یک روش ترکیبی برای استخراج تدریجی شبکه‌های جاده‌ای با استفاده از داده‌های مسیر مکانی - زمانی - هوش پیروزی

خلاصه

با توسعه سریع ترافیک شهری، نقشه‌های راه دقیق و به‌روز برای زندگی روزمره انسان و کنترل ترافیک شهری بسیار مهم است. اخیراً، با ظهور نقشه‌های جمع‌سپاری، توجه دانشگاهی به تولید شبکه‌های جاده‌ای از داده‌های مسیر مکانی-زمانی معطوف شده است. با این حال، بسیاری از روش‌های موجود، الگوهای تغییر مسیر جاده‌ای را که در داده‌های مسیر چند زمانی موجود است بررسی نمی‌کنند و برآوردن نیازهای دقت و کارایی استخراج اطلاعات جاده‌ها هنوز دشوار است. از این رو، در این مقاله، ما یک روش ترکیبی برای استخراج تدریجی شبکه‌های جاده‌ای شهری از داده‌های مسیر مکانی-زمانی پیشنهاد می‌کنیم. ابتدا، داده‌های خط سیر خام به برش‌های زمانی K تقسیم شدند و برای مقداردهی اولیه شبکه‌های جاده‌ای K-زمانی با یک روش ریخت‌شناسی ریاضی مورد استفاده قرار گرفتند. سپس، شبکه‌های جاده‌ای K-زمانی با توجه به مدل نیروی گرانش تنظیم شدند تا ناسازگاری‌های هندسی خود را اصلاح کنند. در نهایت، شبکه‌های جاده‌ای با استفاده از الگوریتم برازش بخش k به صورت هندسی مشخص شدند و ویژگی‌های جاده مرتبط (به عنوان مثال، عرض جاده و قانون رانندگی) استنباط شدند. چندین مطالعه موردی مورد بررسی قرار گرفت تا نشان دهد که روش ما می‌تواند به طور موثر کارایی و دقت استخراج جاده را بهبود بخشد و می‌تواند تلاش قابل توجهی برای استخراج الگوهای تغییر افزایشی در شبکه‌های جاده‌ای از داده‌های مسیر مکانی-زمانی برای کمک به تجدید نقشه راه انجام دهد. و ویژگی های جاده مرتبط (به عنوان مثال، عرض جاده و قانون رانندگی) استنباط شد. چندین مطالعه موردی مورد بررسی قرار گرفت تا نشان دهد که روش ما می‌تواند به طور موثر کارایی و دقت استخراج جاده را بهبود بخشد و می‌تواند تلاش قابل توجهی برای استخراج الگوهای تغییر افزایشی در شبکه‌های جاده‌ای از داده‌های مسیر مکانی-زمانی برای کمک به تجدید نقشه راه انجام دهد. و ویژگی های جاده مرتبط (به عنوان مثال، عرض جاده و قانون رانندگی) استنباط شد. چندین مطالعه موردی مورد بررسی قرار گرفت تا نشان دهد که روش ما می‌تواند به طور موثر کارایی و دقت استخراج جاده را بهبود بخشد و می‌تواند تلاش قابل توجهی برای استخراج الگوهای تغییر افزایشی در شبکه‌های جاده‌ای از داده‌های مسیر مکانی-زمانی برای کمک به تجدید نقشه راه انجام دهد.

کلید واژه ها:

استخراج شبکه جاده ای ; استخراج الگوی تغییر ; K-Temporal Trajectory Partition ; تنظیم فضایی ؛ برازش منحنی قطعه k

چکیده گرافیکی

1. معرفی

با شهرنشینی سریع در حال انجام، شبکه های جاده ای به طور فزاینده ای پیچیده و به شدت متراکم شده اند. ایجاد نقشه های راه به موقع، دقیق و دقیق، نیاز اساسی سیستم های حمل و نقل هوشمند و مدیریت شهر هوشمند است. روش‌های سنتی جمع‌آوری داده‌های جاده‌ای، مانند رقومی‌سازی نقشه و بررسی‌های میدانی، به تجهیزات گران‌قیمت و پردازش فضای داخلی نیازمند کار فشرده هستند. در حال حاضر، برخی از برنامه‌های نقشه‌برداری مشارکتی (مثلاً OpenStreetMap، Wikimapia) سهم قابل توجهی در نقشه‌های راه تجاری داشته‌اند، اما آنها همچنین به کار پردازش دستی داوطلبان وابسته هستند و با ارسال‌هایی با کیفیت متفاوت مواجه می‌شوند [ 1 ]]. دستگاه های موقعیت یابی که به طور گسترده مورد استفاده قرار می گیرند (به عنوان مثال، تلفن های همراه) امکان ایجاد داده های مسیر عظیم برای وسایل نقلیه و افراد را فراهم می کند که حاوی اطلاعات فراوانی در مورد ساختار جاده ها، شرایط ترافیکی و رفتارهای رانندگی است. از این رو، افزایش توجه دانشگاهی در سال‌های اخیر به استخراج خودکار اطلاعات مرتبط با جاده از داده‌های مسیر مکانی-زمانی [ 2 ، 3 ، 4 ] معطوف شده است.

با توجه به اثر چند مسیری موقعیت‌یابی GNSS و نابرابری فعالیت‌های سفر انسان، ناهمگونی‌های مکانی-زمانی احتمالاً در داده‌های مسیر خودرو (به‌ویژه داده‌های فرکانس پایین) رخ می‌دهد [ 5 ]. از یک طرف، نقاط مسیر متوالی ممکن است از چندین بلوک خیابان به دلیل نرخ نمونه پایین یا حتی از دست دادن سیگنال ماهواره ای عبور کنند. از سوی دیگر، نقاط مسیر در برخی از محورهای ترافیکی و جاده‌های سطح بالا فشرده هستند، اما در سایر جاده‌های سطح پایین پراکنده هستند. این چالش‌های بزرگی را برای استخراج دقیق و کارآمد شبکه‌های جاده‌ای بسیار دقیق از داده‌های مسیر ناهمگن به همراه دارد. علاوه بر این، تا جایی که ما می دانیم، بیشتر مطالعات موجود به ساختن یک نسخه نقشه راه با استفاده از تمام داده های مسیر جمع آوری شده اختصاص داده شده است [ 6 ], 7 , 8 , 9 ]. روش‌های مبتنی بر نسخه ممکن است الگوهای در حال تغییر جاده را نادیده بگیرند، که در داده‌های مسیر چندزمانی ذکر شده است، و به ندرت مکانیزم به‌روزرسانی داده‌های پایدار با زمان ارائه می‌کنند. از این رو، در این مقاله ما نشانه حیاتی تغییرات در الگوهای جاده‌ای را در داده‌های مسیر چندزمانی بررسی کردیم و یک روش ترکیبی برای استخراج تدریجی شبکه‌های جاده‌ای پیشنهاد کردیم.

ادامه این مقاله به شرح زیر سازماندهی شده است. کارهای مرتبط در مورد استخراج جاده از داده های مسیر در بخش 2 بررسی می شود . بخش 3 روش ترکیبی را برای استخراج تدریجی شبکه های جاده ای از داده های مسیر مکانی-زمانی ارائه می دهد. نتایج تجربی و تجزیه و تحلیل ارزیابی در بخش 4 ارائه شده است تا کارایی و استحکام روش پیشنهادی را نشان دهد. در نهایت، نتیجه گیری و کارهای آتی در پایان مقاله مورد بحث قرار می گیرد.

