富但有價值數(shù)據(jù)比例較低。未經(jīng)濾選的原始數(shù)據(jù)，不僅加劇了信息提取結(jié)果的不確定性，同時海量數(shù)據(jù)也為數(shù)據(jù)操作和分析帶來困難。因此，如何從眾源軌跡數(shù)據(jù)中自適應(yīng)地濾選出符合精度需求的有效數(shù)據(jù)是研究的重點。

目前，國內(nèi)外有關(guān)眾源車載軌跡大數(shù)據(jù)自適應(yīng)濾選的相關(guān)研究仍然處于起步階段?，F(xiàn)有研究依然停留于對明顯的GPS噪音或異常值剔除。例如：基于濾波方法剔除GPS軌跡數(shù)據(jù)中的明顯噪音數(shù)據(jù)[10-12]和利用空間聚類方法去除GPS軌跡數(shù)據(jù)內(nèi)大量的漂移點[7-8, 13-14]。濾波方法一般根據(jù)前一個軌跡點的位置、航向、速度等運動特征計算獲取下一個軌跡點的空間位置預(yù)測值，并與其真實測量值進行對比，實現(xiàn)對異常數(shù)據(jù)的判別；空間聚類方法則主要利用密度聚類方法剔除軌跡數(shù)據(jù)中的漂移點。采用濾波方法修正GPS軌跡數(shù)據(jù)中的明顯噪音點存在以下局限性：①依賴于數(shù)據(jù)采樣頻率；②只能修正明顯噪音。

采用空間聚類方法優(yōu)化軌跡數(shù)據(jù)的基本原理有兩條：①低密度點等同于異常值，也等同于質(zhì)量差的軌跡點;②高精度軌跡點一般會聚類于每一條車道中心線。第1種方式雖然不用考慮數(shù)據(jù)采樣間隔，但是無法對夾雜在高密度點中的低質(zhì)數(shù)據(jù)進行去除。第2種方式同樣不需要考慮數(shù)據(jù)采樣頻率，然而卻需要先驗知識支持且算法復(fù)雜。這些方法從應(yīng)用角度分析，一定程度上改善了原始數(shù)據(jù)的質(zhì)量問題，但是仍然沒有深入到軌跡數(shù)據(jù)自適應(yīng)濾選。

本文提出一種眾源車載軌跡大數(shù)據(jù)自適應(yīng)濾選方法。利用觀測信息和動力學(xué)模型信息的自適應(yīng)平衡濾波已有充分研究[11-14,18]，本文側(cè)重通過分析高精度GPS軌跡數(shù)據(jù)的空間特征和GPS誤差分布，構(gòu)建一種分割-濾選模型。該模型首先通過角度、距離約束將完整的浮動車軌跡數(shù)據(jù)進行分割，將軌跡分割段作為基本濾選單元；然后采用RANSAC[17]算法(隨機抽樣一致)構(gòu)建每一個軌跡分割段的參考基線，并將其作為位置參考，計算GPS軌跡向量與其參考基線間的相似度，按照相似度閾值進行濾選。試驗結(jié)果表明，該方法可以實現(xiàn)眾源軌跡大數(shù)據(jù)按精度需求濾選，降低數(shù)據(jù)冗余度，為未來不同精度需求的信息提取提供可靠的數(shù)據(jù)源。

1 眾源車載GPS軌跡數(shù)據(jù)質(zhì)量分析

眾源車載GPS軌跡數(shù)據(jù)一般由居民或者團體自發(fā)采集，數(shù)據(jù)量大、來源廣，其數(shù)據(jù)質(zhì)量因GPS接收器性能、采集環(huán)境、采集行為而參差不齊。目前，按照GPS軌跡數(shù)據(jù)的定位精度可以將其粗略分為高精度GPS軌跡數(shù)據(jù)(如：定位精度分米級)和低精度GPS軌跡數(shù)據(jù)(定位精度米級，如10 m)。例如，由城市出租車采集的GPS軌跡數(shù)據(jù)一般是一種低精度的GPS軌跡數(shù)據(jù)，其定位精度是10～15 m。由于其采集環(huán)境較為復(fù)雜、采集過程非專業(yè)性，原始車載GPS軌跡數(shù)據(jù)內(nèi)存在大量異常值及定位精度極差的軌跡點(圖1(a))。裝有IMU的專業(yè)測量車?yán)貌罘諫PS方法采集的高精度DGPS軌跡數(shù)據(jù)[18-19]，定位精度往往可以達到厘米級或者分米級，異常值較少(如圖1(b))。

