利用浮动车GPS轨迹识别与提取城市道路交叉口

doi:10.13474/j.cnki.11-2246.2021.0274

测绘通报 ›› 2021, Vol. 0 ›› Issue (9): 59-63.doi: 10.13474/j.cnki.11-2246.2021.0274

利用浮动车GPS轨迹识别与提取城市道路交叉口

孟秋宇¹, 宋子昂¹, 王金¹, 葛志金²

1. 北京工业大学交通工程北京市重点实验室, 北京 100124;
2. 中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083

收稿日期:2020-09-05 修回日期:2021-06-02 发布日期:2021-10-11
通讯作者: 王金。E-mail:j.wang@bjut.edu.cn
作者简介:孟秋宇(1998-),女,主要从事多源地理空间数据处理研究的工作。E-mail:qymeng1817@126.com
基金资助:
国家自然科学基金（41801380）

Detection and extraction of urban road intersections using GPS trajectories of floating vehicles

MENG Qiuyu¹, SONG Ziang¹, WANG Jin¹, GE Zhijin²

1. Beijing Key Laboratory of Traffic Engineering, Beijing University of Technology, Beijing 100124, China;
2. College of Geoscience and Surveying Engineering, China University of Mining and Technology, Beijing 100083, China

Received:2020-09-05 Revised:2021-06-02 Published:2021-10-11

摘要/Abstract

摘要： 道路交叉口作为道路交汇的枢纽，是路网的重要组成部分，也是最重要的基础地理信息数据之一。浮动车GPS数据具有易获取、低成本和数据量大等优点，但工作同时伴随不少噪点。为了降低噪点对交叉口提取过程的影响，提高计算效率，本文运用KNN算法建立空间索引；计算向量夹角，判定道路出入口，粗筛取交叉口附近点；分别采用K-means算法、DBSCAN算法和层次算法进行聚类分析，进一步确定交叉口位置。最后以成都某区域浮动车GPS数据为例，提取道路交叉口并进行了对比分析，进一步表明本文方法可以服务于智能交通研究与应用。

关键词: 道路交叉口, 浮动车GPS数据, 聚类分析, 向量夹角, 空间索引

Abstract: Road intersection plays an important role in transport hub and road network, it's also the basic data of geographic information system. GPS trajectory data of floating vehicles is easy availability and low cost, but the data contains certain amounts of noises. To alleviate the impact of noise and improve compute efficiency of GPS data, this paper proposes a method to detect and extract urban road intersections. Construct data index based on the k-nearest neighbors (KNN) algorithm. Estimate the angles between vectors and coarsely detect road intersections. And then apply three clustering algorithms (K-means, DBSCAN and hierarchical clustering algorithms) to fine extracted road intersections. We test the proposed method on GPS dataset from Chengdu city to evaluate its performance. This research can be effectively used in practical intelligent transportation scenarios.

Key words: road intersections, GPS trajectories, cluster analysis, vector angle, spatial index

中图分类号:

P208

孟秋宇, 宋子昂, 王金, 葛志金. 利用浮动车GPS轨迹识别与提取城市道路交叉口[J]. 测绘通报, 2021, 0(9): 59-63.

MENG Qiuyu, SONG Ziang, WANG Jin, GE Zhijin. Detection and extraction of urban road intersections using GPS trajectories of floating vehicles[J]. Bulletin of Surveying and Mapping, 2021, 0(9): 59-63.