2. بررسی ادبیات

به طور کلی، روش‌های استخراج جاده موجود شامل سه دسته است: مبتنی بر تصویر [ 10 ]، مبتنی بر LiDAR [ 11 ]، و روش‌های مبتنی بر مسیر [ 12 ]. در مقایسه با روش‌های مبتنی بر مسیر، روش‌های مبتنی بر LiDAR و مبتنی بر تصویر احتمالاً دقیق‌تر هستند، اما پرهزینه هستند [ 13 ]. اخیرا، داده های مسیر همه جا به یک منبع داده غالب و در سطح منطقه برای نظارت بر محیط های جاده های شهری تبدیل شده اند [ 14 ]. از یک طرف، داده های مسیری که به طور فزاینده ای جمع آوری می شود، می تواند ترسیم هندسی خوبی از ساختار شبکه راه ها ارائه کند [ 15 ، 16 ]]. از سوی دیگر، اطلاعات جغرافیایی ثبت شده (به عنوان مثال، زمان، موقعیت، جهت و سرعت) سرنخ ارزشمندی برای استنتاج قوانین معنایی مرتبط با شبکه‌های جاده‌ای (به عنوان مثال، حالت ترافیک، محدودیت‌های چرخش، و محدودیت سرعت) فراهم می‌کند [ 17 ، 18 ] ]. علاوه بر این، داده‌های مسیر مشاهده شده به‌طور پیوسته نیز می‌تواند برای نظارت به موقع جریان ترافیک پویا و تغییر الگوهای جاده مورد استفاده قرار گیرد [ 19 ، 20 ]. این مقاله عمدتاً بر استخراج شبکه‌های جاده‌ای ساختاری از داده‌های مسیر متمرکز است و بنابراین ما یک بررسی مختصر از مدل‌های استخراج جاده مبتنی بر مسیر انجام می‌دهیم.

با بهره‌گیری از داده‌های مسیر همه جا، مدل‌های هدفمند زیادی برای استخراج شبکه‌های جاده‌ای از سطوح مختلف پیشنهاد شده‌اند که از اطلاعات جاده با جزئیات کم (خط مرکزی، مقدار شیب و ناهمواری سطح) تا ساختارهای جاده‌ای با جزئیات بالا (مانند مدل‌های تقاطع، ساختار سطح خط) [ 4 ، 16 ، 21 ، 22 ]. به طور خلاصه، روش های موجود بازسازی نقشه راه مبتنی بر مسیر را می توان به چهار دسته تقسیم کرد: روش های شطرنجی، روش های خوشه بندی، روش های افزایشی و سایر روش های ترکیبی. اولین روش‌های شطرنجی، مسیرهای برداری را به تصاویر شطرنجی تبدیل می‌کنند و سپس خطوط مرکزی جاده را بر اساس الگوریتم‌های نازک‌سازی مورفولوژیکی یا اسکلت‌سازی استخراج می‌کنند [ 23 ], 24 , 25 ]. روش‌های شطرنجی می‌توانند به سرعت یک نقشه اسکلت جاده را به دست آورند، اما با دو مشکل اساسی مواجه هستند: یکی احتمال از دست دادن روابط توپولوژیکی بین بخش‌های جاده، و دیگری دشواری در تنظیم اندازه‌های شبکه بهینه در مکالمه بردار به شبکه. . روش‌های خوشه‌بندی دوم، نقاط یا خطوط مشابه مسیر را در خوشه‌های مختلف مرتبط با خطوط جاده‌ها، بخش‌ها یا تقاطع‌ها جمع‌آوری می‌کنند و سپس ساختارهای هندسی و قوانین چرخش آنها را با الگوریتم‌های برازش شکل و تجزیه و تحلیل آماری ترسیم می‌کنند [ 26 ، 27 ، 28 ، 29 ، 30 ]]. روش‌های خوشه‌بندی می‌توانند روابط توپولوژیکی و قوانین چرخش را به طور مؤثر تشخیص دهند، اما نیاز فوری به بهبود عدم حساسیت مدیریت مسیرهای غیرعادی و نابرابری‌های چگالی دارند. روش‌های افزایشی سوم عمدتاً یک استراتژی تکراری را اتخاذ می‌کنند، که تمام مسیرهای به‌دست‌آمده را در یک دوره زمانی با یک شبکه جاده مرجع (یا یک نقشه خالی) مطابقت می‌دهد و سپس به طور مکرر مسیرهای هدف را برای تجدید شبکه‌های جاده‌ای مرجع ادغام می‌کند [ 31 ، 32 ، 33 ] ، 34 ]. روش‌های افزایشی تلاش خوبی برای به‌روزرسانی مداوم شبکه‌های جاده‌ای انجام می‌دهند، اما پردازش کل مسیرهای مشاهده‌شده درازمدت نسبتاً زمان‌بر است [ 35 ]]. از این رو، برخی از محققان روش‌های ترکیبی را برای تولید مدل‌های نمودار ساختاری شبکه‌های جاده‌ای، مانند روش تقسیم و غلبه [ 36 ، 37 ]، روش یادگیری ساختار [ 38 ]، نظریه مورس توپولوژیکی [ 39 ] و ساختار پیشنهاد کردند. روش فیلترینگ آگاه [ 40 ].

به طور کلی، مطالعات قبلی تحقیقات اکتشافی مهمی را انجام دادند، اما برخی از اشکالات را نیز به وجود آوردند که باید حل شوند، از جمله آسیب‌پذیری در برابر ناهمگونی‌های مکانی-زمانی داده‌های مسیر جمع‌سپاری و همچنین کاوش کامل الگوهای بالقوه در حال تغییر در مسیرهای زمانی مختلف. از این رو، هدف این مقاله ارائه یک مدل پایدار از نظر زمانی برای استخراج تدریجی شبکه‌های جاده‌ای شهری از داده‌های مسیر مشاهده شده پیوسته بود. مشارکت های این مقاله عمدتاً به شرح زیر است: (1) داده های مسیر به دست آمده به طور جداگانه به سری های زمانی K برای مقداردهی اولیه K تقسیم می شوند.– شبکه های جاده ای موقت، کاهش مصرف زمان پردازش از تمام مسیرهای جمع آوری شده. (2) مدل گرانشی برای تنظیم هندسی شبکه‌های جاده‌ای K- زمانی به کار گرفته شد، که یک رویکرد کشف الگوی جاده در حال تغییر برای تجدید داده‌های جاده ارائه می‌کند. و (3) مدل‌های برازش منحنی و استخراج قانون برای تولید یک نمودار جاده ساختاری توسعه یافتند، که استحکام روش ما را برای ترسیم دقیق اشکال و توپولوژی‌های مختلف جاده بهبود می‌بخشد.

3. روش

با توجه به بررسی ادبیات در [ 12 ]، روش‌های استنتاج سنتی جاده مستقیماً با تمام داده‌های مسیر جمع‌آوری‌شده برای دستیابی به یک نقشه راه کامل سروکار دارند، که ممکن است الگوهای تغییر جاده را که در داده‌های مسیر نهفته است نادیده بگیرد و ممکن است به طور همزمان به محاسبات هندسی عظیمی برای پردازش همه نیاز داشته باشد. داده های مسیر بنابراین، این مقاله یک روش ترکیبی را برای استخراج تدریجی شبکه‌های جاده‌های شهری پیشنهاد می‌کند، که تلاش می‌کند داده‌های مسیر اصلی را به مجموعه داده‌های مسیر زمانی K تقسیم کند و ناسازگاری‌های مکانی- معنایی بین سری‌های زمانی مختلف را تحلیل کند. به طور کلی، رویکرد پیشنهادی شامل سه مرحله اصلی است که به شرح زیر است:

تقسیم‌بندی داده‌های مسیر اصلی به سری‌های زمانی K و مقداردهی اولیه یک نسخه شبکه جاده برای هر داده مسیر سری زمانی بر اساس عملیات شطرنجی‌سازی مورفولوژیکی.
تنظیم شبکه‌های جاده‌ای موقت K ، که در بالا، با توجه به مدل نیروی جاذبه برای اصلاح انحرافات هندسی بین شبکه‌های جاده‌ای زمانی مختلف، مقداردهی اولیه شده است.
ساخت شبکه‌های جاده‌ای شهری با استفاده از الگوریتم برازش قطعه k و سپس استنتاج پارامترهای جاده مرتبط با تحلیل روند آماری.