圖1 同步高低精度的GPS軌跡數(shù)據(jù)Fig.1 High-precision and low-precision synchronous GPS traces

通過對比同步高低精度GPS軌跡數(shù)據(jù)的空間特征發(fā)現(xiàn)：低精度GPS數(shù)據(jù)集的某個軌跡點與其鄰近的其他軌跡點之間的角度經(jīng)常突然變大且漂移較遠(yuǎn)，該軌跡點的定位精度一般較低。另外，根據(jù)GPS數(shù)據(jù)誤差分布原理[20]，假設(shè)GPS位置數(shù)據(jù)的整體精度是5 m，則原始GPS數(shù)據(jù)集中，既存在一部分高精度定位GPS定位軌跡點，也存在一部分低于整體精度的GPS軌跡點。通常根據(jù)道路的線性特征和車輛運動過程的運動慣性，在相對平直的道路段內(nèi)，車輛行駛狀態(tài)的高精度GPS定位軌跡的線性特征往往比較平滑，其平滑度在一定程度上反映了GPS軌跡數(shù)據(jù)的定位精度。如何從原始軌跡數(shù)據(jù)中濾選出可以滿足信息提取精度需求的軌跡數(shù)據(jù)，關(guān)鍵在于如何設(shè)定平滑度評價方法及參考，然后通過對濾選數(shù)據(jù)構(gòu)成軌跡線的線性平滑度的控制，使得濾選數(shù)據(jù)的質(zhì)量盡可能達到需求精度指標(biāo)。

2 眾源GPS車載軌跡大數(shù)據(jù)自適應(yīng)濾選

通過以上分析，本文提出了一種基于分割-濾選模型的眾源車載軌跡大數(shù)據(jù)自適應(yīng)濾選方法。分割階段可以實現(xiàn)對軌跡數(shù)據(jù)自適應(yīng)分割，將處于相同線性規(guī)律的子軌跡段作為濾選單元；濾選階段則通過構(gòu)建子軌跡段的參考基線，計算軌跡點向量與參考基線的相似度，制定可以控制子軌跡段整體線性平滑度的濾選閾值，對軌跡數(shù)據(jù)進行分閾值濾選。

2.1 軌跡分割

軌跡分割是軌跡數(shù)據(jù)挖掘分析的前提[21]。目前大部分軌跡分割方法主要從軌跡位置、采樣間隔、速度及其他移動特征出發(fā)，制定相應(yīng)的分割約束因子及約束閾值對完整軌跡進行分割[22-23]。本文提出的軌跡分割主要服務(wù)于高精度軌跡數(shù)據(jù)濾選，因此，軌跡分割約束因子主要由可以反映GPS軌跡數(shù)據(jù)定位精度的軌跡向量角度和距離構(gòu)成。本文從軌跡數(shù)據(jù)的圖形復(fù)雜度及用戶需求角度出發(fā)，提出了一種軌跡分割因子閾值自適應(yīng)方法。

2.1.1 顧忌角度和距離的軌跡分割算法

設(shè)A和D分別為角度閾值和距離閾值，則軌跡分割算法的具體步驟為：

第3步：將pt替換第1步的p1，并作為新的起點，連接pt的下一個軌跡點pt+1，重復(fù)第2步計算，直到剩余軌跡點與當(dāng)前點及其向量之間的角度值和距離值都小于角度閾值與距離閾值。

圖2 軌跡分割算法Fig.2 Algorithm to partition traces

2.1.2 軌跡分割閾值分析

分割閾值(角度閾值A(chǔ)，距離閾值D)決定了軌跡分割粒度的大小。目前，很多關(guān)于軌跡分割的研究在閾值設(shè)定過程中傾向于用戶自定義，其缺陷主要體現(xiàn)在兩個方面。一方面增加了用戶確定最佳分割閾值的困難，另一方面圖形復(fù)雜度不一的軌跡數(shù)據(jù)都采用同一個分割閾值，使得分割結(jié)果不理想。軌跡分割閾值的大小其實受制于兩個因素：①用戶分割需求；②軌跡數(shù)據(jù)自身的圖形復(fù)雜度。用戶分割需求通常是一種比較粗略的心理估算，在整體分割過程中具有規(guī)范整體分割閾值范圍的作用。軌跡數(shù)據(jù)自身的圖形復(fù)雜度則具體決定了該條軌跡在用戶分割需求的基礎(chǔ)上最終的分割閾值，即如果軌跡數(shù)據(jù)圖形復(fù)雜度高，被分割的粒度就應(yīng)該大，分割閾值相對較?。蝗绻壽E數(shù)據(jù)圖形簡單，則被分割的粒度就相對較小，分割閾值也相對較大。本文從影響軌跡分割閾值的兩個因素出發(fā)，提出了一種顧及用戶分割需求及軌跡圖形復(fù)雜度的軌跡分割閾值確定方法。

