【地图匹配(ST-matching)】GPS 轨迹数据预处理——T-Driver数据集【持续更新中】

这篇具有很好参考价值的文章主要介绍了【地图匹配(ST-matching)】GPS 轨迹数据预处理——T-Driver数据集【持续更新中】。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

一、数据介绍

1.数据链接

https://download.csdn.net/download/skyman30/87432266?spm=1001.2014.3001.5503https://download.csdn.net/download/skyman30/87432266?spm=1001.2014.3001.5503

2.数据内容

此数据集包含北京市出租车从2008年2月2日到2008年2月8日的GPS轨迹数据,其中共包含10357辆出租车的数据,其中每个文件由出租车ID,时间、经度、纬度构成。该数据集中的轨迹点总数约为1500 万条,轨迹的总距离达到900万公里。其中连续两个轨迹坐标点的平均采样间隔约为 177秒,距离约为623米。这个数据集的每个文件,由出租车ID命名,包含一个出租车的轨迹。以下是一个文件的样例:

id            time            longitude         latitude

1,2008-02-02 15:36:08,116.51172,39.92123

1,2008-02-02 15:46:08,116.51135,39.93883

1,2008-02-02 15:46:08,116.51135,39.93883

1,2008-02-02 15:56:08,116.51627,39.91034 

二、数据预处理

1.合并文件 

首先将所有的轨迹数据合并到一个文件中方便处理

import os

path = '数据所在文件夹路径'
files = [f for f in os.listdir(path) if f.endswith('.txt')]

#保存到merged_file.txt文件中
with open('merged_file.txt', 'w') as outfile:
    for file in files:
        with open(os.path.join(path, file)) as infile:
            outfile.write(infile.read() + '\n')

2.读取文件

利用pandas读取合并后的文件

import pandas as pd
gps_data = pd.read_csv('合并文件路径',names=['id','time','longitude','latitude'])
  • 读取结果

【地图匹配(ST-matching)】GPS 轨迹数据预处理——T-Driver数据集【持续更新中】

3.排序

按照id号和时间进行排序

gps_data=gps_data.sort_values(by=['id','time']).reset_index(drop=True)
  •  排序后的结果

【地图匹配(ST-matching)】GPS 轨迹数据预处理——T-Driver数据集【持续更新中】

 4.统计原始数据量

 一共有17662984条gps数据

raw_length = len(gps_data) #值为17662984

5.加入时间戳

 

6.计算采样点之间的时间差

 

7.计算采样点之间的经纬度距离(Haversine距离计算) 

 

8.计算采样点之间的速度

 

9.按照日期划分数据集

三、数据清洗 

1.清除重复数据

2.清除超出地理坐标范围的轨迹

3.删除微小轨迹


【后面内容待更改】 

5. 数据去重

由于数据中重复的数据是无效数据,因此需要去除

gps_data_drop_dup = gps_data.drop_duplicates().reset_index(drop=True)
  •  去重之后的结果

【地图匹配(ST-matching)】GPS 轨迹数据预处理——T-Driver数据集【持续更新中】

 6.统计去重后的数据量

去重之后共有16325487条数据,去除了1337497条数据(7.5%的数据) 

7.经纬度坐标分布

  • 查看数据中最大与最小的经纬度
max_latitude = max(gps_data_1.latitude)
max_longitude =max(gps_data_1.longitude)
min_latitude =min(gps_data_1.latitude)
min_longitude =min(gps_data_1.longitude)

#运行结果
#(96.06767, 0.0, 255.3, 0.0)

可以由此推断出经纬度坐标数据中存在异常,因此进一步查看情况 

  • 查看经纬度的数据分布 
#查看经度数据分布
gps_data_1.longitude.describe()

【地图匹配(ST-matching)】GPS 轨迹数据预处理——T-Driver数据集【持续更新中】

#查看纬度分布
gps_data_1.latitude.describe()

【地图匹配(ST-matching)】GPS 轨迹数据预处理——T-Driver数据集【持续更新中】

 由此推断部分坐标点超出北京坐标范围,因此需要将这部分数据进行删除,为了方便后续研究,这里的范围采取北京是五环的坐标范围。

8.去除超出范围的数据

#如果坐标范围限定在北京市五环内那么范围是116.17 - 116.62,39.83 - 40.05,对gps数据进行筛选
gps_data_2 = gps_data_1[(gps_data_1['latitude']>39.83)&
                        (gps_data_1['latitude']<40.05)&
                        (gps_data_1['longitude']>116.17)&
                        (gps_data_1['longitude']<116.62)]
gps_data_2 = gps_data_2.reset_index(drop=True)
  •  对坐标异常值清洗后的数据

【地图匹配(ST-matching)】GPS 轨迹数据预处理——T-Driver数据集【持续更新中】

 其中共清除4629807条数据(占26%) 

9.保存数据

#保存数据清理之后的gps数据
gps_data_2.to_csv('文件路径',index=False)

【由于以上处理方式会误删很多点,因此没有往后继续做】 


二、数据预处理【第二版】

三、地图匹配

1.获取路网数据 

路网数据从openstreatmap获取,利用osmnx包下载,获取之后保存为shapefile文件以便地图匹配时需要 

import osmnx as ox

#获取路网数据
beijing_road=ox.graph_from_bbox(40.05,39.83,116.62,116.17,network_type='drive')
#保存为shapefile文件
ox.save_graph_shapefile(beijing_road,'文件路径')

2.可视化路网

#可视化路网
ox.plot_graph(beijing_road,figsize=(15,15),show=False,close=False,node_size=4)