به طور کلی، یک نقطه مسیر اطلاعات مختلفی مانند طول جغرافیایی، عرض جغرافیایی، زمان، سرعت، سمت و پلاک را ثبت می کند که می تواند به طور رسمی به صورت P _i = ( lon _i ، lat _i ، زمان _i ، سرعت _i ، سر _من ، ماشین _من ،…). در مقایسه با داده‌های معمولی GPS، داده‌های DGPS از مزیت نمونه‌گیری با دقت و متراکم برخوردار هستند، اما هزینه بالایی و چرخه طولانی جمع‌آوری داده‌ها را نیز دارند. بنابراین، داده‌های معمولی GPS برای به‌روزرسانی سریع شبکه‌های جاده‌ای شهری مفیدتر هستند [ 32]. با توجه به ناهمگونی‌های مکانی-زمانی داده‌های مسیر خام ( شکل 1 الف)، پیش پردازش فیلتر مسیر به شرح زیر انجام می‌شود: (1) حذف نقاط مسیر با جهت حرکت غیرعادی بزرگ (مثلاً 360 درجه) و شکستن مسیر خطوط مسیر با چند نقطه تقریبا ثابت. (2) از بین بردن خطوط مسیر با سه یا چند نقطه خمشی بزرگ (مثلاً چرخش 50 درجه). و (3) حذف خطوط مسیر با دو یا چند نقطه فاصله غیرعادی (به عنوان مثال، بیش از 1.3 کیلومتر). نقاط GPS پس از پردازش در شکل 1 ب نشان داده شده است.

3.1. راه‌اندازی شبکه‌های جاده‌ای K-زمانی بر اساس شطرنجی‌سازی مورفولوژیکی

داده های مسیر مکانی-زمانی درک خستگی ناپذیر و دقیقی از شبکه های جاده های شهری ارائه می دهند. برای استخراج الگوهای تغییر جاده که در داده‌های مسیر مکانی-زمانی ذکر شده‌اند، کل مسیرها را در دسته‌های زمانی K جمع‌آوری کردیم و سپس ویژگی‌های جاده K- زمانی را از این دسته‌های مسیر بر اساس روش شطرنجی‌سازی مورفولوژیکی استخراج کردیم.

در تئوری، عملیات مورفولوژیکی شامل دو عملگر اصلی (اتساع و فرسایش)، و همچنین برخی از عملگرهای مشتق شده دیگر (به عنوان مثال، باز کردن، بسته شدن، و نازک شدن) است [ 41 ]. همانطور که در شکل 2 الف نشان داده شده است، عملگر اتساع تصویر باینری A با ساختار عنصر B ₁ به صورت A⊕B ₁ = { x , y |(B ₁ ) _x_, y ∩A ≠ ∅} تعریف می شود. مانند آنچه در شکل 2 ب نشان داده شده است، عملگر فرسایش تصویر باینری A توسط ساختار عنصر B ₂ به صورت AΘB ₂ = { x , y |(B ₂ ) تعریف می شود._x_، y ⊆A}. مشاهده می شود که عملگر اتساع به دنبال گسترش اشکال تصویر باینری A است و برعکس، عملگر فرسایش با هدف نازک کردن اشکال تصویر باینری A و حذف لبه های ترک می باشد.

داده های مسیر برداری در هر دسته زمانی ابتدا به تصاویر شطرنجی باینری با دو آستانه شبکه و چگالی مشخص تبدیل شدند. پس از آن، ویژگی‌های جاده توسط استراتژی اپراتور اتساع-باز کردن-رقیق کردن استخراج شد. _{اول، برای کاهش تاثیر نمونه برداری درشت، یک} عملیات اتساع عنصر ساختاری B1 لزوما برای گسترش شکل مناطق جاده و اتصال بخش های جاده شکسته انجام شد. سپس، پس از اتساع، یک عملگر باز را روی تصویر مسیر باینری اجرا کردیم. عملگر بازکننده یک عملگر مشتق شده است که عملگرهای فرسایش و اتساع اولیه را به ترتیب با همان عنصر ساختاری B2 اجرا می _کند . همانطور که در شکل 3 ، شکل 3 نشان داده شده استb نتیجه اجرای مستقیم عملگر باز روی تصویر مسیر اصلی در شکل 3 a است و شکل 3 c نتیجه اجرای عملگر باز کردن پس از عملگر اتساع روی تصویر اصلی است. مشاهده می‌شود که در مقایسه با اجرای مستقیم عملگر باز ( شکل 3 ب)، ویژگی‌های هندسی بخش‌های جاده با اتخاذ عملگرهای بازگشایی اتساع بهتر حفظ می‌شوند ( شکل 3 ج).

پس از آن، یک الگوریتم نازک‌سازی پیچیده برای تولید خطوط مرکزی جاده از تصاویر مسیر پردازش شده توسط عملیات اتساع و باز کردن بالا استفاده شد. نازک شدن تصویر یا اسکلت سازی، فرآیند به دست آوردن نمودار اسکلت اشیاء از تصاویر شطرنجی باینری است. دو روش رقیق سازی نماینده وجود دارد، یعنی روش های تکراری و روش های غیر تکراری. با توجه به مصونیت نویز تصویر و حفظ کامل بودن جاده، روش پیچیده تکراری را بر اساس مورفولوژی ریاضی در این مقاله اتخاذ کردیم. در جزئیات، تصویر هدف A به طور مکرر توسط مجموعه ای از عناصر ساختاری نازک شد {B ₁ ,…,B _N} مطابق با معادله (1). عملگر نازک‌سازی مورفولوژیکی قرار بود مقادیر پیکسل‌ها را وقتی که توسط عناصر ساختاری B ₁ ,…, B _N اصابت می‌کنند 0 تنظیم کند . شبکه جاده تک زمانی را می توان با تبدیل معکوس تصاویر نازک شده به نقشه اسکلت برداری به دست آورد. سایر شبکه‌های جاده‌ای موقت نیز به طور مشابه با روش مورفولوژی ریاضی فوق استخراج می‌شوند.

A \otimes {ب 1 \dots ن} = (\dots ((A \otimes ب 1) \otimes ب 2) \dots) \otimes ب ن

(1)

3.2. تنظیم شبکه‌های جاده‌ای K-زمانی بر اساس مدل نیروی گرانشی

به دلیل نوسانات ناپایدار در دقت موقعیت و نرخ نمونه‌برداری، شبکه‌های جاده‌ای به‌دست‌آمده از داده‌های مسیر زمانی مختلف، انحرافات هندسی نامشخص و اطلاعات تغییر جاده بالقوه را نشان می‌دهند. این مقاله از مدل نیروی گرانش برای تنظیم انحراف هندسی بین شبکه‌های جاده‌ای موقت K برای دستیابی به یک ساختار جاده کامل و به‌روز استفاده کرد. ایده کلیدی مدل نیروی گرانش محاسبه مکرر مقادیر تنظیم موقعیت با متعادل کردن نیروهای گرانش بین خطوط مرکزی جاده K- زمانی و نیروهای فنر خطوط مرکزی جاده متحرک است.

ما ابتدا از یک تجزیه و تحلیل بافر ساده برای شناسایی بخش‌های جاده مشابهی که با یک موجودیت جاده یکسان تطبیق داده شده‌اند، که بخش‌های جاده متناظر K- زمانی نامیده می‌شوند، استفاده کردیم. به عنوان مثال، در شکل 4 .