假設(shè)軌跡T={p1,p2,…,pn}，則T的分割閾值A(chǔ)和D可以定義為

(1)

(2)

圖3 GPS軌跡數(shù)據(jù)的圖形復(fù)雜度Fig.3 Graph complexity of GPS traces

按照式(1)和式(2)，當(dāng)用戶需求確定后，即可計算出每一條軌跡的分割閾值，最終獲取最理想的軌跡分割結(jié)果。

2.2 軌跡濾選

按照正常的車輛行駛規(guī)則：車輛會遵守交通規(guī)則，沿著車道中心線的延伸方向穩(wěn)定行駛除非遇到轉(zhuǎn)彎或者快速變換車道。因此，反映車輛真實行駛狀態(tài)的高精度GPS軌跡數(shù)據(jù)的線性連接應(yīng)該是一條平滑且無明顯鋸齒狀的平滑線條，即處于同一條子軌跡段內(nèi)的高精度軌跡點在航向和位置上存在較高的空間一致性。根據(jù)這個特點，本文利用RANSAC算法原理，以直線方程作為數(shù)學(xué)模型，對每一個子軌跡段構(gòu)建其參考基線。RANSAC算法相較于其他線性擬合算法，如最小二乘法、模糊加權(quán)擬合法，RANSAC算法抗噪性強，可以不受噪音點的干擾，找出軌跡段內(nèi)高度一致的軌跡點并擬合成線。

雖然參考基線并不能代表軌跡點真值的空間位置，但是參考基線是最能代表軌跡點的基線。軌跡濾選過程中，參考基線一般用來作為控制濾選軌跡整體線性平滑度的標(biāo)尺。在參考基線構(gòu)建過程中，需要選擇合適的模型去模擬軌跡行駛的線性特征。本文采用直線方程作為RANSAC算法模型(圖4)，利用子軌跡段內(nèi)每一個軌跡點的位置構(gòu)建參考基線方程，其中RANSAC算法原理可以參見文獻[15]。另外，子軌跡段的參考基線本質(zhì)上是一條沒有方向的直線段。本文為了方便后期濾選，將子軌跡段的前進方向作為參考標(biāo)準(zhǔn)，對參考基線賦予方向?qū)傩?，即參考基線的方向與子軌跡段的移動方向一致(圖4)。

圖4 參考基線構(gòu)建Fig.4 Construction of reference baseline

2.2.1 向量相似度模型

參考基線在濾選的過程中，可以通過計算子軌跡段內(nèi)其他軌跡向量與參考基線向量的相似度，按照相似度閾值進行濾選。目前評估向量相似度的模型主要包含向量的模、夾角及向量間距離等因子[24-25]。由于行駛車輛的速度對GPS定位精度的影響可以忽略不計，因此，本文提出了一種顧及夾角和距離的向量相似度評價模型。

假設(shè)子軌跡段為S={pi,pi+1,…,pt}，其參考基線如圖5所示。

圖5 GPS軌跡點與其參考基線間的相似度Fig.5 Similarity between GPS points with reference baseline

根據(jù)軌跡點pk的航向值及其空間位置，構(gòu)成的向量與參考基線向量之間的相似度可定義為

(3)

2.2.2 濾選閾值分析

軌跡濾選最關(guān)鍵的一步是如何設(shè)定濾選閾值。假設(shè)相似度閾值與GPS定位精度存在某種函數(shù)關(guān)系如下

sim=f(ε)

(4)

(5)

式中，a、b、c分別是相似度與定位精度函數(shù)關(guān)系式的系數(shù)，其具體值與相似度評價模型內(nèi)距離和角度的權(quán)重系數(shù)息息相關(guān)，而與原始GPS數(shù)據(jù)集的整體定位精度不相關(guān)。因此，無論是來自哪種型號的GPS接收機，只要采用統(tǒng)一的相似度評價模型，則GPS數(shù)據(jù)定位誤差與GPS數(shù)據(jù)和其理想值之間相似度之間的函數(shù)關(guān)系是確定的。GPS軌跡點與參考基線之間的相似度實際上與GPS軌跡點與其真值之間的相似度存在差異，但是當(dāng)參考基線被作為參考基準(zhǔn)時，這種衡量GPS軌跡點與參考基線之間的相似度閾值可采用式(5)來確定。當(dāng)濾選GPS軌跡數(shù)據(jù)的期望精度為τ時，可計算出相似度濾選閾值為f(τ)。

