基于車行GNSS軌跡數(shù)據(jù)的道路網(wǎng)絡(luò)構(gòu)建與增強(qiáng)：方法探索與實(shí)踐一、緒論1.1研究背景與意義隨著城市化進(jìn)程的加速和汽車保有量的持續(xù)增長，城市交通面臨著前所未有的挑戰(zhàn)，交通擁堵、交通事故頻發(fā)等問題嚴(yán)重影響著人們的出行效率和生活質(zhì)量。智能交通系統(tǒng)（IntelligentTransportationSystem，ITS）作為解決城市交通問題的有效手段，近年來得到了廣泛的關(guān)注和快速的發(fā)展。在智能交通系統(tǒng)中，準(zhǔn)確、完整的道路網(wǎng)絡(luò)信息是實(shí)現(xiàn)交通管理、車輛導(dǎo)航、交通流量預(yù)測等功能的基礎(chǔ)，其重要性不言而喻。傳統(tǒng)的道路網(wǎng)絡(luò)數(shù)據(jù)獲取方法主要依賴于人工測繪和衛(wèi)星遙感技術(shù)。人工測繪雖然能夠獲取高精度的道路數(shù)據(jù)，但這種方式需要耗費(fèi)大量的人力、物力和時(shí)間，效率較低，而且更新周期長，難以滿足實(shí)時(shí)變化的交通需求。衛(wèi)星遙感技術(shù)雖然可以快速獲取大面積的地理信息，但對于一些細(xì)節(jié)信息，如道路的具體走向、車道數(shù)量、交通標(biāo)志和標(biāo)線等，往往難以精確捕捉，并且數(shù)據(jù)處理過程也較為復(fù)雜。隨著全球?qū)Ш叫l(wèi)星系統(tǒng)（GlobalNavigationSatelliteSystem，GNSS）技術(shù)的飛速發(fā)展，基于車行GNSS軌跡數(shù)據(jù)構(gòu)建和增強(qiáng)道路網(wǎng)絡(luò)的方法逐漸成為研究熱點(diǎn)。GNSS技術(shù)能夠?qū)崟r(shí)獲取車輛的位置、速度、時(shí)間等信息，形成大量的軌跡數(shù)據(jù)。這些軌跡數(shù)據(jù)蘊(yùn)含著豐富的道路信息，通過對其進(jìn)行有效的分析和處理，可以實(shí)現(xiàn)道路網(wǎng)絡(luò)的自動(dòng)構(gòu)建和更新，具有成本低、效率高、實(shí)時(shí)性強(qiáng)等優(yōu)勢?；谲囆蠫NSS軌跡數(shù)據(jù)構(gòu)建和增強(qiáng)道路網(wǎng)絡(luò)，能夠?qū)崟r(shí)反映道路的實(shí)際使用情況，及時(shí)發(fā)現(xiàn)道路的變化和異常，為交通管理部門提供準(zhǔn)確、實(shí)時(shí)的道路信息，有助于優(yōu)化交通信號控制，合理分配交通資源，從而有效緩解交通擁堵，提高交通效率。精準(zhǔn)的道路網(wǎng)絡(luò)信息能夠?yàn)轳{駛員提供更加準(zhǔn)確、實(shí)時(shí)的導(dǎo)航服務(wù)，根據(jù)實(shí)時(shí)路況規(guī)劃最優(yōu)路線，避開擁堵路段，減少出行時(shí)間和燃油消耗，提升出行的便捷性和舒適性。通過對車行GNSS軌跡數(shù)據(jù)的分析，可以獲取車輛的行駛行為和交通流量信息，為交通規(guī)劃和決策提供科學(xué)依據(jù)，有助于制定更加合理的交通發(fā)展戰(zhàn)略，促進(jìn)城市交通的可持續(xù)發(fā)展。此外，精確的道路網(wǎng)絡(luò)數(shù)據(jù)也是自動(dòng)駕駛技術(shù)發(fā)展的關(guān)鍵基礎(chǔ)，能夠?yàn)樽詣?dòng)駕駛車輛提供準(zhǔn)確的地圖信息，保障自動(dòng)駕駛的安全性和可靠性，推動(dòng)自動(dòng)駕駛技術(shù)的廣泛應(yīng)用。1.2國內(nèi)外研究現(xiàn)狀隨著GNSS技術(shù)的廣泛應(yīng)用，基于GNSS軌跡數(shù)據(jù)構(gòu)建和增強(qiáng)道路網(wǎng)絡(luò)的研究在國內(nèi)外都取得了顯著的進(jìn)展。國外學(xué)者在該領(lǐng)域的研究起步較早，取得了一系列具有代表性的成果。在軌跡數(shù)據(jù)預(yù)處理方面，文獻(xiàn)[文獻(xiàn)1]提出了一種基于密度聚類的異常點(diǎn)檢測算法，能夠有效地識別和去除GNSS軌跡數(shù)據(jù)中的噪聲點(diǎn)和異常點(diǎn)，提高數(shù)據(jù)的質(zhì)量和可靠性。該算法通過計(jì)算軌跡點(diǎn)的密度，將密度低于閾值的點(diǎn)視為異常點(diǎn)，從而實(shí)現(xiàn)對噪聲數(shù)據(jù)的過濾。在道路網(wǎng)絡(luò)構(gòu)建方面，文獻(xiàn)[文獻(xiàn)2]利用Delaunay三角剖分算法對預(yù)處理后的軌跡數(shù)據(jù)進(jìn)行處理，生成初始的道路網(wǎng)絡(luò)。Delaunay三角剖分算法能夠保證三角形的外接圓不包含其他點(diǎn)，從而使得生成的道路網(wǎng)絡(luò)更加符合實(shí)際的道路拓?fù)浣Y(jié)構(gòu)。