R ₁ … R _i … R _j … R _K یک مجموعه نماینده از بخش های جاده متناظر K – زمانی است. با توجه به مدل نیروی گرانش فیزیکی، نیروی گرانش سایر بخش‌های جاده { R ₁ … R _j … R _K } (j ≠ i ) به یک _قطعه جاده R _i در راس آن t ، یعنی f ₁ ( t ، Rj ) با فرمول زیر تعریف می شود:

اف 1 (t) = \sum j = 1 ، j \neq i ک - م * ( K - 1 ) δ 3 2 π -\sqrt \cdot e x p (- | t - آر j | 2 2 δ 2) (t - آر j) ، t \in آر من

(2)

که در آن ( t − Rj ) بردار برآمده متشکل از راس _t_و نزدیکترین نقطه Rj به t را نشان می دهد و | t − R _j | هنجار بردار پیش بینی شده ( t – Rj ) را اندازه _گیری می کند. K تعداد کل بخش‌های جاده متناظر K-زمانی است، و M و σ پارامترهای از پیش تعریف‌شده هستند که به ترتیب با توجه به [ 36 ] به صورت M = 1 و σ = 10 تنظیم می‌شوند.

علاوه بر این، نیروی فنر حرکت راس t به موقعیت جدید x به عنوان معادله (3) تعریف می شود، که در آن μ ضریب نیروی فنر از پیش تعریف شده است که به طور پیش فرض روی 0.005 تنظیم شده است.

اف 2 (t) = μ \cdot (x - t)

(3)

با توجه به مدل نیروی گرانش فیزیکی، موقعیت جدید بهینه هر راس t در یک قطعه جاده Ri با جمع‌آوری نیروهای گرانشی سایر بخش‌های جاده { R ₁ … _Rj … R _N } محاسبه و به‌روزرسانی _{می‌شود} . j ≠ i ) برابر است با نیروی فنر انتقال راس t به موقعیت جدید x ، یعنی F ₁ ( t ) = F ₂ ( t ). فرآیند تنظیم موقعیت آن بخش جاده R_{زمانی که} تفاوت موقعیتی همه رئوس بین دو تکرار کوچکتر از مقدار مشخص شده باشد، پایان می یابد. تمام بخش‌های جاده متناظر با زمان K از نظر فضایی توسط همان فرآیند همجوشی مبتنی بر نیروی گرانش تنظیم می‌شوند. شکل 5 a نمونه هایی ازبخش های جاده متناظر K – زمانی استخراج شده از مجموعه داده های مسیر تقسیم شده K را نشان می دهد ، و شکل 5 b آن بخش های جاده را پس از تنظیم موقعیت نشان می دهد، که نشان می دهد انحراف هندسی بین بخش های مختلف جاده زمانی به طور موثر برای ایجاد هندسه بهبود یافته است. – شبکه جاده ای منسجم

3.3. ساخت شبکه های راه شهری بر اساس برازش قطعه k و تحلیل آماری

3.3.1. ساخت هندسه شبکه های راه شهری بر اساس الگوریتم برازش قطعه K

پس از تعدیل موقعیتی شبکه‌های جاده‌ای متناظر K- زمانی، همان موجودیت جاده هنوز بازنمایی‌های هندسی متعددی دارد. این هندسه های زمانی K راه باید به عنوان یک منحنی اصلی برای ساختن یک نمایش هندسی نهایی برای هر موجودیت جاده برازش داده شوند. منحنی اصلی به عنوان یک منحنی صاف و خودسازگار تعریف می شود که از مرکز توزیع تمام نقاط مشاهده شده می گذرد [ 42 ]. ما یک الگوریتم برازش منحنی اصلی قطعه k را برای تولید شبکه‌های جاده‌ای نهایی ایجاد کردیم تا عملکرد خوبی در ترسیم توزیع‌های نقطه‌ای مختلف داشته باشد [ 4 ]]. الگوریتم برازش قطعه k به گونه ای طراحی شده است که به طور تکراری تمام نقاط مشاهده شده را به مجموعه های Voronoi مختلف تقسیم کند و منحنی صافی از k بخش پیدا کند که تابع هدف در رابطه (4) را برآورده کند:

آرگمین f = {س 1 \dots س ک} ⎧⎩⎨ G (f) = \sum i = 1 \dots k \sum p \in V من د (ص ، س من) ⎫⎭⎬ س . تی . V من = {p \in پ n | من = آرگمین j = 1 \dots k د (ص ، س j)}

(4)

که در آن P _n مجموعه ای از n نقطه مشاهده شده است، p $\in$ P _n . در این مقاله، P _n تمام نقاط رأس یک مجموعه قطعه جاده متناظر با زمان K را نشان می دهد. منحنی f ، متشکل از k بخش s ₁ … s _k ، منحنی اصلی برازش شده توسط P _n است. علاوه بر این، d ( p ، _sj ) حداقل فاصله از نقطه p تا هر نقطه در قطعه s _j را نشان می دهد. V ₁ … V _i … V _kپارتیشن‌های Voronoi نقاط مشاهده‌شده را نشان می‌دهند، به این معنی که نقاط V _i باید به s _i نزدیک‌تر از هر بخش دیگری باشند.

از رابطه (4) می توان دریافت که حداقل مجموع فواصل بین نقاط مشاهده شده و منحنی برازش شده f به دست می آید . همانطور که به طور مفصل در ادبیات [ 4 ] توضیح داده شد، اولین خط اصلی به صورت f = { s ₁ }، k = 1 مقداردهی اولیه می شود. سپس، بر اساس رابطه (4) یک قطعه جدید به طور مکرر با k = k + 1 در f وارد می شود تا زمانی که مجموع فواصل بین مجموعه نقطه مشاهده شده P _n و بخش های k به یک مقدار ثابت برسد و در نهایت، kبخش ها به عنوان یک منحنی صاف توسط استراتژی جستجوی مسیر حریصانه هامیلتونی به هم مرتبط می شوند. در این مقاله، بخش‌های جاده موقت K پس از تعدیل موقعیت به موجودیت‌های جاده‌های مختلف طبقه‌بندی شدند و نقاط رأس در هر مجموعه جاده متناظر K- زمانی به عنوان یک مجموعه نقطه مشاهده‌شده مستقل در نظر گرفته شد تا منحنی اصلی را برای ترسیم هندسی ترسیم هندسی مربوطه در نظر بگیرد. موجودیت جاده ای لازم به ذکر است که k در برازش منحنی اصلی (معادله (4)) با K قبلی متفاوت است . K تعداد کل دسته های مسیر و k تعداد قطعه کل منحنی اصلی برای ترسیم یک هندسه جاده است.

3.3.2. استنباط صفات شبکه های راه شهری بر اساس تحلیل آماری

علاوه بر هندسه جاده، ویژگی های جاده، مانند عرض جاده و جهت گردش، نیز اطلاعات ضروری برای برنامه های ناوبری و برنامه ریزی مسیر هستند. ما روابط پیوندی بین نقاط مسیر هدف و بخش‌های جاده نصب‌شده را با تجزیه و تحلیل بافر تطبیقی بازسازی کردیم و بیشتر عرض جاده و قوانین رانندگی یک‌/دو طرفه را با توجه به توزیع‌های نقطه‌ای و آمار جهت مسیر نقاط مسیر مرتبط تعیین کردیم. . فرآیند استنتاج معنایی شامل سه مرحله زیر است.