3 試驗分析

本文以武漢市作為GPS軌跡數(shù)據(jù)采集區(qū)域，利用多輛GPS測量車分不同周期對武漢市郊區(qū)和市區(qū)進行數(shù)據(jù)采集，其中測量車內(nèi)的GPS接收器包括：Trimble R9、洛基山手持GPS接收器、智能手機(華為、iPhone 5、 魅族等)。所獲取的GPS數(shù)據(jù)主要包含3類：一類是由Trimble R9采集的低精度GPS軌跡數(shù)據(jù)，定位精度為5～10 m，采樣間隔為1 s；一類是由手持GPS接收器采集的低精度GPS軌跡數(shù)據(jù)，定位精度為5～10 m，采樣間隔為1 s；一類是由手機采集的GPS軌跡數(shù)據(jù)，定位精度為10～15 m。這3類數(shù)據(jù)的同步高精度數(shù)據(jù)由CORS基站系統(tǒng)采集，定位精度為0.05 m，采樣間隔為1 s。試驗數(shù)據(jù)一共包含900萬個GPS軌跡點，采集周期為1周，采集區(qū)域遍布武漢市郊區(qū)和市區(qū)，如圖6所示。

圖6 試驗數(shù)據(jù)Fig.6 Experimental data

在下述試驗中，低精度GPS軌跡數(shù)據(jù)將被作為待濾選數(shù)據(jù)，高精度DGPS軌跡數(shù)據(jù)(定位精度為厘米級)將作為參考值，以便對濾選結(jié)果進行評價和檢驗。

3.1 軌跡分割

按照軌跡分割算法，需要對待分割軌跡的圖形復(fù)雜度進行計算，然后確定分割閾值。在確定每一條軌跡的分割閾值前，需要對常量α和β賦值。α和β根據(jù)用戶需求設(shè)定，本文根據(jù)現(xiàn)有交通規(guī)則和道路建設(shè)標(biāo)準(zhǔn)，將常量α和β分別設(shè)為45°和30 m。每一條軌跡的最終分割閾值則通過計算該軌跡的圖形復(fù)雜度進行自適應(yīng)確定。試驗結(jié)果如圖7所示，其中實心圓表示原始的GPS軌跡數(shù)據(jù)，星型符號表示分割點。在進行濾選時，由于分割點在角度與距離上與其他軌跡點存在較大的差異，因此可以將其首先作為異常值去除，然后再對子軌跡段進行濾選。

圖7 軌跡分割結(jié)果Fig.7 The result of partition

3.2 濾選閾值確定

軌跡濾選閾值決定了最終濾選數(shù)據(jù)的整體精度。本文利用文獻[16]的模型，度量距離和角度因素對GPS測量值定位精度的結(jié)果，將相似度評價模型的權(quán)值分別設(shè)為0.87和0.13。從原始數(shù)據(jù)中選擇一部分采集于不同區(qū)域、擁有不同誤差分布的低精度GPS軌跡數(shù)據(jù)作為試驗數(shù)據(jù)，分析這些GPS數(shù)據(jù)與其參考值的相似度及其測量誤差之間的函數(shù)關(guān)系(由于試驗數(shù)據(jù)采集于城市道路，真值獲取相對困難，因此在計算過程中將定位精度為厘米級的高精度差分?jǐn)?shù)據(jù)作為GPS數(shù)據(jù)的參考真值)，確定相似度閾值和GPS定位精度函數(shù)模型的相關(guān)參數(shù)。試驗結(jié)果表明，不論GPS軌跡點集的定位精度是多少，每一個低精度GPS軌跡點的定位精度與其真值的相似度值遵從指數(shù)函數(shù)關(guān)系，其中系數(shù)a=1，b=-0.267 1，c=0，見圖8。

圖8 相似度閾值與GPS軌跡點定位精度的函數(shù)關(guān)系擬合Fig.8 Function relation fitting between similarity threshold and GPS locus point positioning accuracy

