基于稀疏采样GPS轨迹数据的路口识别方法

目前的路口识别算法多数在密集采样的全球定位系统(GPS)轨迹数据基础上,采用车辆行驶方向转变作为依据进行路口识别。但稀疏采样的GPS轨迹数据由于采样时间间隔较长,无法准确模拟出车辆行驶方向。为此,针对交叉路口容易发生停车现象的特点,提出一种GPS轨迹数据的路口识别方法。从稀疏采样的GPS轨迹数据中提取出行驶轨迹的停车点及其后续点作为研究对象,依据改进GDBSCAN算法对提取出的停车点进行聚类,判断停车事件发生的热区。运用提取出的后续点对热区进行连通性计算,并根据连通性确定是否存在路口。实验结果表明,该路口识别方法具有较好的识别能力,且与DBSCAN算法相比,聚类速度明显提高。

基于深度学习的交通路口自动识别

针对轨迹数据在交通路口的分布特性,提出一种基于长短期记忆的深度学习转弯轨迹模式自动提取方法,实现自动快速地提取转弯轨迹;然后,针对路口转弯点的稀疏性缺陷,提出一种联合补偿点计算和转弯轨迹航向变化幅度的方法选取路口候选点,并通过聚类路口候选点识别道路交叉口.采用福州市鼓楼区出租车实际轨迹数据进行验证测试,结果表明,该方法对道路交叉口识别准确率达到96.7%,可为电子地图实时更新及无人驾驶自动导航应用等提供关键技术支持.

GoogLeNet神经网络的复杂交叉路口识别方法

针对传统识别方法多依赖于人工设计的低层次特征,未能有效描述复杂交叉路口的细节特征,导致识别类型有限、精度不高的问题,该文提出一种基于GoogLeNet神经网络的复杂交叉路口识别方法:首先利用交叉路口结点密集的特征,构建Delaunay三角网进行点群聚类,初步确定复杂交叉路口中心位置及空间范围;其次,在全国范围内选取39个重要城市路网作为训练样本,并充分利用矢量数据结构优势,以简化、旋转、镜像等方式丰富样本类型及容量;最后,针对其局部特征丰富的特点,选取GoogLeNet神经网络进行训练,以学习其高层次模糊性特征。以天津OSM城市路网为例的实验表明,本文方法能够有效识别复杂交叉路口,且明显提高了识别的精度和准度,具有较强地泛化性和抗干扰性。

基于GPS轨迹数据的城市交叉路口识别

【目的】针对交通方式混合模式下城市居民移动产生的GPS时空轨迹数据,实现城市道路交叉路口的自动识别。【方法】将交叉路口识别转化为一个有监督的分类学习问题。利用GeoHash算法对原始轨迹和轨迹活动区域进行编码和分格;将编码轨迹与活动区域编码矩阵映射成二值化融合矩阵,构建交叉路口特征集合;最后利用带有滑动窗口的K近邻分类算法,实现城市交通的交叉路口识别。【结果】在真实轨迹数据集GeoLife上的对比实验表明,经过GeoHash编码转换,数据集规模平均缩减率达到原有轨迹点数量的39%,降低了计算的时间复杂度;同时,识别精度优于传统的基于转向角度的交叉路口识别方法,当误差距离为50米时,综合评价指数的F1-Measure达到0.82。【局限】需要在更多城市真实轨迹数据集上进一步检验该方法的有效性。【结论】本文所提方法不受交通模式变化而产生的GPS轨迹采样频率影响,能解决混合交通模式数据集上的城市交叉路口自动识别问题,具有较强的通用性。

基于浮动车数据的路口探测方法

路口及其通行规则探测是当前路网自动化提取工作中的难点问题,该文提出了一种简单高效的从浮动车数据中探测路口与转向规则的方法。假设车辆航迹线转弯密集区为路口,首先通过对转弯曲线空间聚类分析获得路口中心,再利用同心圆面积递增法估算出路口覆盖范围,最后根据路口范围内航迹线行驶方向分布模式,识别出通行规则。该方法的特点是将路口视为具有中心和半径的区域,而不是简单的点。将该方法应用于淮北市城区出租车采集的浮动车数据,同人工解译结果相比,探测路口的正确识别率约为91.6%,路口位置与解译结果平均距离为3.57m,表明方法具有较高的实用价值。