然后，通過對三角形的邊進(jìn)行篩選和優(yōu)化，去除不符合道路特征的邊，進(jìn)一步完善道路網(wǎng)絡(luò)。在道路網(wǎng)絡(luò)增強(qiáng)方面，文獻(xiàn)[文獻(xiàn)3]提出了一種基于機(jī)器學(xué)習(xí)的方法，利用軌跡數(shù)據(jù)中的速度、方向等信息，對道路網(wǎng)絡(luò)中的車道數(shù)量、交通標(biāo)志和標(biāo)線等信息進(jìn)行推斷和補(bǔ)充。該方法通過構(gòu)建機(jī)器學(xué)習(xí)模型，對大量的軌跡數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練，從而實(shí)現(xiàn)對道路網(wǎng)絡(luò)細(xì)節(jié)信息的自動(dòng)提取和增強(qiáng)。國內(nèi)學(xué)者在該領(lǐng)域也進(jìn)行了深入的研究，并結(jié)合我國的實(shí)際情況，提出了許多具有創(chuàng)新性的方法和技術(shù)。在軌跡數(shù)據(jù)預(yù)處理方面，文獻(xiàn)[文獻(xiàn)4]提出了一種基于時(shí)空約束的軌跡數(shù)據(jù)清洗方法，能夠同時(shí)考慮軌跡點(diǎn)的時(shí)間和空間信息，更加準(zhǔn)確地識別和修復(fù)異常點(diǎn)。該方法通過建立時(shí)空約束模型，對軌跡點(diǎn)的時(shí)間間隔和空間距離進(jìn)行約束，從而判斷軌跡點(diǎn)是否異常，并對異常點(diǎn)進(jìn)行修復(fù)。在道路網(wǎng)絡(luò)構(gòu)建方面，文獻(xiàn)[文獻(xiàn)5]提出了一種基于層次聚類的道路網(wǎng)絡(luò)構(gòu)建算法，能夠根據(jù)軌跡數(shù)據(jù)的相似性，將軌跡劃分為不同的層次，從而構(gòu)建出更加準(zhǔn)確和詳細(xì)的道路網(wǎng)絡(luò)。該算法通過計(jì)算軌跡之間的相似度，將相似度較高的軌跡聚合成一類，然后逐步合并聚類，形成不同層次的道路網(wǎng)絡(luò)。在道路網(wǎng)絡(luò)增強(qiáng)方面，文獻(xiàn)[文獻(xiàn)6]利用深度學(xué)習(xí)技術(shù)，對軌跡數(shù)據(jù)進(jìn)行特征提取和分析，實(shí)現(xiàn)了對道路網(wǎng)絡(luò)中交通流量、擁堵狀況等信息的實(shí)時(shí)監(jiān)測和更新。該方法通過構(gòu)建深度學(xué)習(xí)模型，對軌跡數(shù)據(jù)進(jìn)行自動(dòng)特征提取和分類，從而實(shí)現(xiàn)對交通信息的快速獲取和更新。盡管國內(nèi)外學(xué)者在基于GNSS軌跡數(shù)據(jù)構(gòu)建和增強(qiáng)道路網(wǎng)絡(luò)方面取得了豐碩的成果，但仍存在一些不足之處。目前的研究主要集中在對軌跡數(shù)據(jù)的處理和分析上，對于如何將其他數(shù)據(jù)源（如遙感影像、地圖數(shù)據(jù)等）與GNSS軌跡數(shù)據(jù)進(jìn)行融合，以進(jìn)一步提高道路網(wǎng)絡(luò)的精度和完整性，研究還相對較少。現(xiàn)有方法在處理大規(guī)模、高噪聲的軌跡數(shù)據(jù)時(shí)，計(jì)算效率和準(zhǔn)確性有待進(jìn)一步提高，如何設(shè)計(jì)高效、魯棒的算法，仍然是一個(gè)亟待解決的問題。此外，對于道路網(wǎng)絡(luò)的實(shí)時(shí)更新和動(dòng)態(tài)維護(hù)，目前的研究還不夠完善，難以滿足實(shí)際應(yīng)用中對道路信息及時(shí)性和準(zhǔn)確性的要求。1.3研究目標(biāo)與內(nèi)容本研究旨在深入挖掘車行GNSS軌跡數(shù)據(jù)的潛在價(jià)值，通過創(chuàng)新的數(shù)據(jù)處理算法和先進(jìn)的技術(shù)手段，實(shí)現(xiàn)基于該數(shù)據(jù)的道路網(wǎng)絡(luò)高精度構(gòu)建與全面增強(qiáng)，為智能交通系統(tǒng)提供準(zhǔn)確、實(shí)時(shí)且詳盡的道路網(wǎng)絡(luò)信息。在數(shù)據(jù)處理方面，由于實(shí)際采集的GNSS軌跡數(shù)據(jù)往往受到衛(wèi)星信號遮擋、多路徑效應(yīng)以及設(shè)備誤差等因素的影響，包含大量噪聲點(diǎn)和異常值，嚴(yán)重影響后續(xù)分析結(jié)果的準(zhǔn)確性。因此，本研究將重點(diǎn)針對車行GNSS軌跡數(shù)據(jù)，深入研究和改進(jìn)基于時(shí)空特征分析的軌跡數(shù)據(jù)清洗算法，通過構(gòu)建時(shí)空約束模型，對軌跡點(diǎn)的時(shí)間間隔和空間距離進(jìn)行嚴(yán)格約束，結(jié)合機(jī)器學(xué)習(xí)中的異常檢測算法，實(shí)現(xiàn)對噪聲點(diǎn)和異常點(diǎn)的精準(zhǔn)識別與高效去除，從而顯著提高數(shù)據(jù)的質(zhì)量和可用性。