圖8(a)的試驗數(shù)據(jù)采集于城市遮擋路段，圖8(b)的試驗數(shù)據(jù)采集于城市半遮擋路段，其GPS接收器為Trimble R9。圖8表明，即使GPS軌跡數(shù)據(jù)集整體誤差分布不一樣，定位精度也存在差異，但是GPS軌跡數(shù)據(jù)的相似度及定位誤差存在穩(wěn)定的指數(shù)分布。另外，通過計算，兩類數(shù)據(jù)集的相似度與定位精度和指數(shù)模型的擬合相關(guān)度為0.992及0.986。因此，確定濾選數(shù)據(jù)的期望定位精度后，可利用GPS軌跡點的定位精度與其參考值的相似度指數(shù)函數(shù)關(guān)系式計算濾選閾值，見表1。

表1 濾選數(shù)據(jù)的期望精度與其對應(yīng)的相似度閾值
Tab.1 The expected precision of filtering data and the corresponding similarity threshold

期望精度:τ/m相似度閾值10.765720.586330.448940.343750.2632

3.3 軌跡濾選

根據(jù)濾選算法，構(gòu)建子軌跡段的參考基線向量，計算子軌跡段內(nèi)各GPS軌跡向量與參考基線向量之間的相似度。在相似度計算過程中，距離和角度權(quán)值的大小與相似度閾值分析一樣都設(shè)定為0.87、0.13。然后，根據(jù)表1的相似度閾值依次對原始GPS數(shù)據(jù)進行濾選(見圖9)。

圖9表示了試驗區(qū)內(nèi)一部分軌跡數(shù)據(jù)進行分割后構(gòu)建參考基線，然后按照濾選閾值進行濾選后的結(jié)果。其中，圖9(a)展示了子軌跡段的參考基線，圖9b反映了濾選閾值設(shè)定為3 m時的濾選結(jié)果。

3.4 濾選評價

為了進一步驗證分割濾選模型方法的有效性，本文對試驗區(qū)內(nèi)的所有低精度GPS軌跡數(shù)據(jù)進行濾選，如圖10(a)所示。通過比較濾選數(shù)據(jù)與其真值，計算不同閾值約束下獲取的濾選GPS數(shù)據(jù)測量誤差的平均值和標(biāo)準(zhǔn)差，見表2。

表2結(jié)果表明，分割-濾選模型可以實現(xiàn)眾源車載軌跡數(shù)據(jù)按需濾選，且經(jīng)過濾選后原始數(shù)據(jù)的質(zhì)量得到不同程度的改善，然而該方法同樣存在局限性。首先，當(dāng)期望濾選精度為1 m或者更高時，濾選數(shù)據(jù)的定位精度無法滿足濾選需求，例如，對于3種GPS接收器采集的原始數(shù)據(jù)集，當(dāng)濾選期望精度為1 m時，所濾選結(jié)果的整體精度與期望精度相差甚遠(yuǎn)；其次，濾選數(shù)據(jù)最終的濾選結(jié)果與原始數(shù)據(jù)集內(nèi)數(shù)據(jù)的定位精度息息相關(guān)，即原始數(shù)據(jù)集內(nèi)如果沒有包含高精度的軌跡點，則該方法就會失效，如，由手機采集的GPS軌跡數(shù)據(jù)，其定位精度較低，導(dǎo)致濾選結(jié)果的整體精度與期望精度之間存在相對差異；最后，如果一條子軌跡段內(nèi)的所有軌跡點定位精度都非常低，且保持了高度一致性，那么就會導(dǎo)致參考基線出現(xiàn)錯誤，從而濾選結(jié)果失效。在未來的研究工作中，本文將繼續(xù)對眾源軌跡數(shù)據(jù)按需濾選進行研究。

圖9 軌跡濾選結(jié)果Fig.9 The results of filtering

圖10 試驗區(qū)原始低精度GPS軌跡數(shù)據(jù)分割濾選結(jié)果Fig.10 The filtering results of the raw and low accuracy GPS trajectory data in experimentation area

表2 濾選的GPS軌跡數(shù)據(jù)整體定位精度評估Tab.2 Overall positioning accuracy evaluation of filter selected GPS trajectory data

GPS接收器期望精度:τ/m濾選數(shù)據(jù)占總體數(shù)據(jù)比例/(%)濾選數(shù)據(jù)測量誤差的平均值/m濾選數(shù)據(jù)測量誤差的標(biāo)準(zhǔn)差/m手持GPS接收器125.72.00.8237.862.00.8342.382.41.0445.322.91.3549.763.72.3智能手機123.523.62.2228.233.62.2332.674.62.7440.235.03.0548.115.13.2

4 總 結(jié)