محاسبه عرض جاده : برای هر بخش جاده، شروع به ساختن منطقه بافر آن با شعاع ε ₀ و محاسبه نسبت r ₀ از نقاط مسیری که در بافر منطقه بافر ( ε ₀ ) قرار می گیرند، کردیم. سپس، منطقه بافر را با شعاع فزاینده εi = ε ₀ +_i *s (که i عدد تکراری و s = 0.1 m مرحله تکراری است) بازسازی می کنیم تا نسبت جدید r _i از نقاط مسیری که در آن قرار می گیرند محاسبه کنیم. بافر ( ε _i _) تجزیه و تحلیل بافر بالا تا زمانی ادامه می یابد که نسبت نقطه مسیر r _i به 96٪ برسد و شعاع بافر پس از بافر تکراری به عنوان عرض جاده W استنباط می شود (نشان داده شده در شکل 6 ).

شناسایی قوانین رانندگی: برای هر بخش جاده، ما زوایای بین بخش جاده و خطوط مسیر مرتبط در بافر ( W ) را محاسبه کردیم، که برای طبقه‌بندی تمام خطوط مسیر به سه نوع مطابق با رابطه (5) استفاده شد. سپس، نسبت های نوع = 1 یا 2 برای قضاوت در مورد قوانین رانندگی آن بخش جاده محاسبه شد. در این مقاله، زمانی که بیش از 90% یا کمتر از 10% از خطوط مسیر مرتبط متعلق به نوع = 1 یا نوع = 2 باشد، بخش جاده به عنوان جاده یک طرفه در نظر گرفته شد. در غیر این صورت یک جاده دو طرفه محسوب می شد.

تیyp e =⎧⎩⎨⎪⎪1 ( s a m e d  من هستم ، _ _ _ _ _ _ _θ ∈ [ 0 , Φ  ]2 ( o p o s i t e d _  i r e c t i o n ) , θ ∈ [ 180 − Φ , 180 + Φ ]  0 ( a b n o r m a l d  i r e c t i o n ) ، o t h e r w i s e ����={1 (���� ���������),�∈[0, �]2 (�������� ���������), �∈[180−�, 180+�]0 (�������� ���������), ��ℎ������

(5)

بازسازی جاده دو طرفه: برای جاده های دو طرفه شناسایی شده، نمایش هندسی مسیرهای دوتایی طبق رابطه (6) محاسبه می شود:

پ من “ = پ من \pm دبلیو -\to 6

(6)

که در آن P _i = ( xi ، y _i₎ مختصات رأس خطوط مرکزی جاده است. $\vec{W}$ برداری است که طول آن برابر با عرض جاده W و جهت آن عمود بر قطعه جاده است. و P _i ′ = ( x _i ′, y _i ′ ) مختصات رأس مربوط به نمایش دو باربری است.

به دلیل نمونه برداری درشت یا بازسازی دوطرفه، برخی از جاده های تولید شده ممکن است با جاده های دیگر قطع یا نادرست ارتباط داشته باشند. با توجه به حفظ اتصال جاده، یک پس پردازش بازسازی توپولوژی لزوما اجرا شد. اول، برای تشخیص جاده‌های بن‌بست که عموماً از جاده‌های دیگر دور هستند، از یک شعاع جستجوی بسیار کوچک (مثلاً 1 متر) برای یافتن جاده‌های متصل و ترمیم روابط توپولوژیکی آنها با جاده‌های همسایه‌شان استفاده کردیم. همانطور که در شکل 7 الف نشان داده شده است، اگر فقط یک جاده همسایه در یک گره پیدا شود، گره جاده L ₁ مستقیماً به جاده مجاور منحصر به فرد گسترش می یابد ( شکل 7 ب). در غیر این صورت، آن گره جاده L ₂با قرار دادن یک بخش جدید متشکل از نزدیکترین گره و خود گره جاده گسترش خواهد یافت ( شکل 7 ب). مطمئناً یک شعاع جستجوی ثابت ممکن است برای قضاوت در مورد جاده های بن بست و جاده های متصل کافی نباشد. بهتر است مجاورت فضایی بخش‌های جاده و اتصال توپولوژیکی خطوط مسیر مرتبط برای مقابله با این بخش‌های تک‌تنه ترکیب شود.

4. نتایج

در تجزیه و تحلیل تجربی، یک مجموعه داده مسیر تاکسی در شنژن، چین، از 1 تا 21 ژانویه 2012، برای تأیید روش پیشنهادی ما استفاده شد. مجموعه داده مسیر دارای نرخ نمونه حدود 60 تا 100 ثانیه است، دقت موقعیتی در حدود 10 تا 15 متر دارد و شامل حدود 1.2 میلیون نقطه مسیر و 16000 مسیر در روز است. تنظیمات پارامتر برای استخراج تدریجی شبکه های جاده از داده های مسیر در جدول 1 فهرست شده است. عناصر ساختاری B ₁ و B ₂ در مقداردهی اولیه شبکه جاده ( بخش 3.1 ) و پارامترهای بافر ε0 _و s در استنتاج ویژگی جاده ( بخش 3.3.2)) از نظر تجربی برای عملکرد خوب برای نزدیک شدن به داده های مسیر زمانی مختلف تعیین شدند. پارامترهای M ، δ و μ در مدل نیروی گرانش ( بخش 3.2 ) و kmax در برازش قطعه k ( بخش 3.3.1 ) به ترتیب با مراجعه به ادبیات [ 36 ] و [ 4 ] به طور یکنواخت تنظیم شدند.

4.1. نتایج تجربی

شکل 8 نتایج اولیه سازی شبکه راه را بر اساس روش شطرنجی مورفولوژیکی نشان می دهد. شکل 8 a-c تصاویر باینری تبدیل شده از داده های مسیر سه زمانی را نشان می دهد و شکل 8 d-f شبکه های جاده ای را نشان می دهد که تقریباً از تصاویر باینری سه زمانی فوق الذکر استخراج شده اند. از بیضی های قرمز رنگ در شکل 8 قابل مشاهده استکه ناهماهنگی‌ها و مکمل‌های مکانی در شبکه‌های جاده‌ای زمانی مختلف به دلیل ناهمگونی‌های مکانی-زمانی بین داده‌های مسیر وجود دارند. استراتژی استخراج موقت K پیشنهادی می‌تواند به طور موثر ویژگی‌های تغییر مسیر مکانی-زمانی را که در داده‌های مسیر مشاهده شده به طور مداوم ذکر شده است، کشف کند، و سرنخ‌های قابل‌توجهی برای تشخیص تغییر جاده و به‌روزرسانی خود ارائه می‌دهد. علاوه بر این، روش راه‌اندازی شبکه جاده‌ای K-زمانی می‌تواند باعث ارتقای کارایی شود، در مقایسه با استخراج مستقیم شبکه جاده از کل مجموعه داده مسیر. در عمل، این یک راه حل عملی برای استفاده از محاسبات موازی برای کاهش بیشتر زمان مصرف اولیه شبکه جاده ای موقت K است.

شکل 9 a,c نتایج همپوشانی شبکه‌های جاده‌ای K-زمانی استخراج شده با روش شطرنجی را نشان می‌دهد و شکل 9 b,d نتایج تنظیم فضایی بر اساس مدل نیروی گرانش را توضیح می‌دهد. همانطور که در مستطیل های آبی در شکل 9 نشان داده شده است ، انحرافات هندسی بین شبکه های جاده های زمانی مختلف به طور موثر توسط مدل همجوشی مبتنی بر نیرو بهبود یافته و دقت هندسی شبکه های جاده ای تولید شده را بهبود می بخشد.