同時(shí)，為解決軌跡數(shù)據(jù)稀疏性問題，將創(chuàng)新性地提出基于深度學(xué)習(xí)的軌跡數(shù)據(jù)插值與補(bǔ)全算法，利用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及其變體長短期記憶網(wǎng)絡(luò)（LSTM）對軌跡數(shù)據(jù)的時(shí)間序列特征進(jìn)行深度挖掘，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）對空間特征的強(qiáng)大提取能力，實(shí)現(xiàn)對缺失軌跡點(diǎn)的準(zhǔn)確預(yù)測和補(bǔ)充，以獲得更加連續(xù)、完整的軌跡數(shù)據(jù)。在道路網(wǎng)絡(luò)構(gòu)建方面，現(xiàn)有基于軌跡數(shù)據(jù)的道路網(wǎng)絡(luò)構(gòu)建算法在處理復(fù)雜城市道路拓?fù)浣Y(jié)構(gòu)時(shí)，容易出現(xiàn)道路連接錯(cuò)誤、拓?fù)潢P(guān)系不一致等問題。為了克服這些問題，本研究將提出一種基于改進(jìn)Delaunay三角剖分與層次聚類融合的道路網(wǎng)絡(luò)構(gòu)建算法。首先，對預(yù)處理后的軌跡數(shù)據(jù)進(jìn)行改進(jìn)的Delaunay三角剖分，通過優(yōu)化三角形生成規(guī)則，使其更好地適應(yīng)道路的線性特征，確保生成的三角形能夠準(zhǔn)確反映道路的基本走向。然后，結(jié)合層次聚類算法，根據(jù)軌跡數(shù)據(jù)的密度和相似性，對三角剖分后的結(jié)果進(jìn)行層次劃分，將相似的三角形聚合成不同層次的道路網(wǎng)絡(luò)結(jié)構(gòu)，逐步構(gòu)建出從主干道到次干道、支路等層次分明且拓?fù)潢P(guān)系準(zhǔn)確的道路網(wǎng)絡(luò)。同時(shí)，利用地圖匹配技術(shù)，將構(gòu)建的道路網(wǎng)絡(luò)與現(xiàn)有基礎(chǔ)地圖數(shù)據(jù)進(jìn)行匹配和校準(zhǔn)，進(jìn)一步提高道路網(wǎng)絡(luò)的準(zhǔn)確性和完整性，使其與實(shí)際地理信息更加吻合。在道路網(wǎng)絡(luò)增強(qiáng)方面，當(dāng)前研究對道路網(wǎng)絡(luò)細(xì)節(jié)信息的增強(qiáng)手段較為單一，難以全面獲取道路的豐富屬性和實(shí)時(shí)動(dòng)態(tài)信息。本研究將綜合運(yùn)用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)，實(shí)現(xiàn)對道路網(wǎng)絡(luò)多維度信息的增強(qiáng)。利用支持向量機(jī)（SVM）、隨機(jī)森林等機(jī)器學(xué)習(xí)算法，結(jié)合軌跡數(shù)據(jù)中的速度、加速度、行駛方向等特征，對道路的等級、車道數(shù)量、限速等靜態(tài)屬性信息進(jìn)行準(zhǔn)確推斷和標(biāo)注。針對交通流量、擁堵狀況等動(dòng)態(tài)信息，構(gòu)建基于深度學(xué)習(xí)的實(shí)時(shí)監(jiān)測與更新模型，如使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）結(jié)合注意力機(jī)制，對軌跡數(shù)據(jù)的時(shí)間序列進(jìn)行分析，實(shí)時(shí)捕捉交通流量的變化趨勢；利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對軌跡數(shù)據(jù)的空間分布特征進(jìn)行提取，準(zhǔn)確識別交通擁堵區(qū)域和程度。通過將這些靜態(tài)和動(dòng)態(tài)信息融入到道路網(wǎng)絡(luò)中，實(shí)現(xiàn)對道路網(wǎng)絡(luò)的全方位增強(qiáng)，為智能交通應(yīng)用提供更加豐富和準(zhǔn)確的道路信息。1.4技術(shù)路線與方法本研究采用多階段、多技術(shù)融合的技術(shù)路線，旨在實(shí)現(xiàn)基于車行GNSS軌跡數(shù)據(jù)的道路網(wǎng)絡(luò)高精度構(gòu)建與增強(qiáng)，具體如下：數(shù)據(jù)采集與預(yù)處理：利用車載GNSS設(shè)備，以固定時(shí)間間隔或距離間隔采集車輛的行駛軌跡數(shù)據(jù)，包括時(shí)間戳、經(jīng)緯度坐標(biāo)、速度、方向等信息。針對采集到的原始軌跡數(shù)據(jù)，運(yùn)用基于時(shí)空約束的清洗算法，對軌跡點(diǎn)的時(shí)間間隔和空間距離進(jìn)行約束，識別并去除因信號遮擋、多路徑效應(yīng)等導(dǎo)致的噪聲點(diǎn)和異常點(diǎn)。