1 密集化

transbigdata.traj_densify(data, col=['Vehicleid', 'Time', 'Lng', 'Lat'], timegap=15)

轨迹致密化，保证至多每隔timegap秒都有一个轨迹点

这边插补使用的是pandas的interpolate，method设置的是index

1.1 举例

transbigdata 笔记： 官方文档示例3：车辆轨迹数据处理-CSDN博客

2 稀疏化

transbigdata.traj_sparsify(data, col=['Vehicleid', 'Time', 'Lng', 'Lat'], timegap=15, method='subsample')

扩展采样间隔并减少数据量

• method可以是interpolate/subsample

1.2 举例

transbigdata 笔记： 官方文档示例3：车辆轨迹数据处理-CSDN博客

3 轨迹平滑

• 在处理车辆轨迹数据时，轨迹点表示对车辆实际“状态”的“观察”。由于误差，观察到的数据可能与车辆的实际状态有所不同。
• 那么，如何更准确地估计车辆的实际状态呢？
  • 一种方式是，将轨迹点的位置与先前轨迹点的位置进行比较，以检查显著和不合理的跳跃
  • 换言之，根据车辆先前的轨迹预测车辆未来可能的位置。如果下一个记录的轨迹点明显偏离预期位置，则可以确定轨迹异常。
• 这种方法与卡尔曼滤波的概念有相似之处
  • 将先前位置推导的状态估计（当前轨迹点的预测位置）与当前观测数据（当前轨迹点的观测位置）相结合，以获得当前状态（实际位置）的最优估计

• 卡尔曼滤波器适用于轨迹数据中噪声相对稳定的情况，这意味着噪声方差保持不变。它在平滑由轨迹数据中的测量误差引起的小规模波动方面特别有效。
• 当轨迹中出现显著漂移时，卡尔曼滤波器的有效性是有限的。漂移点被视为观测值，对状态估计有重大影响，卡尔曼滤波器无法直接处理。
• ——>常见的方法是先去除漂移，然后进行平滑，最后进行路网匹配

3.1 方法介绍

transbigdata.traj_smooth(data, col=['id', 'time', 'lon', 'lat'], proj=False, process_noise_std=0.5, measurement_noise_std=1)

data	轨迹数据
proj	是否进行等距投影
process_noise_std	过程噪声的标准偏差【上一时刻的状态预测当前时刻的状态，这个时刻产生的误差】
measurement_noise_std	测量噪声的标准偏差【观测位置的误差】

3.2 举例

transbigdata 笔记： 官方文档示例3：车辆轨迹数据处理-CSDN博客