پس از آن، تمام بخش‌های جاده K-زمانی با یک جستجوی بافر ساده مجدداً طبقه‌بندی شدند تا اطمینان حاصل شود که هر خوشه جاده با موجودیت جاده‌ای یکسان خود مرتبط است. همانطور که در شکل 10 الف نشان داده شده است، بخش های جاده که به یک رنگ نقطه گذاری شده اند به یک خوشه بخش جاده تعلق دارند و با یک موجودیت جاده مرتبط هستند. مشاهده می شود که هر خوشه بخش جاده یک نسخه مشابه شکل اما فشرده شده با داده از مسیرهای خام است، و نقاط رأس در هر خوشه نیز یک نسخه مشابه، اما فشرده داده شده، از نقاط مسیر خام هستند. به این ترتیب، ما از نقاط رأس هر خوشه بخش جاده برای تولید خطوط مرکزی جاده مربوطه، بر اساس الگوریتم برازش قطعه k استفاده کردیم. همانطور که در شکل 10 نشان داده شده استب، بخش‌های جاده نصب‌شده (مخصوصاً برخی از بخش‌های جاده منحنی) از نظر ساختار کامل و با هندسه سازگار هستند و ترسیم خوبی از کل اسکلت جاده ارائه می‌دهند. این نشان دهنده عملکرد خوب روش ما در ایجاد یک نقشه راه دقیق و به روز است.

بر اساس توزیع سرفصل نقاط مسیر مرتبط، قانون رانندگی هر بخش جاده جداگانه را می توان به دو نوع، یعنی یک طرفه و دو طرفه شناسایی کرد. شکل 11 a بخش های جاده ای یک طرفه (خط خاکستری) و دو طرفه (خط سیاه) را نشان می دهد که نشان می دهد بخش زیادی از بخش های جاده دو طرفه هستند و جاده های یک طرفه عمدتاً خیابان های سطح پایین هستند. یا بخش های تقاطع جاده شکل 11 ب نتایج بازسازی جاده دو طرفه را نشان می دهد. نتایج تجربی نشان می‌دهد که داده‌های مسیر منبع غنی و به موقعی برای استخراج اطلاعات هندسی و معنایی شبکه‌های جاده‌ای شهری فراهم می‌کنند.

4.2. تجزیه و تحلیل و ارزیابی نتایج

برای ارزیابی کیفی دقت استخراج روش پیشنهادی، شبکه‌های جاده‌ای استخراج‌شده با روش ما و سه روش دیگر از دیویس، احمد و وانگ را با هم قرار دادیم [ 27 ، 34 ، 39 ]. همانطور که در نماهای بزرگ شده مستطیل های A و B در شکل 12 نشان داده شده است، در مقایسه با شبکه های جاده ای آبی، سبز و زرد استخراج شده توسط دیویس، احمد و وانگ، هماهنگی های فضایی بالاتری بین شبکه های جاده ای استخراج شده ما به وضوح دیده می شود (خطوط قرمز) و تصویر پس زمینه به طور خاص، انحراف هندسی حدود 2 تا 15 متر را می توان بین بخش های جاده استخراج شده ما و تصویر سنجش از راه دور مرجع (Google Earth) مشاهده کرد.

علاوه بر این، یک شبکه جاده مجاز به عنوان داده‌های معیار برای ارزیابی کمی سازگاری فضایی شبکه‌های جاده‌ای استخراج‌شده استفاده شد. در جزئیات، مجموعه ای از مناطق حائل از جاده های معیار با استفاده از فواصل بافر مختلف (به عنوان مثال، 1-15 متر) ساخته شد. درصد طول جاده های استخراج شده که در مناطق مختلف حائل سقوط کرده اند محاسبه شد. همانطور که در جدول 2 فهرست شده است ، بیش از 50٪ از جاده های استخراج شده با روش ما در مناطق حایل 4 متری جاده های مرجع قرار دارند، در حالی که تنها 43.93٪، 22٪ و 19.78٪ از جاده های استخراج شده با روش های [ 27 ]. ، 34 ، 39] در همان مناطق بافر سقوط کرد. مشاهده می شود که تقریباً تمام جاده های استخراج شده (96٪) با روش ما بسیار نزدیک به جاده های معیار هستند، در فاصله 15 متری، که سازگاری فضایی بالایی را با حقیقت زمین نشان می دهد.

علاوه بر این، برای ارزیابی کمی دقت استنباط قوانین رانندگی، ما بین قوانین رانندگی استنباط‌شده توسط روش ما و قوانین رانندگی ارائه‌شده توسط ارائه‌دهندگان نقشه رسمی یا تجاری (مانند Google Maps و Baidu Maps) را بررسی کردیم. برای مورد آزمایشی، در مجموع 450 جاده استخراج کردیم که از این تعداد 361 جاده به عنوان جاده دوطرفه و تنها 89 جاده به عنوان جاده یک طرفه استنباط شد. با مقایسه با خدمات نقشه حرفه ای، 327 جاده از 361 جاده دو طرفه استخراج شده به درستی به عنوان جاده های دوطرفه و 65 جاده از 89 جاده یک طرفه استخراج شده به درستی به عنوان جاده های یک طرفه تعریف شده اند. نتایج نشان می دهد که 87.11 درصد از جاده های استخراج شده با خدمات نقشه حرفه ای مطابقت دارند.

به منظور تأیید افزایش کارایی استراتژی استخراج جاده K-زمانی، ما زمان سپری شده هر دو تنظیم مبتنی بر نیرو و منحنی قطعه k را بر اساس داده‌های خط سیر خام و شبکه‌های جاده‌ای K-زمانی اولیه‌سازی شده با روش شطرنجی‌سازی محاسبه کردیم. همانطور که در جدول 3 ذکر شده است ، بیش از 5 ساعت طول کشید تا تنظیم مکانی داده های خط سیر خام انجام شود، اما 6.02 ثانیه برای تنظیم شبکه جاده ای موقتی K کافی بود. افزایش کارایی آشکار نیز در برازش منحنی قطعه k شبکه‌های جاده‌ای زمانی مختلف یافت شد. این نشان می دهد که روش استخراج مبتنی بر پارتیشن بندی مسیر K-زمانی به بازده زمانی بالاتری نسبت به برخورد مستقیم با تمام داده های مسیر دست می یابد.

5. نتیجه گیری ها

داده های مسیر همه جا منبع غالب و گسترده ای برای استخراج و به روز رسانی شبکه جاده ها هستند. در حال حاضر، ناهمگونی‌های مکانی-زمانی در داده‌های مسیر یک مانع مهم برای تولید نقشه‌های راه بسیار دقیق است. از آنجایی که تحقیقات موجود اغلب الگوهای تغییر جاده بالقوه در مسیرهای سری زمانی مختلف را نادیده می‌گیرد، در این مقاله، ما یک روش ترکیبی را برای استخراج تدریجی شبکه‌های جاده‌ای شهری از داده‌های مسیر مکانی-زمانی پیشنهاد کردیم. روش پیشنهادی داده‌های مسیر خام را به سری‌های زمانی K تقسیم می‌کند و در ابتدا شبکه‌های جاده‌ای موقت K را از دسته‌های مسیرهای مختلف بر اساس روش شطرنجی‌سازی استخراج می‌کند. ناسازگاری‌های هندسی بین شبکه‌های جاده‌ای K-زمانی با یک مدل نیروی گرانش تنظیم شدند. بعد از آن، ترسیم هندسه نهایی و ویژگی های جاده مرتبط به ترتیب با اتصالات قطعه k و تجزیه و تحلیل آماری ساخته شد. نتایج تجربی نشان می‌دهد که روش پیشنهادی می‌تواند به طور موثر داده‌های مسیر ناهمگن مکانی-زمانی را به منظور ایجاد یک شبکه جاده‌ای دقیق و غنی از معنایی پردازش کند. علاوه بر این، تمام داده‌های مسیر به برش‌های زمانی متعدد تقسیم شدند، که تلاش مفیدی برای کاوش الگوهای تغییر جاده از داده‌های مسیر پهناور و زمان پیوسته است.