利用基于深度學(xué)習(xí)的插值與補(bǔ)全算法，如長短期記憶網(wǎng)絡(luò)（LSTM）結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN），對稀疏軌跡數(shù)據(jù)進(jìn)行處理，預(yù)測并補(bǔ)充缺失的軌跡點(diǎn)，以獲得連續(xù)、完整的軌跡數(shù)據(jù)。道路網(wǎng)絡(luò)構(gòu)建：對預(yù)處理后的軌跡數(shù)據(jù)進(jìn)行改進(jìn)的Delaunay三角剖分，通過優(yōu)化三角形生成規(guī)則，使其更好地適應(yīng)道路的線性特征，確保生成的三角形能夠準(zhǔn)確反映道路的基本走向。結(jié)合層次聚類算法，根據(jù)軌跡數(shù)據(jù)的密度和相似性，對三角剖分后的結(jié)果進(jìn)行層次劃分，將相似的三角形聚合成不同層次的道路網(wǎng)絡(luò)結(jié)構(gòu)，逐步構(gòu)建出從主干道到次干道、支路等層次分明且拓?fù)潢P(guān)系準(zhǔn)確的道路網(wǎng)絡(luò)。利用地圖匹配技術(shù)，將構(gòu)建的道路網(wǎng)絡(luò)與現(xiàn)有基礎(chǔ)地圖數(shù)據(jù)進(jìn)行匹配和校準(zhǔn)，通過計(jì)算軌跡點(diǎn)與地圖中道路的相似度，將軌跡點(diǎn)準(zhǔn)確匹配到對應(yīng)的道路上，進(jìn)一步提高道路網(wǎng)絡(luò)的準(zhǔn)確性和完整性，使其與實(shí)際地理信息更加吻合。道路網(wǎng)絡(luò)增強(qiáng)：提取軌跡數(shù)據(jù)中的速度、加速度、行駛方向等特征，利用支持向量機(jī)（SVM）、隨機(jī)森林等機(jī)器學(xué)習(xí)算法，對道路的等級、車道數(shù)量、限速等靜態(tài)屬性信息進(jìn)行準(zhǔn)確推斷和標(biāo)注。針對交通流量、擁堵狀況等動(dòng)態(tài)信息，構(gòu)建基于深度學(xué)習(xí)的實(shí)時(shí)監(jiān)測與更新模型，如使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）結(jié)合注意力機(jī)制，對軌跡數(shù)據(jù)的時(shí)間序列進(jìn)行分析，實(shí)時(shí)捕捉交通流量的變化趨勢；利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對軌跡數(shù)據(jù)的空間分布特征進(jìn)行提取，準(zhǔn)確識別交通擁堵區(qū)域和程度。通過將這些靜態(tài)和動(dòng)態(tài)信息融入到道路網(wǎng)絡(luò)中，實(shí)現(xiàn)對道路網(wǎng)絡(luò)的全方位增強(qiáng)。驗(yàn)證與評估：將構(gòu)建和增強(qiáng)后的道路網(wǎng)絡(luò)與實(shí)地調(diào)查數(shù)據(jù)、高分辨率遙感影像等進(jìn)行對比驗(yàn)證，檢查道路網(wǎng)絡(luò)的準(zhǔn)確性、完整性和一致性。從道路幾何精度、拓?fù)潢P(guān)系正確性、屬性信息準(zhǔn)確性等多個(gè)維度，采用定量和定性相結(jié)合的方法，對構(gòu)建和增強(qiáng)后的道路網(wǎng)絡(luò)進(jìn)行全面評估，以確定其是否滿足智能交通系統(tǒng)的應(yīng)用需求。1.5實(shí)驗(yàn)數(shù)據(jù)介紹本研究使用的車行GNSS軌跡數(shù)據(jù)主要來源于某大城市的出租車和公交車，涵蓋了該城市2023年1月至6月期間的行駛軌跡信息。這些數(shù)據(jù)由安裝在車輛上的GNSS設(shè)備以每秒1次的頻率采集，確保了較高的時(shí)間分辨率，為后續(xù)的分析提供了豐富的細(xì)節(jié)信息。出租車軌跡數(shù)據(jù)共收集了約10000輛出租車的行駛記錄，覆蓋了城市的各個(gè)區(qū)域，包括中心城區(qū)、郊區(qū)以及連接城市與周邊地區(qū)的主要交通干道。出租車的行駛路線較為靈活，能夠反映城市道路網(wǎng)絡(luò)的各種使用場景，無論是繁華商業(yè)區(qū)的擁堵街道，還是居民區(qū)內(nèi)的小道，都在其行駛范圍內(nèi)，這使得出租車軌跡數(shù)據(jù)對于全面了解城市道路網(wǎng)絡(luò)的實(shí)際使用情況具有重要價(jià)值。公交車軌跡數(shù)據(jù)則來自于該城市的主要公交線路，共計(jì)50條線路，覆蓋了城市的主要交通走廊和重要節(jié)點(diǎn)，如火車站、汽車站、商業(yè)中心、大型居民區(qū)等。公交車按照固定的線路和時(shí)間表運(yùn)行，其行駛軌跡相對穩(wěn)定，能夠很好地反映城市公共交通網(wǎng)絡(luò)的布局和運(yùn)行情況，為研究城市主要道路的交通流量和運(yùn)行特征提供了重要依據(jù)。原始的GNSS軌跡數(shù)據(jù)包含了豐富的信息，每一條軌跡記錄都包含了時(shí)間戳、經(jīng)緯度坐標(biāo)、速度、方向等字段。