参考文献

[1] 李德仁.论21世纪遥感与GIS的发展[J].武汉大学学报(信息科学版),2003,28(2):127-131.
[2] 章永来,周耀鉴.聚类算法综述[J].计算机应用,2019,39(7):1869-1882.
[3] 曾添,隋立芬,阮仁桂,等.三频非组合模型的GPS/BDS/Galileo精密定轨[J].测绘学报,2021,50(2):169-180.
[4] DAVIES J J, BERESFORD A R, HOPPER A. Scalable, distributed, real-time map generation[J]. IEEE Pervasive Computing, 2006, 5(4):47-54.
[5] LIU X, BIAGIONI J, ERIKSSON J, et al. Mining large-scale, sparse GPS traces for map inference:comparison of approaches[C]//Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Beijing:ACM, 2012:669-677.
[6] 唐炉亮,牛乐,杨雪,等.利用轨迹大数据进行城市道路交叉口识别及结构提取[J].测绘学报,2017,46(6):770-779.
[7] 谭祥爽,王静,宋现锋,等.基于浮动车数据的路口探测方法[J].地理与地理信息科学,2015,31(5):34-38.
[8] EKPENYONG F, PALMERBROWN D, BRIMICOMBE A. Extracting road information from recorded GPS data using snap-drift neural network[J]. Neurocomputing, 2009,73(1):24-36.
[9] 王龙飞,刘智,金飞,等.道路交叉口自动检测算法的研究[J].测绘科学,2020,45(5):126-131.
[10] 王浩,陈冬.城市交叉口群的聚类分析分类算法[J].公路交通科技,2019,36(7):121-126.
[11] 李思宇,向隆刚,张彩丽,等.基于低频出租车轨迹的城市路网交叉口提取研究[J].地球信息科学学报,2019,21(12):1845-1854.
[12] SCHROEDL S, WAGSTAFF K, ROGERS S, et al. Mining GPS traces for map refinement[J]. Data Mining and Knowledge Discovery, 2004,9(1):59-87.
[13] 胡瀚,向隆刚,王德浩.出租车轨迹数据的道路提取[J].测绘通报,2018(7):53-57.
[14] 张朝,郭秀娟,张坤鹏.K-means算法聚类中心选取[J].吉林大学学报(信息科学版),2019, 37(4):437-441.
[15] 徐新华,谢永红.增量聚类综述及增量DBSCAN聚类算法研究[J].华北航天工业学院学报,2006,16(2):15-17.
[16] 靳延安,刘行军.一种改进的层次聚类算法[J].武汉理工大学学报(信息与管理工程版),2011, 33(6):883-886.

利用浮动车GPS轨迹识别与提取城市道路交叉口

Detection and extraction of urban road intersections using GPS trajectories of floating vehicles

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	翟佳磊, 霍亮, 沈涛, 段元晶, 张孝勇, 符季颖. 线性参照系统下的嵌套金字塔模型构建[J]. 测绘通报, 2021, 0(1): 116-120.
[2]	孙培芪, 卜俊洲, 陶庭叶, 房兴博, 贺晗, 冯佳琪. 基于特征点法向量的点云配准算法[J]. 测绘通报, 2019, 0(8): 48-53.
[3]	郝怀旭, 万太礼, 罗年学. 利用OpenStreetMap数据进行高空间分辨率遥感影像分类[J]. 测绘通报, 2019, 0(7): 69-72,126.
[4]	王建培, 李必军, 张红娟, 张萍. 一种新型的城市道路地图匹配方法[J]. 测绘通报, 2019, 0(6): 81-84.
[5]	袁德宝, 王炳灵, 闫瑜, 周士强, 梁晨. 室内位置轨迹的聚类与可视化[J]. 测绘通报, 2019, 0(5): 21-24.
[6]	胡瀚, 向隆刚, 王德浩. 出租车轨迹数据的道路提取[J]. 测绘通报, 2018, 0(7): 53-57.
[7]	孙佳龙, 郭淑艳, 龙冰心, 秦思远. 地形熵聚类下利用多面函数拟合高程异常[J]. 测绘通报, 2018, 0(11): 86-89.
[8]	王少华, 钟耳顺, 廖华军, 左尧, 蔡文文, 龙亮. 基于邻近图的道路网络特征分析[J]. 测绘通报, 2017, 0(8): 80-83.
[9]	李欣. 分布式增量机制下的交通流大数据聚类分析[J]. 测绘通报, 2017, 0(7): 61-65.
[10]	国安东, 李永化, 杨俊. 基于多距离空间聚类的城市建筑景观时空分异研究[J]. 测绘通报, 2017, 0(2): 102-105.
[11]	方旭, 王光辉, 杨化超, 刘慧杰, 王更. 结合均值漂移分割与聚类分析的遥感影像变化检测[J]. 测绘通报, 2017, 0(12): 68-71.
[12]	马贤迪, 常原飞, 乔彦友. 矢量金字塔与R树融合模型研究[J]. 测绘通报, 2016, 0(2): 59-63.
[13]	陈宇, 徐青, 姚富山, 施群山, 吕亮, 卢万杰. 影像密集匹配点云的单体化提取[J]. 测绘通报, 2016, 0(12): 51-55.
[14]	王柯, 王腾, 张文诗, 马宏斌. 移动终端GIS地图数据模型研究[J]. 测绘通报, 2015, 0(3): 53-57.
[15]	孙佳龙崔旭升郭淑艳. 基于K-means聚类分析的球冠谐函数拟合高程异常方法[J]. 测绘通报, 2014, 0(2): 20-22.