卡尔曼滤波对gps轨迹数据清洗_用户GPS轨迹数据支持下的出行安全分析

GPS技术的快速发展及日益普及，使得用户出行的轨迹收集成为可能。通过手环、自行车、汽车等收集的轨迹数据中包含了大量知识，挖掘轨迹背后潜在的信息成为当下一个重要的研究热点。用户出行轨迹将人与地理位置的时空数据联系起来，这些真实的地理位置数据记录可以让我们更好地理解用户与地理位置之间的关系^[1]，同时也可以对用户的出行安全进行监管。在生活中可以很显然地发现，当一移动对象(人)在两地间做规律性的移动(如上下班, 跑步等)，其总是按照相同且有规律的路径，由特殊原因造成的路径改变除外。以上班为例，若对该对象的轨迹进行收集，在工作地点及家之间会产生大量且十分相似的GPS轨迹数据，数据背后隐藏了用户出行的日常规律。本文对这些历史轨迹进行聚类并生成安全轨迹，再与测试及用户轨迹进行实时对比分析，从而界定出行安全。

对于轨迹中心线聚类目前已经有深入研究。如文献[2]使用合适的样条曲线去拟合中心线，然后依据点到中心线的距离提取车道。文献[3]基于几何距离与方向差异来聚类线段, 以GPS数据的坐标值构造出粗糙轨迹表示车辆的行驶路径，拟合点簇得到道路中心线。上述对于轨迹中心线的挖掘主要得到一条轨迹，而本文由于轨迹的特殊性，旨在挖掘轨迹节点以备后期对比分析使用。在得到聚类的安全轨迹后，需要对轨迹进行离群分析。本文采用相似性来度量，相似度度量方法多种多样^[1]，常见的有欧氏距离、Hausdorff距离、编辑距离、Jacard相似性、余弦相似性等。文献[4]首先得到轨迹轮廓，之后基于Lcss算法计算轨迹之间的相似性，求得相似子轨迹。文献[5]提出了一种基于编辑距离的轨迹相似搜索距离度量，如果两个坐标元组根据某一阈值相似，则称两个时空位置匹配。文献[6]提出了一种相似性分析方法，采用椭圆来衡量指标，提高了相似性分析的能力与准确度。本文基于对数据的分析采用欧氏距离来计算相似度。

作为记录用户出行位置移动规律的GPS轨迹数据，在交通拥堵检测、路网提取、旅游等方面有广泛应用，但轨迹与安全方面的结合却很少。文献[7]利用车辆轨迹数据实现车辆驾驶行为安全性分析的方法，从轨迹数据中提取超速、急转弯等不安全驾驶行为，进而评估驾驶行为的安全性。其只是从轨迹的派生数据(速度等)计算出发，未考虑轨迹的总体运动规律。本文从挖掘用户总体出行规律(安全轨迹)出发，引入相似度、距离等参数评价用户出行，且采用日常采集的轨迹数据对方法进行验证。结果表明，该方法对出行安全分析极为有效。

1 研究方法

1.1 技术流程

本文提出了一套考虑相似度安全得分及距离安全得分的出行安全分析方法，研究总体技术流程如图 1所示。首先对历史轨迹群进行预处理；其次采用改进的K-means算法对历史轨迹群进行聚类，对聚类出的节点进行连接形成安全轨迹；然后使用测试集轨迹与安全轨迹进行对比分析，计算出各个节点处的相似度安全得分和距离安全性得分；最后计算出总体安全得分评价出行安全。

图 1 总体技术流程

1.2 数据预处理

(1) 数据记录异常。对一些由于接收机问题而产生的数据丢失现象进行剔除，少坐标、少时间及错误采样率等数据严格进行剔除，并对轨迹点进行数字化。

(2) 轨迹阈值剔除。轨迹采集方式有靠近左侧道路终止线、沿着中线、靠近右侧道路终止线等情况，结合轨迹的分布，本文采用阈值将轨迹限定在一定范围内，对不合格的轨迹进行剔除，设定轨迹点的剔除阈值为2d, d为道路宽度，保留阈值内数据。

(3) 离群轨迹剔除。部分轨迹数据点与其他轨迹数据点趋势相差甚远，其可能不是由一种不同的机制引起的^[8]，需要剔除。剔除函数如下

(1)

式中，s_max为最大的欧几里得阈值；为欧几里得距离。

1.3 轨