時(shí)間戳精確到秒，能夠準(zhǔn)確記錄車輛行駛的時(shí)間順序；經(jīng)緯度坐標(biāo)采用WGS-84坐標(biāo)系，用于確定車輛在地球上的位置；速度字段記錄了車輛的瞬時(shí)行駛速度，單位為千米/小時(shí)；方向字段則表示車輛行駛的方向，以角度表示，0度表示正北方向，順時(shí)針旋轉(zhuǎn)。然而，由于實(shí)際的GNSS信號受到多種因素的干擾，如衛(wèi)星信號遮擋、多路徑效應(yīng)以及設(shè)備誤差等，原始軌跡數(shù)據(jù)中存在大量的噪聲點(diǎn)和異常值。這些噪聲點(diǎn)和異常值表現(xiàn)為明顯偏離正常行駛軌跡的點(diǎn)，或者速度、方向等數(shù)據(jù)出現(xiàn)不合理的突變。例如，在高樓林立的城市中心區(qū)域，衛(wèi)星信號容易受到建筑物的遮擋，導(dǎo)致定位出現(xiàn)偏差，從而產(chǎn)生噪聲點(diǎn)；在隧道、橋梁等特殊路段，多路徑效應(yīng)可能使信號反射，進(jìn)而影響定位的準(zhǔn)確性，產(chǎn)生異常值。此外，GNSS設(shè)備本身的精度限制和偶爾出現(xiàn)的故障也可能導(dǎo)致數(shù)據(jù)異常。這些噪聲和異常數(shù)據(jù)會嚴(yán)重影響后續(xù)的道路網(wǎng)絡(luò)構(gòu)建和分析結(jié)果的準(zhǔn)確性，因此必須進(jìn)行預(yù)處理。本研究采用基于時(shí)空約束的清洗算法對原始軌跡數(shù)據(jù)進(jìn)行預(yù)處理。該算法首先根據(jù)軌跡點(diǎn)之間的時(shí)間間隔和空間距離建立時(shí)空約束模型。正常情況下，車輛在短時(shí)間內(nèi)的行駛距離應(yīng)該在一個(gè)合理的范圍內(nèi)，并且速度和方向的變化也應(yīng)該是連續(xù)的。通過設(shè)定合理的時(shí)間間隔閾值和空間距離閾值，算法能夠識別出不符合這些約束條件的軌跡點(diǎn)，將其判定為噪聲點(diǎn)或異常點(diǎn)。例如，如果兩個(gè)相鄰軌跡點(diǎn)之間的時(shí)間間隔為1秒，而根據(jù)它們的經(jīng)緯度計(jì)算出的行駛距離遠(yuǎn)超過車輛在正常行駛速度下1秒內(nèi)能夠行駛的距離，或者速度和方向在短時(shí)間內(nèi)發(fā)生了劇烈的變化，那么這些點(diǎn)就可能被標(biāo)記為異常。對于識別出的噪聲點(diǎn)和異常點(diǎn)，采用線性插值或基于周圍軌跡點(diǎn)的統(tǒng)計(jì)分析方法進(jìn)行修正或刪除。線性插值方法根據(jù)相鄰正常軌跡點(diǎn)的位置和時(shí)間信息，通過線性計(jì)算來估計(jì)異常點(diǎn)的合理位置；基于統(tǒng)計(jì)分析的方法則是利用周圍一定范圍內(nèi)軌跡點(diǎn)的速度、方向等統(tǒng)計(jì)特征，來判斷異常點(diǎn)是否應(yīng)該被修正或刪除。針對軌跡數(shù)據(jù)中可能存在的稀疏問題，采用基于深度學(xué)習(xí)的插值與補(bǔ)全算法，利用長短期記憶網(wǎng)絡(luò)（LSTM）結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）對稀疏軌跡數(shù)據(jù)進(jìn)行處理。LSTM網(wǎng)絡(luò)能夠有效地捕捉時(shí)間序列數(shù)據(jù)中的長期依賴關(guān)系，對于處理軌跡數(shù)據(jù)中的時(shí)間信息具有獨(dú)特的優(yōu)勢；CNN網(wǎng)絡(luò)則擅長提取數(shù)據(jù)的空間特征，能夠?qū)壽E點(diǎn)的空間分布進(jìn)行分析。通過將LSTM和CNN相結(jié)合，模型能夠充分學(xué)習(xí)軌跡數(shù)據(jù)的時(shí)空特征，從而實(shí)現(xiàn)對缺失軌跡點(diǎn)的準(zhǔn)確預(yù)測和補(bǔ)充。具體來說，首先將軌跡數(shù)據(jù)按照時(shí)間順序劃分為多個(gè)時(shí)間步，每個(gè)時(shí)間步包含一定數(shù)量的軌跡點(diǎn)及其相關(guān)特征（如經(jīng)緯度、速度、方向等），然后將這些數(shù)據(jù)輸入到LSTM-CNN模型中進(jìn)行訓(xùn)練和預(yù)測，最終得到完整的軌跡數(shù)據(jù)，為后續(xù)的道路網(wǎng)絡(luò)構(gòu)建和增強(qiáng)提供高質(zhì)量的數(shù)據(jù)基礎(chǔ)。二、車行GNSS軌跡數(shù)據(jù)處理2.1數(shù)據(jù)采集與獲取獲取車行GNSS軌跡數(shù)據(jù)的方式豐富多樣，涵蓋了多種技術(shù)手段和數(shù)據(jù)來源，每種方式都具有獨(dú)特的優(yōu)勢和應(yīng)用場景。車載設(shè)備實(shí)時(shí)采集：在車輛上直接搭載高精度的GNSS接收設(shè)備，如天寶、徠卡等品牌的專業(yè)接收機(jī)，以固定的時(shí)間間隔（如每秒1次）或距離間隔（如每行駛10米）進(jìn)行數(shù)據(jù)采集。