本文在國內(nèi)外GPS軌跡數(shù)據(jù)優(yōu)化方法的基礎(chǔ)上，提出了一種基于分割-濾選模型的眾源車載GPS軌跡大數(shù)據(jù)自適應(yīng)濾選方法。該方法可以基于信息提取精度需求，從原始GPS軌跡數(shù)據(jù)集中濾選出滿足期望精度的軌跡數(shù)據(jù)。試驗結(jié)果表明，該方法可以實現(xiàn)眾源軌跡大數(shù)據(jù)按精度需求濾選，降低數(shù)據(jù)冗余度，為未來不同精度需求的信息提取提供可靠的數(shù)據(jù)源。然而本文所提方法同樣存在局限性：①當(dāng)期望精度高于原始GPS軌跡數(shù)據(jù)集內(nèi)數(shù)據(jù)的最高精度，那么濾選結(jié)果與期望精度存在較大差異；②當(dāng)原始GPS軌跡數(shù)據(jù)集內(nèi)數(shù)據(jù)精度達到期望精度，但其比例相對較少時，濾選結(jié)果不理想。未來研究中，本文將進一步通過分析低高同步GPS軌跡數(shù)據(jù)的空間特征，對分割-濾選模型進行優(yōu)化。

[1] 劉瑜, 肖昱, 高松, 等. 基于位置感知設(shè)備的人類移動研究綜述[J]. 地理與地理信息科學(xué), 2011, 27(4): 8-13, 31. LIU Yu, XIAO Yu, GAO Song, et al. A Review of Human Mobility Research Based on Location Aware Devices[J]. Geography and Geo-Information Science, 2011, 27(4): 8-13, 31.

[2] 牟乃夏, 張恒才, 陳潔, 等. 軌跡數(shù)據(jù)挖掘城市應(yīng)用研究綜述[J]. 地球信息科學(xué), 2015, 17(10): 1136-1142. MOU Naixia, ZHANG Hengcai, CHEN Jie, et al. A Review on the Application Research of Trajectory Data Mining in Urban Cities[J]. Journal of Geo-information Science, 2015, 17(10): 1136-1142.

[3] 李德仁. 多學(xué)科交叉中的大測繪科學(xué)[J]. 測繪學(xué)報, 2007, 36(4): 363-365. DOI: 10.3321/j.issn:1001-1595.2007.04.001. LI Deren. On Geomatics in Multi-discipline Integration[J]. Acta Geodaetica et Cartographica Sinica, 2007, 36(4): 363-365. DOI: 10.3321/j.issn:1001-1595.2007.04.001.

[4] 李清泉, 黃練. 基于GPS軌跡數(shù)據(jù)的地圖匹配算法[J]. 測繪學(xué)報, 2010, 39(2): 207-212. LI Qingquan, HUANG Lian. A Map Matching Algorithm for GPS Tracking Data[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(2): 207-212.

[5] 唐爐亮, 常曉猛, 李清泉, 等. 基于蟻群優(yōu)化算法與出租車GPS數(shù)據(jù)的公眾出行路徑優(yōu)化[J]. 中國公路學(xué)報, 2011, 24(2): 89-95, 126. TANG Luliang, CHANG Xiaomeng, LI Qingquan, et al. Public Travel Route Optimization Based on Ant Colony Optimization Algorithm and Taxi GPS Data[J]. China Journal of Highway and Transport, 2011, 24(2): 89-95, 126.

[6] 唐爐亮, 劉章, 楊雪, 等. 符合認(rèn)知規(guī)律的時空軌跡融合與路網(wǎng)生成方法[J]. 測繪學(xué)報, 2015, 44(11): 1271-1276. DOI: 10.11947/j.AGCS.2015.20140591. TANG Luliang, LIU Zhang, YANG Xue, et al. A Method of Spatio-temporal Trajectory Fusion and Road Network Generation Based on Cognitive Law[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(11): 1271-1276. DOI: 10.11947/j.AGCS.2015.20140591.

[7] CHEN Yihua, KRUMM J. Probabilistic Modeling of Traffic Lanes from GPS Traces[C]∥Proceedings of the 18th SIGSPATIAL International Conference on Advances in Geographic Information Systems. New York, NY: ACM, 2010: 81-88.

[8] TANG Luliang, YANG Xue, KAN Zihan, et al. Lane-level Road Information Mining from Vehicle GPS Trajectories Based on Na?ve Bayesian Classification[J]. ISPRS International Journal of Geo-Information, 2015, 4(4): 2660-2680.

