Статистически рассчитывает реальную дорогу из множества треков GPS?


18

Я участвую в клубе по велоспорту на длинные дистанции, и мы начали регулярно собирать данные GPS у наших гонщиков.

Мой интерес заключается в том, чтобы рассчитать «реальную траекторию» будущих событий на основе накопленных данных GPS по тем же дорогам. По сути, это будет означать передачу некоторых предварительно выбранных треков в алгоритм, и алгоритм будет генерировать точки с соответствующей частотой дискретизации (подходящим расстоянием друг от друга в зависимости от кривых дороги). Я буду отбрасывать метки времени, принимая во внимание только информацию о пространственном треке.

Какой алгоритм / статистические методы я могу использовать? Я не использую ГИС-пакет и планирую реализовать это на Python.

Ниже приведены некоторые примеры траекторий:

введите описание изображения здесь

введите описание изображения здесь


Интересный проект - очень похожий на алгоритм проверки, который я написал несколько лет назад. Поскольку я ленивый, я могу предложить только несколько советов. Наиболее важными факторами являются направление движения, качество сигнала и ваша скорость (т. Е. Если вы просто стоите вокруг, это не дорога). Лучше всего сначала отбросить точки, которые находятся слишком далеко от этого пути. Кроме этого, я бы применил алгоритм сглаживания (попробуйте DP), а затем усреднил линии.
nagytech

DP = Динамическое программирование, верно? Википедия дала мне долгое домашнее задание на сегодня вечером ... Спасибо!
Хелтонбайкер

Интересный, связанный с этим вопрос заключается в следующем: gis.stackexchange.com/questions/42224/…
heltonbiker

Что-то действительно, действительно стоит проверить ваши настройки GPS - некоторые GPS-устройства «привязывают» ваше местоположение к ближайшей дороге в базе данных GPS, даже если реальная дорога находится на расстоянии 10 + м в стороне.
Симбамангу

@ Симбамангу, это было бы очень приятно. Я считаю, что программное обеспечение, которое я использую сегодня в телефоне Android, не имеет этого. Но в любом случае, большинство моих треков были собраны другими людьми в последние месяцы. Спасибо за чаевые!
Хелтонбайкер

Ответы:


11

Крис Брансдон выступил с докладом по этому вопросу на конференции GeoComputation 2008 года - см. Http://www.geocomputation.org/2007/1B-Algorithms_and_Architecture1/1B2.pdf.

В этой статье он обсуждает, как применять анализ главных кривых (Hastie and Stuetzle 1989), и дает некоторые предложения о том, как повысить надежность метода. Дальнейший поиск приводит к обсуждению инструмента OSM, называемого osm-makeroads, который вполне может решить вашу проблему (или, по крайней мере, помочь вам начать).


Собираюсь взглянуть и дать некоторые отзывы в ближайшее время! Спасибо за сейчас!
Heltonbiker

4
+1 Хорошая ссылка. Это требует работы, хотя, потому что он пропускает фундаментальную проблему с трассировками GPS: ошибки не являются независимыми от одной точки к другой. Вместо этого ошибка GPS, допущенная в одной точке, будет очень похожа на ошибку, допущенную в следующей точке на той же трассе. Это можно увидеть на иллюстрациях Брунсдона: проблемные (отдаленные) точки явно лежат на одном или двух исключительных следах; они не случайны и не случайны. Таким образом, существует большой потенциал для улучшения путем моделирования этой автокорреляции и корректировки ее в алгоритме.
whuber

2
@whuber согласился. Что-то, что большинство алгоритмов не учитывают (главные кривые, как я уже выяснил, является одним из них), состоит в том, что наборы GPS-треков - это не облака точек, а облака "линий". Это действительно связанные векторы или что-то в этом роде. Принимая во внимание только точки, генерируется уклон к дорожкам с более высокой частотой дискретизации, а не к областям, где ЛИНИИ из разных дорожек более плотные ...
heltonbiker

2
Этот разговор продолжается в соответствующей теме по адресу stats.stackexchange.com/questions/69329 .
whuber

@whuber В этом ответе я записал идею, которая пришла мне в голову, сделать это с помощью тепловой карты. Я ценю любые предложения.
Стефан
Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.