這些設(shè)備通過接收多顆衛(wèi)星發(fā)射的信號，利用三角定位原理精確計(jì)算出車輛的位置信息，同時(shí)記錄下時(shí)間戳、速度、方向等關(guān)鍵數(shù)據(jù)。這種方式能夠獲取車輛行駛過程中的連續(xù)軌跡信息，數(shù)據(jù)的時(shí)間和空間分辨率較高，對于研究車輛的實(shí)時(shí)行駛行為和道路的微觀特征具有重要價(jià)值。例如，在城市交通擁堵研究中，通過車載設(shè)備實(shí)時(shí)采集的軌跡數(shù)據(jù)，可以精確分析車輛在擁堵路段的啟停、速度變化等行為，為交通擁堵治理提供詳細(xì)的數(shù)據(jù)支持。交通管理部門獲?。号c交通管理部門建立合作關(guān)系，從其交通監(jiān)控系統(tǒng)中獲取包含GNSS軌跡數(shù)據(jù)的車輛行駛信息。交通管理部門通常在城市的主要道路、路口等關(guān)鍵位置部署了大量的交通監(jiān)控設(shè)備，這些設(shè)備不僅可以監(jiān)測交通流量、違章行為等，還能夠記錄車輛的行駛軌跡。從交通管理部門獲取的數(shù)據(jù)具有權(quán)威性和全面性，能夠覆蓋城市的整個(gè)道路網(wǎng)絡(luò)，為宏觀層面的交通分析提供了有力的數(shù)據(jù)保障。例如，在城市交通規(guī)劃中，利用這些數(shù)據(jù)可以分析不同區(qū)域、不同時(shí)段的交通流量分布情況，為道路的新建、擴(kuò)建以及交通設(shè)施的優(yōu)化布局提供科學(xué)依據(jù)。網(wǎng)約車平臺獲?。弘S著網(wǎng)約車行業(yè)的迅速發(fā)展，網(wǎng)約車平臺積累了海量的車輛行駛軌跡數(shù)據(jù)。這些數(shù)據(jù)是在乘客使用網(wǎng)約車服務(wù)過程中，通過車輛上的定位設(shè)備實(shí)時(shí)上傳到平臺服務(wù)器的。網(wǎng)約車平臺的數(shù)據(jù)具有樣本量大、覆蓋范圍廣、行駛路線多樣等特點(diǎn)，能夠反映出城市居民的出行需求和習(xí)慣。例如，通過對網(wǎng)約車軌跡數(shù)據(jù)的分析，可以發(fā)現(xiàn)城市中不同區(qū)域之間的出行熱點(diǎn)和冷點(diǎn)，為城市公共交通的線路優(yōu)化和站點(diǎn)布局提供參考，提高公共交通的服務(wù)質(zhì)量和效率。智能交通系統(tǒng)集成商：一些專業(yè)的智能交通系統(tǒng)集成商在為城市或交通企業(yè)提供智能交通解決方案時(shí)，會收集和整合大量的車行GNSS軌跡數(shù)據(jù)。這些數(shù)據(jù)來源廣泛，包括車載設(shè)備、交通管理部門、網(wǎng)約車平臺等，經(jīng)過集成商的整理和分析，形成了綜合性的交通大數(shù)據(jù)資源。智能交通系統(tǒng)集成商的數(shù)據(jù)具有高度的整合性和分析價(jià)值，能夠?yàn)槌鞘薪煌ǖ闹悄芑芾硖峁┮徽臼降臄?shù)據(jù)支持。例如，集成商可以利用這些數(shù)據(jù)開發(fā)交通流量預(yù)測模型、智能交通信號控制系統(tǒng)等，提高城市交通的運(yùn)行效率和管理水平。2.2數(shù)據(jù)預(yù)處理原始的車行GNSS軌跡數(shù)據(jù)往往受到多種因素的干擾，如衛(wèi)星信號遮擋、多路徑效應(yīng)以及設(shè)備誤差等，導(dǎo)致數(shù)據(jù)中存在大量噪聲點(diǎn)、異常值和缺失值，嚴(yán)重影響后續(xù)道路網(wǎng)絡(luò)構(gòu)建和分析的準(zhǔn)確性。因此，在進(jìn)行深入分析之前，必須對原始數(shù)據(jù)進(jìn)行嚴(yán)格的預(yù)處理，以提高數(shù)據(jù)的質(zhì)量和可用性。在去除噪聲和異常值方面，本研究采用基于時(shí)空約束的清洗算法。該算法首先構(gòu)建時(shí)空約束模型，根據(jù)車輛行駛的物理特性，設(shè)定合理的時(shí)間間隔閾值和空間距離閾值。在正常行駛情況下，車輛在短時(shí)間內(nèi)的行駛距離應(yīng)在一定范圍內(nèi)，且速度和方向的變化應(yīng)較為連續(xù)。例如，假設(shè)車輛的平均行駛速度為v，時(shí)間間隔閾值為\Deltat，則在\Deltat時(shí)間內(nèi)，車輛行駛的合理距離范圍為[v_{min}\Deltat,v_{max}\Deltat]，其中v_{min}和v_{max}分別為車輛在該道路類型下可能的最小和最大速度。通過計(jì)算相鄰軌跡點(diǎn)之間的時(shí)間間隔和空間距離，判斷其是否符合時(shí)空約束條件。若某個(gè)軌跡點(diǎn)與相鄰點(diǎn)的時(shí)間間隔或空間距離超出設(shè)定閾值，或者速度、方向出現(xiàn)不合理的突變，則將該點(diǎn)標(biāo)記為噪聲點(diǎn)或異常點(diǎn)。