[9] 唐爐亮, 楊雪, 闞子涵, 等. 一種基于樸素貝葉斯分類的車道數(shù)量探測[J]. 中國公路學(xué)報, 2016, 29(3): 116-123. TANG Luliang, YANG Xue, KAN Zihan, et al. Traffic Lane Numbers Detection Based on the Na?ve Bayesian Classification[J]. China Journal of Highway and Transport, 2016, 29(3): 116-123.

[10] LEE W C, KRUMM J. Trajectory Preprocessing[M]∥ZHENG Yu, ZHOU Xiaofang. Computing with Spatial Trajectories. New York: Springer, 2011: 3-33.

[11] 楊元喜, 何海波, 徐天河. 論動態(tài)自適應(yīng)濾波[J]. 測繪學(xué)報, 2001, 30(4): 293-298. DOI: 10.3321/j.issn:1001-1595.2001.04.004. YANG Yuanxi, HE Haibo, XU Tianhe. Adaptive Robust Filtering for Kinematic GPS Positioningg[J]. Acta Geodaetica et Cartographica Sinica, 2001, 30(4): 293-298. DOI: 10.3321/j.issn:1001-1595.2001.04.004.

[12] 楊元喜, 唐穎哲, 李慶田, 等. 用于GIS道路信息修測的動態(tài)GPS自適應(yīng)濾波試驗[J]. 測繪科學(xué), 2003, 28(4): 9-11. YANG Yuanxi, TANG Yingzhe, LI Qingtian, et al. Experiments of Adaptive Filters for Kinemetic GPS Positioning Applied in Road Information Updating in GIS[J]. Science of Surveying and Mapping, 2003, 28(4): 9-11.

[13] YANG Yuanxi, HE H, XU Guochang. Adaptively Robust Filtering for Kinematic Geodetic Positioning[J]. Journal of Geodesy, 2001, 75(2-3): 109-116.

[14] YANG Yuanxi, GAO Weiguang. An Optimal Adaptive Kalman Filter[J]. Journal of Geodesy, 2006, 80(4): 177-183.

[15] WANG Jing, RUI Xiaoping, SONG Xianfeng, et al. A Novel Approach for Generating Routable Road Maps from Vehicle GPS Traces[J]. International Journal of Geographical Information Science, 2015, 29(1): 69-91.

[16] TANG Luliang, YANG Xue, DONG Zhen, et al. CLRIC: Collecting Lane-based Road Information via Crowdsourcing[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(9): 2552-2562.

[17] YANIV Z. Random Sample Consensus (RANSAC) Algorithm: A Generic Implementation[Z]. Washington, DC: Georgetown University Medical Center, 2010.

[18] 高為廣, 楊元喜, 崔先強, 等. IMU/GPS 組合導(dǎo)航系統(tǒng)自適應(yīng)Kalman濾波算法[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2006, 31(5): 466-469. GAO Weiguang, YANG Yuanxi, GUI Xianqiang, et al. Application of Adaptive Kalman Filtering Algorithm in IMU/GPS Integrated Navigation System[J]. Geomatics and Information Science of Wuhan University, 2006, 31(5): 466-469.

[19] 周樂韜, 黃丁發(fā), 袁林果, 等. 網(wǎng)絡(luò)RTK參考站間模糊度動態(tài)解算的卡爾曼濾波算法研究[J]. 測繪學(xué)報, 2007, 36(1): 37-42. DOI: 10.3321/j.issn:1001-1595.2007.01.007. ZHOU Letao, HUANG Dingfa, YUAN Linguo, et al. A Kalman Filtering Algorithm for Online Integer Ambiguity Resolution in Reference Station Network[J]. Acta Geodaetica et Cartographica Sinica, 2007, 36(1): 37-42. DOI: 10.3321/j.issn:1001-1595.2007.01.007.

[20] 丁仁杰, 閔勇, 馮亞東, 等. 基于GPS的全網(wǎng)同步時鐘的建立和誤差校正[J]. 清華大學(xué)學(xué)報(自然科學(xué)版), 1997, 37(7): 74-77, 81. DING Renjie, MIN Yong, FENG Yadong, et al. Development of Power System Dynamic Monitoring Unit Based on GPS[J]. Journal of Tsinghua University (Science & Technology), 1997, 37(7): 74-77, 81.

[21] LEE J G, HAN Jiawei, WHANG K Y. Trajectory Clustering: A Partition-and-group Framework[C]∥Proceedings of the 2007 ACM SIGMOD International Conference on Management of Data. New York, NY: ACM, 2007: 593-604.