【地图匹配(ST-matching)】GPS 轨迹数据预处理——T-Driver数据集【持续更新中】

3.将gps数据投影到路网上

  •  先投影一部分数据看看
import matplotlib.pyplot as plt
#1.先将gps点的经纬度提取出来
latitude = gps_data_2.latitude.to_list()
longitude = gps_data_2.longitude.to_list()

#投影
fig,ax = ox.plot_graph(beijing_road,figsize=(15,15),show=False,close=False,node_size=4)
ax.scatter(longitude[:100000],latitude[:100000],s=0.5,alpha=1,c='red')#投影10万个坐标点
plt.show()

【地图匹配(ST-matching)】GPS 轨迹数据预处理——T-Driver数据集【持续更新中】

  • 投影全部坐标点 

【地图匹配(ST-matching)】GPS 轨迹数据预处理——T-Driver数据集【持续更新中】  

很明显,坐标点大部分都偏离了路网 ,由第一个图看出,路网坐标系和gps轨迹点的坐标系应该是一致的,不然会发生大的偏移,因次这里只需要进行地图匹配即可文章来源地址https://www.toymoban.com/news/detail-415080.html


到了这里,关于【地图匹配(ST-matching)】GPS 轨迹数据预处理——T-Driver数据集【持续更新中】的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 基于traccar快捷搭建gps轨迹应用

    - win10 +虚拟机ubuntu18 - i5 ubuntu22笔记本 - USB-GPS模块一台,比如华大北斗TAU1312-232板 - 双笔记本组网设备:路由器,使得win10笔记本ip:192.168.123.x,而i5笔记本IP是192.168.123.215。 - 安卓 手机 ubuntu22 + i5笔记本 1.2.1 Create work directories: 1.2.2 Get default traccar.xml: 1.2.3 Create container: 安卓手机

    2024年02月12日
    浏览(40)
  • SLAM 轨迹评估方法 evo(包括GPS坐标转换成TUM)

    安装 evo 运行ORBSLAM 之后会生成一个TUM格式的轨迹FramTrajectory_TUM_Format.txt 我们也需要将获取的GPS轨迹转化成笛卡尔坐标下TUM格式坐标 使用此代码,将GPS的经纬度海拔信息转换成笛卡尔坐标下的坐标,并且保存成TUM格式 轨迹对比图像 链接:https://www.guyuehome.com/18717 里详细介绍了

    2024年01月21日
    浏览(44)
  • Qt实用技巧:QCustomPlot做北斗GPS显示绝对位置运动轨迹和相对位置运动轨迹图的时,使图按照输入点顺序连曲线

    若该文为原创文章,转载请注明原文出处 本文章博客地址:https://hpzwl.blog.csdn.net/article/details/136131310 红胖子网络科技博文大全:开发技术集合(包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬结合等等)持续更新中…   使用QCustomPlot绘制多个目标的

    2024年02月20日
    浏览(61)
  • 模板匹配Template Matching

     实现代码: 运行结果:

    2024年02月11日
    浏览(46)
  • 树莓派通过天线+gps获取经纬度并调用高德地图api在地图上标点

    完整项目为《 基于机器视觉的行人和路面缺陷检测及其边缘设备部署 》 完整功能视频演示地址:本科最后的课设:“车载系统的辅助系统——基于机器视觉的行人和路面缺陷检测”完结撒花*罒▽罒*_哔哩哔哩_bilibili 该博客介绍的功能为: 1:树莓派通过gps+天线读取经纬度坐

    2024年02月14日
    浏览(66)
  • 【三】3D匹配Matching之可变形曲面匹配Deformable Surface—get_deformable_surface_matching_result()算子

    😊😊😊 欢迎来到本博客 😊😊😊 🌟🌟🌟 Halcon算子太多,学习查找都没有系统的学习查找路径,本专栏主要分享Halcon各类算子含义及用法,有时间会更新具体案例。 😊😊😊 具体食用方式:可以点击本专栏【Halcon算子快速查找】–搜索你要查询的算子名称;或者点击

    2024年02月09日
    浏览(49)
  • 微信小程序 map地图(轨迹)

    allMarkers效果图   废话少说直接上马(最后是我遇到的问题) cover-view是气泡弹窗,可以自定义弹窗,要配合js:customCallout,如果是非自定义的话:callout(可以修改颜色、边框宽度、圆角、边距等)有些属性我没加,还是看官方文档(虽然写的。。) 字段说明: allMarkers:模

    2024年02月13日
    浏览(52)
  • 详解正则表达式匹配方法 match()

    在前端开发中,正则表达式是一大利器。所以我们这次就来讨论下match()方法。 match本身是JavaScript语言中字符串对象的一个方法,该方法的签名是 match([string] | [RegExp]) 它的参数既可以是一个字符串,也可以是一个正则表达式。该方法绝大多数都是要使用正则表达式的,所以参

    2024年02月11日
    浏览(50)
  • 图匹配(Graph Matching)入门学习笔记——以《Factorized Graph Matching》为例(一)

    这篇文章本身是图匹配经典论文《Factorized Graph Matching》的阅读笔记,后来发现该文介绍并串联了许多图匹配相关的知识,甚至可以看作一个小小的综述性文章,因此就作为图匹配的学习笔记了。因为笔者本人才疏学浅,对于图匹配也是刚刚开始接触,所以文章内容难免存在纰

    2024年01月20日
    浏览(43)
  • Chrome 插件匹配模式(Match patterns)规则

    匹配模式是采用以下结构的网址,用于指定一组网址: 1. scheme 必须是以下内容之一,并使用双斜线 ( // ) 与格式的其余部分分隔开: http https 通配符  * ,仅与  http  或  https  匹配 file 2. host 主机名 ( www.example.com )。 主机名前的  * (用于匹配子网域 ( *.example.com )),或仅使

    2024年01月19日
    浏览(34)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包