對于標(biāo)記出的噪聲點(diǎn)和異常點(diǎn)，采用線性插值或基于周圍軌跡點(diǎn)的統(tǒng)計(jì)分析方法進(jìn)行修正或刪除。線性插值方法是根據(jù)相鄰正常軌跡點(diǎn)的位置和時(shí)間信息，通過線性計(jì)算來估計(jì)異常點(diǎn)的合理位置。例如，對于時(shí)間序列上相鄰的正常軌跡點(diǎn)P_i(x_i,y_i,t_i)和P_{i+2}(x_{i+2},y_{i+2},t_{i+2})，若P_{i+1}為異常點(diǎn)，則其位置(x_{i+1},y_{i+1})可通過線性插值計(jì)算得到：x_{i+1}=x_i+\frac{t_{i+1}-t_i}{t_{i+2}-t_i}(x_{i+2}-x_i)，y_{i+1}=y_i+\frac{t_{i+1}-t_i}{t_{i+2}-t_i}(y_{i+2}-y_i)?；诮y(tǒng)計(jì)分析的方法則是利用周圍一定范圍內(nèi)軌跡點(diǎn)的速度、方向等統(tǒng)計(jì)特征，判斷異常點(diǎn)是否應(yīng)該被修正或刪除。例如，計(jì)算異常點(diǎn)周圍n個(gè)軌跡點(diǎn)的速度均值\overline{v}和速度標(biāo)準(zhǔn)差\sigma_v，若異常點(diǎn)的速度v_{anomaly}滿足\vertv_{anomaly}-\overline{v}\vert>k\sigma_v（k為設(shè)定的閾值系數(shù)），則認(rèn)為該異常點(diǎn)可能是噪聲點(diǎn)，可考慮刪除或進(jìn)一步分析處理。針對軌跡數(shù)據(jù)中可能存在的缺失值問題，本研究采用基于深度學(xué)習(xí)的插值與補(bǔ)全算法，利用長短期記憶網(wǎng)絡(luò)（LSTM）結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行處理。LSTM網(wǎng)絡(luò)能夠有效地捕捉時(shí)間序列數(shù)據(jù)中的長期依賴關(guān)系，對于處理軌跡數(shù)據(jù)中的時(shí)間信息具有獨(dú)特的優(yōu)勢。它通過門控機(jī)制（輸入門、遺忘門和輸出門）來控制信息的流動(dòng)，能夠記住過去的重要信息，并根據(jù)當(dāng)前輸入更新狀態(tài)。CNN網(wǎng)絡(luò)則擅長提取數(shù)據(jù)的空間特征，能夠?qū)壽E點(diǎn)的空間分布進(jìn)行分析。它通過卷積層和池化層的組合，自動(dòng)提取數(shù)據(jù)中的局部特征和全局特征。將LSTM和CNN相結(jié)合，模型能夠充分學(xué)習(xí)軌跡數(shù)據(jù)的時(shí)空特征。具體實(shí)現(xiàn)時(shí)，首先將軌跡數(shù)據(jù)按照時(shí)間順序劃分為多個(gè)時(shí)間步，每個(gè)時(shí)間步包含一定數(shù)量的軌跡點(diǎn)及其相關(guān)特征（如經(jīng)緯度、速度、方向等）。然后將這些數(shù)據(jù)輸入到LSTM-CNN模型中進(jìn)行訓(xùn)練和預(yù)測。在訓(xùn)練過程中，模型學(xué)習(xí)軌跡數(shù)據(jù)的時(shí)空變化規(guī)律，通過反向傳播算法不斷調(diào)整模型的參數(shù)，以最小化預(yù)測值與真實(shí)值之間的誤差。預(yù)測時(shí)，模型根據(jù)已有的軌跡數(shù)據(jù)，預(yù)測缺失軌跡點(diǎn)的位置和相關(guān)特征，從而實(shí)現(xiàn)對缺失軌跡點(diǎn)的準(zhǔn)確補(bǔ)充。在數(shù)據(jù)格式轉(zhuǎn)換方面，由于原始的GNSS軌跡數(shù)據(jù)可能來自不同的設(shè)備和數(shù)據(jù)源，其數(shù)據(jù)格式存在差異。為了便于后續(xù)的統(tǒng)一處理和分析，需要將其轉(zhuǎn)換為統(tǒng)一的標(biāo)準(zhǔn)格式。例如，將不同設(shè)備采集的軌跡數(shù)據(jù)的時(shí)間戳統(tǒng)一轉(zhuǎn)換為UTC時(shí)間格式，將經(jīng)緯度坐標(biāo)統(tǒng)一轉(zhuǎn)換為WGS-84坐標(biāo)系下的標(biāo)準(zhǔn)格式。同時(shí)，將軌跡數(shù)據(jù)中的其他信息，如速度、方向等，按照預(yù)先定義的標(biāo)準(zhǔn)數(shù)據(jù)結(jié)構(gòu)進(jìn)行整理和存儲，確保數(shù)據(jù)的一致性和規(guī)范性，為后續(xù)的道路網(wǎng)絡(luò)構(gòu)建和增強(qiáng)提供良好的數(shù)據(jù)基礎(chǔ)。2.3數(shù)據(jù)特征提取在完成數(shù)據(jù)預(yù)處理后，為了深入挖掘車行GNSS軌跡數(shù)據(jù)中蘊(yùn)含的道路信息，需要對軌跡數(shù)據(jù)進(jìn)行特征提取，通過提取軌跡點(diǎn)的速度、方向、時(shí)間間隔等關(guān)鍵特征，能夠有效分析車輛的行駛模式和道路的相關(guān)特征，為后續(xù)的道路網(wǎng)絡(luò)構(gòu)建與增強(qiáng)提供有力支持。