[22] 張治華. 基于GPS軌跡的出行信息提取研究[D]. 上海: 華東師范大學(xué), 2010. ZHANG Zhihua. Deriving Trip Information from GPS Trajectories[D]. Shanghai: East China Normal University, 2010.

[23] 歐陽鴻, 劉建勛, 劉毅志, 等. 基于步行 GPS 軌跡的路網(wǎng)提取方法[J]. 計算機與現(xiàn)代化, 2014(2): 124-128. OUYANG Hong, LIU Jianxun, LIU Yizhi, et al. An Extraction Method of Road Network Based on Walking GPS Trajectories[J]. Computer and Modernization, 2014(2): 124-128.

[24] 趙東保, 盛業(yè)華. 全局尋優(yōu)的矢量道路網(wǎng)自動匹配方法研究[J]. 測繪學(xué)報, 2010, 39(4): 416-421. ZHAO Dongbao, SHENG Yehua. Research on Automatic Matching of Vector Road Networks Based on Global Optimization[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(4): 416-421.

[25] 唐爐亮, 李清泉, 楊必勝. 空間數(shù)據(jù)網(wǎng)絡(luò)多分辨率傳輸?shù)膸缀螆D形相似性度量[J]. 測繪學(xué)報, 2009, 38(4): 336-340. DOI: 10.3321/j.issn:1001-1595.2009.04.009. TANG Luliang, LI Qingquan, YANG Bisheng. Shape Similarity Measuring for Multi-resolution Transmission of Spatial Datasets over the Internet[J]. Acta Geodaetica et Cartographica Sinica, 2009, 38(4): 336-340. DOI: 10.3321/j.issn:1001-1595.2009.04.009.

(責(zé)任編輯：陳品馨)

An Adaptive Filtering Method Based on Crowdsourced Big Trace Data

TANG Luliang1,YANG Xue1,NIU Le1,CHANG Le1,LI Qingquan1,2

1. State Key Laboratory of Information Engineering in Surveying, Mapping, and Remote Sensing, Wuhan University, Wuhan 430079, China; 2. Shenzhen Key Laboratory of Spatial Smart Sensing and Services， College of Civil Engineering, Shenzhen University, Shenzhen 518060, China

Vehicles’ GPS traces collected by crowds have being as a new kind of big data and are widely applied to mine urban geographic information with low-cost, quick-update and rich-informative. However, the growing volume of vehicles’ GPS traces has caused difficulties in data processing and their low quality adds uncertainty when information mining. Thus, it is a hot topic to extract high-quality GPS data from the crowdsourced traces based on the expected accuracy. In this paper, we propose an efficient partition-and-filter model to filter trajectories with expected accuracy according to the spatial feature of high-precision GPS data and the error rule of GPS data. First, the proposed partition-and-filter model to partition a trajectory into sub-trajectories based on the constrained distance and angle, which are chosen as the basic unit for the next processing step. Secondly, the proposed method collects high-quality GPS data from each sub-trajectory according to the similarity between GPS tracking points and the reference baselines constructed using random sample consensus algorithm. Experimental results demonstrate that the proposed method can effectively pick up high quality GPS data from crowdsourced trace data sets with the expected accuracy.

crowdsourced trace; trajectories partition; similarity model; data filtering; big data

The National Natural Science Foundation of China (Nos. 41671442; 41571430; 41271442)

YANG Xue

唐爐亮，楊雪，牛樂,等.一種眾源車載GPS軌跡大數(shù)據(jù)自適應(yīng)濾選方法[J].測繪學(xué)報，2016,45(12)：1455-1463.

10.11947/j.AGCS.2016.20160117. TANG Luliang,YANG Xue,NIU Le,et al.An Adaptive Filtering Method Based on Crowdsourced Big Trace Data[J]. Acta Geodaetica et Cartographica Sinica,2016,45(12):1455-1463. DOI:10.11947/j.AGCS.2016.20160117.

P228

A

1001-1595(2016)12-1455-09

國家自然科學(xué)基金(41671442；41571430；41271442)

2016-03-30

唐爐亮(1973—)，男，博士，教授，研究方向為GIS-T、時空GIS、軌跡大數(shù)據(jù)挖掘等。First author： TANG Luliang(1973—)，male，PhD，professor，majors in GIS-T，time-space GIS，big trace data mining.

E-mail：tll@whu.edu.cn

楊雪

E-mail：yangxue_z@126.com

修回日期：2016-10-27