با این حال، با توجه به ناهمگونی نمونه‌گیری زیاد، روش پیشنهادی هنوز دارای محدودیت‌هایی در کشف خیابان‌های سطح پایین و تقاطع‌های پیچیده است. ثانیاً، روش پیشنهادی احتمالاً برخی از اطلاعات تغییر جعلی را به دلیل نوسانات جریان ترافیک شناسایی می کند. از این رو، کارهای آینده بر بهبود قابلیت اطمینان تنظیمات پارامتر برای استخراج سازه‌های جاده‌ای مختلف (به عنوان مثال، خیابان‌های سطح پایین و اتصالات جاده‌ای) تمرکز خواهند کرد. مهمتر از آن، یک مدل همجوشی جاده شامل تجزیه و تحلیل جریان ترافیک و اعتبارسنجی تغییرات چند زمانی باید برای فیلتر کردن خودکار اطلاعات تغییر جعلی و به‌روزرسانی تدریجی شبکه‌های جاده‌ای ایجاد شود.

منابع

لیو، سی. شیونگ، ال. هو، ایکس. Shan, J. یک روش بافر پیشرونده برای به روز رسانی نقشه راه با استفاده از داده های نقشه خیابان باز. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1246-1264. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژنگ، ال. آهنگ، اچ. لی، بی. ژانگ، اچ. تولید شبکه‌های جاده‌ای در سطح خط بر اساس یک خط سیر-شباهت- استراتژی هرس. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 416. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ون ویندن، ک. بیلجکی، اف. ون در اسپک، اس. اتوم. به روز رسانی ویژگی های جاده با استخراج آهنگ های GPS. ترانس. Gis 2016 , 20 , 664. [ Google Scholar ] [ CrossRef ]
دنگ، م. هوانگ، جی. ژانگ، ی. لیو، اچ. تانگ، ال. تانگ، جی. یانگ، ایکس. تولید مدل‌های تقاطع جاده‌های شهری از داده‌های مسیر GPS فرکانس پایین. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 2337. [ Google Scholar ] [ CrossRef ]
یانگ، دبلیو. آی، تی. Lu, W. روشی برای استخراج اطلاعات مرزهای جاده از مسیرهای GPS وسایل نقلیه جمع سپاری. Sensors 2018 , 18 , 1261. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بیاجیونی، جی. اریکسون، جی. استنباط نقشه های راه از ردیابی سیستم موقعیت یابی جهانی. ترانسپ Res. ضبط J. Transp. Res. هیئت 2012 ، 2291 ، 61. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
کونتزش، سی. سستر، ام. برنر، سی. مدل های مولد برای بازسازی شبکه راه. بین المللی جی. جئوگر. Inf. علمی 2015 ، 30 ، 1012. [ Google Scholar ] [ CrossRef ]
کائو، ال. Krumm, J. از ردیابی GPS تا نقشه راه قابل مسیریابی. در مجموعه مقالات هفدهمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سیاتل، واشنگتن، دی سی، ایالات متحده آمریکا، 4-6 نوامبر 2009. صص 3-12. [ Google Scholar ]
تانگ، ال. رن، سی. لیو، ز. لی، کیو. روش پالایش نقشه راه با استفاده از مثلث سازی دلونی برای داده های ردیابی بزرگ. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 45. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
معبودی، م. امینی، ج. ملیحی، س. هان، ام. ادغام تجزیه و تحلیل تصویر مبتنی بر شی فازی و بهینه‌سازی کلنی مورچه‌ها برای استخراج جاده از تصاویر سنجش از راه دور. ISPRS J. Photogramm. Remote Sens. 2018 , 138 , 151. [ Google Scholar ] [ CrossRef ]
یانگ، بی. دونگ، ز. لیو، ی. لیانگ، اف. Wang, Y. محاسبه سطوح تجمع چندگانه و ویژگی‌های زمینه‌ای برای شناسایی امکانات جاده‌ای با استفاده از داده‌های اسکن لیزری سیار. ISPRS J. Photogramm. Remote Sens. 2017 , 126 , 180. [ Google Scholar ] [ CrossRef ]
احمد، م. کاراگیورگو، اس. Pfoser، D.; Wenk, C. مقایسه و ارزیابی الگوریتم‌های ساخت نقشه با استفاده از داده‌های ردیابی خودرو. GeoInformatica 2014 ، 19 ، 601. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ژنگ، ال. لی، بی. یانگ، بی. آهنگ، اچ. تکنیک‌های تولید شبکه جاده‌ای در سطح خط برای نقشه‌های خودروهای خودمختار در سطح خط: یک بررسی. پایداری 2019 ، 11 ، 4511. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
O’Keeffe، KP; انجمشعا، ع. استروگاتز، SH; سانتی، پی. Ratti, C. کمی سازی قدرت سنجش ناوگان وسایل نقلیه. Proc. Natl. آکادمی علمی USA 2019 , 116 , 12752. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
کاسمسوپاکورن، پ. کریمی، HA یک الگوریتم ساخت شبکه عابر پیاده بر اساس چندین ردیابی GPS. ترانسپ Res. قسمت C Emerg. تکنولوژی 2013 ، 26 ، 285. [ Google Scholar ] [ CrossRef ]
جان، اس. هامن، اس. روسل، آ. لونر، MO; Zipf، A. استخراج مقادیر شیب برای شبکه‌های خیابانی از ردیابی‌های GPS جمع‌آوری‌شده داوطلبانه. کارتوگر. Geogr. Inf. علمی 2016 ، 44 ، 152. [ Google Scholar ] [ CrossRef ]
چن، سی. چیانگ، ام. الگوبرداری از مسیر: کاوش اطلاعات معنایی و زمانی. در مجموعه مقالات کنفرانس 2016 فناوری‌ها و کاربردهای هوش مصنوعی (TAAI 2016)، هسینچو، تایوان، 25 تا 27 نوامبر 2016. [ Google Scholar ]
دبیری، س. Heaslip، K. استنباط حالت های حمل و نقل از مسیرهای GPS با استفاده از یک شبکه عصبی کانولوشنال. ترانسپ Res. قسمت C Emerg. تکنولوژی 2018 ، 86 ، 360. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
تانگ، ال. کان، ز. ژانگ، ایکس. هوانگ، اف. یانگ، ایکس. لی، کیو. تخمین زمان سفر در تقاطع ها بر اساس داده های بزرگ ردیابی مکانی-زمانی GPS با فرکانس پایین. کارتوگر. Geogr. Inf. علمی 2016 ، 43 ، 417. [ Google Scholar ] [ CrossRef ]
ایوانوویچ، اس اس. Olteanu-Raimond، AM; موستییر، اس. Devogele, T. یک رویکرد مبتنی بر فیلتر برای بهبود ردیابی GNSS جمع‌سپاری شده در زمینه به‌روزرسانی داده. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 380. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
زنگ، ک. شن، جی. هوانگ، اچ. وان، ام. Shi, J. ارزیابی و نقشه‌برداری ناهمواری سطح جاده بر اساس سنسورهای GPS و شتاب‌سنج در تلفن‌های هوشمند نصب‌شده روی دوچرخه. Sensors 2018 , 18 , 914. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Uduwaragoda، ERIACM; پررا، ع. Dias، SAD تولید داده های جاده سطح خط از مسیرهای خودرو با استفاده از تخمین تراکم هسته. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد سیستم های حمل و نقل هوشمند (ITSC 2013)، لاهه، هلند، 6 تا 9 اکتبر 2013. [ Google Scholar ]
شی، دبلیو. شن، اس. لیو، ی. تولید خودکار نقشه شبکه جاده از مسیرهای عظیم جی پی اس خودرو. در مجموعه مقالات دوازدهمین کنفرانس بین المللی IEEE در مورد سیستم های حمل و نقل هوشمند، سنت لوئیس، MO، ایالات متحده آمریکا، 4-7 اکتبر 2009. صص 1-6. [ Google Scholar ]
ژانگ، ال. تیمن، اف. Sester, M. ادغام ردیابی GPS با نقشه راه. در کارگاه بین المللی علوم حمل و نقل محاسباتی ; ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2010. [ Google Scholar ]
آگامنونی، جی. نیتو، جی. Nebot، استنتاج قوی EM از مسیرهای اصلی جاده برای سیستم‌های حمل و نقل هوشمند. IEEE Trans. هوشمند ترانسپ سیستم 2011 ، 12 ، 298. [ Google Scholar ] [ CrossRef ]
شرودل، اس. واگستاف، ک. راجرز، اس. لنگلی، پی. Wilson, C. استخراج ردیابی GPS برای اصلاح نقشه. حداقل داده بدانید. کشف کنید. 2004 ، 9 ، 59-87. [ Google Scholar ] [ CrossRef ]
دیویس، جی. برسفورد، آر. Hopper، A. مقیاس پذیر، توزیع شده، تولید نقشه بلادرنگ. محاسبات فراگیر IEEE 2006 ، 5 ، 47. [ Google Scholar ] [ CrossRef ]
وانگ، جی. وانگ، سی. آهنگ، X. رغوان، وی. تشخیص تقاطع خودکار و قوانین ترافیکی توسط ماینینگ مسیرهای GPS موتور خودرو. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 64 ، 19. [ Google Scholar ] [ CrossRef ]
تانگ، ال. یانگ، ایکس. کان، ز. لی، کیو. استخراج اطلاعات جاده در سطح خط از مسیرهای GPS خودرو بر اساس طبقه بندی ساده بیزی. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 2660-2680. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وو، اچ. خو، ز. وو، جی. یک روش جدید برای تولید جاده گمشده در بلوک‌های شهر بر اساس داده‌های مسیر ناوبری موبایل بزرگ. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 142. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
برونتروپ، آر. ادلکمپ، اس. جبار، س. Scholz، B. تولید نقشه افزایشی با ردیابی GPS. در مجموعه مقالات سیستم های حمل و نقل هوشمند، وین، اتریش، 16 سپتامبر 2005; صص 574-579. [ Google Scholar ]
تانگ، جی. دنگ، م. هوانگ، جی. لیو، اچ. Chen, X. یک روش خودکار برای تشخیص و به روز رسانی تغییرات افزودنی در شبکه جاده با داده های مسیر GPS. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 411. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
یانگ، ایکس. تانگ، ال. استوارت، ک. دونگ، ز. ژانگ، ایکس. Li، Q. تشخیص تغییر خودکار در شبکه‌های جاده‌ای در سطح خط با استفاده از مسیرهای GPS. بین المللی جی. جئوگر. Inf. علمی 2017 ، 32 ، 601. [ Google Scholar ] [ CrossRef ]
احمد، م. Wenk, C. ساخت شبکه های خیابانی از مسیرهای GPS. در مجموعه مقالات سمپوزیوم اروپایی الگوریتم ها، برلین، آلمان، 10-12 سپتامبر 2012. صص 60-71. [ Google Scholar ]
وو، تی. شیانگ، ال. Gong, J. به روز رسانی شبکه های جاده ای با تجدید محلی از مسیرهای GPS. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 163. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
وانگ، جی. وانگ، سی. آهنگ، X. Raghavan, V. رویکردی جدید برای تولید نقشه‌های جاده قابل مسیریابی از ردیابی GPS خودرو. بین المللی جی. جئوگر. Inf. علمی 2015 ، 29 ، 69. [ Google Scholar ] [ CrossRef ]
یانگ، ایکس. تانگ، ال. رن، سی. چن، ی. زی، ز. Li، Q. تولید شبکه عابر پیاده بر اساس داده‌های ردیابی جمع‌سپاری. بین المللی جی. جئوگر. Inf. علمی 2019 . [ Google Scholar ] [ CrossRef ]
هوانگ، جی. دنگ، م. تانگ، جی. هو، اس. لیو، اچ. واریو، اس. او، J. تولید خودکار نقشه‌های راه از داده‌های مسیر GPS با کیفیت پایین از طریق یادگیری ساختار. IEEE Access 2018 ، 6 ، 71965. [ Google Scholar ] [ CrossRef ]
وانگ، اس. وانگ، ی. Li، Y. بازسازی نقشه کارآمد و تقویت از طریق روش های توپولوژیکی. در مجموعه مقالات بیست و سومین کنفرانس بین‌المللی ACM SIGSPATIAL در مورد پیشرفت‌ها در سیستم‌های اطلاعات جغرافیایی، Bellevue، WA، ایالات متحده آمریکا، 3 تا 6 نوامبر 2015. [ Google Scholar ]
لی، دی. لی، جی. Li, J. استخراج شبکه جاده ای از مسیرهای فرکانس پایین بر اساس یک فیلتر آگاه از ساختار جاده. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 374. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ژائو، جی. زو، س. دو، ز. فنگ، تی. ژانگ، ی. تعمیم مبتنی بر مورفولوژی ریاضی مدل‌های ساختمان سه بعدی پیچیده که روابط معنایی را در بر می‌گیرد. ISPRS J. Photogramm. Remote Sens. 2012 , 68 , 95. [ Google Scholar ] [ CrossRef ]
یانگ، بی. Zhang، Y. روش استخراج الگو برای ترکیب شبکه‌های جاده‌ای جمع‌سپاری با POI. بین المللی جی. جئوگر. Inf. علمی 2015 ، 29 ، 786. [ Google Scholar ] [ CrossRef ]

شکل 1. پیش پردازش فیلتر مسیر غیرعادی: ( الف ) نقاط GPS خام و ( ب ) نقاط GPS پس از پیش پردازش.

شکل 2. اتساع مورفولوژیکی ( a ) و عملگرهای فرسایش تصویر باینری A ( _b) توسط ساختار عناصر B1 و _B2 .

شکل 3. نتایج مقایسه انجام عملگر باز کردن مورفولوژیکی با و بدون عملگر اتساع ( a – c ).

شکل 4. مدل نیروی گرانش برای تنظیم خطوط مرکزی جاده K-Temporal.

شکل 5. تنظیم موقعیت بخش های جاده متناظر K- زمانی بر اساس مدل نیروی گرانش.

شکل 6. محاسبه عرض جاده بر اساس تحلیل بافر تطبیقی.

شکل 7. بازسازی توپولوژی جاده های جدا شده یا شکسته ( a – b ).

شکل 8. استخراج ناهموار شبکه های جاده ای سه زمانی بر اساس روش شطرنجی ( a – f ).

شکل 9. تنظیم موقعیت شبکه های جاده ای موقت K بر اساس مدل نیروی گرانش: ( الف ، ج ) شبکه های جاده ای زمانی K قبل از تنظیم. ( ب ، د ) شبکه های جاده ای موقت پس از تنظیم.

شکل 10. استخراج خطوط مرکزی جاده بر اساس الگوریتم برازش منحنی اصلی قطعه k ( ب ) برازش قطعه k بخش‌های جاده متناظر با زمان K.

شکل 11. شناسایی قوانین رانندگی بخش های جاده یک طرفه و دو طرفه: ( الف ) شناسایی قوانین رانندگی. ب ) بازسازی جاده دو طرفه.

شکل 12. پوشاندن شبکه های جاده ای استخراج شده با روش ما و سه روش دیگر از [ 27 ، 34 ، 39 ].

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

یک روش ترکیبی برای استخراج تدریجی شبکه‌های جاده‌ای با استفاده از داده‌های مسیر مکانی – زمانی