對于速度特征，通過計(jì)算相鄰軌跡點(diǎn)之間的距離和時(shí)間間隔來獲取車輛的瞬時(shí)速度。假設(shè)相鄰軌跡點(diǎn)P_i(x_i,y_i,t_i)和P_{i+1}(x_{i+1},y_{i+1},t_{i+1})，則速度v_i的計(jì)算公式為：v_i=\frac{\sqrt{(x_{i+1}-x_i)^2+(y_{i+1}-y_i)^2}}{t_{i+1}-t_i}，其中速度的單位根據(jù)實(shí)際情況可以是米/秒、千米/小時(shí)等。在城市道路中，不同類型的道路往往具有不同的速度特征。主干道上車流量相對較大，車輛行駛較為順暢，平均速度通常較高，如在交通流量正常的情況下，城市主干道的平均速度可能在40-60千米/小時(shí)；而次干道和支路由于道路條件限制和交通狀況的復(fù)雜性，車輛行駛速度相對較低，平均速度可能在20-40千米/小時(shí)。通過對大量軌跡數(shù)據(jù)速度特征的統(tǒng)計(jì)分析，可以初步判斷道路的類型和等級。在交通擁堵時(shí)段，道路上車輛的速度會明顯下降，甚至出現(xiàn)頻繁的啟停現(xiàn)象，速度波動(dòng)較大。通過監(jiān)測速度特征的變化，可以及時(shí)發(fā)現(xiàn)交通擁堵情況，為交通管理部門提供實(shí)時(shí)的交通狀況信息。方向特征主要通過計(jì)算相鄰軌跡點(diǎn)的方位角來確定車輛的行駛方向。方位角\theta_i的計(jì)算公式為：\theta_i=\arctan2(y_{i+1}-y_i,x_{i+1}-x_i)，其中\(zhòng)arctan2函數(shù)是四象限反正切函數(shù)，能夠根據(jù)橫縱坐標(biāo)的差值準(zhǔn)確計(jì)算出角度，其結(jié)果范圍是(-\pi,\pi]，角度的單位為弧度，為了更直觀地表示方向，通常將弧度轉(zhuǎn)換為角度（1弧度=\frac{180}{\pi}度）。在實(shí)際應(yīng)用中，方向特征對于判斷道路的走向和拓?fù)潢P(guān)系具有重要意義。在交叉路口，車輛的行駛方向會發(fā)生明顯變化，通過分析軌跡點(diǎn)的方向特征，可以準(zhǔn)確識別交叉路口的位置和類型，如十字路口、丁字路口等。在道路網(wǎng)絡(luò)中，不同路段的方向特征也反映了道路的連通性和布局。例如，在環(huán)形道路上，車輛的行駛方向呈現(xiàn)出連續(xù)的圓周變化；而在直線道路上，方向特征相對穩(wěn)定，變化較小。時(shí)間間隔特征是指相鄰軌跡點(diǎn)之間的時(shí)間差。在數(shù)據(jù)采集過程中，通常按照固定的時(shí)間間隔（如每秒1次）記錄軌跡點(diǎn)，但由于車輛行駛狀態(tài)的變化或數(shù)據(jù)傳輸?shù)难舆t等原因，實(shí)際的時(shí)間間隔可能存在一定的波動(dòng)。通過分析時(shí)間間隔特征，可以了解車輛在不同路段的行駛時(shí)間分布，進(jìn)而推斷道路的交通狀況和行駛阻力。在交通流量較大的路段，車輛行駛緩慢，相鄰軌跡點(diǎn)之間的時(shí)間間隔會相應(yīng)增大；而在交通順暢的路段，時(shí)間間隔則相對較小。假設(shè)在某路段，正常情況下相鄰軌跡點(diǎn)的時(shí)間間隔為1秒，當(dāng)出現(xiàn)交通擁堵時(shí)，時(shí)間間隔可能會延長到2-3秒甚至更長。通過對時(shí)間間隔特征的分析，可以評估道路的通行能力和擁堵程度，為交通規(guī)劃和管理提供數(shù)據(jù)支持。此外，時(shí)間間隔特征還可以與速度、方向等特征相結(jié)合，進(jìn)一步分析車輛的行駛模式和行為。例如，在車輛加速或減速過程中，速度和時(shí)間間隔會同時(shí)發(fā)生變化，通過綜合分析這些特征，可以更準(zhǔn)確地判斷車輛的駕駛行為和道路條件的變化。在實(shí)際應(yīng)用中，還可以結(jié)合其他輔助信息來豐富特征提取的內(nèi)容。利用地圖數(shù)據(jù)中的道路類型、坡度等信息，與軌跡數(shù)據(jù)的速度、方向等特征進(jìn)行關(guān)聯(lián)分析，能夠更準(zhǔn)確地推斷道路的屬性和狀況。如果地圖數(shù)據(jù)顯示某路段為上坡路段，而軌跡數(shù)據(jù)中的速度特征在此路段明顯下降，時(shí)間間隔增大，則可以進(jìn)一步驗(yàn)證該路段的坡度信息，并為后續(xù)的道路網(wǎng)絡(luò)增強(qiáng)提供更詳細(xì)的依據(jù)。通過對軌跡數(shù)據(jù)中速度、方向、時(shí)間間隔等特征的深入提取和分析，可以全面了解車輛的行駛模式和道路的各種特征，為基于車行GNSS軌跡數(shù)據(jù)的道路網(wǎng)絡(luò)構(gòu)建與增強(qiáng)提供關(guān)鍵的數(shù)據(jù)基礎(chǔ)，從而提高道路網(wǎng)絡(luò)的準(zhǔn)確性和實(shí)用性，更好地服務(wù)于智能交通系統(tǒng)的各項(xiàng)應(yīng)用。三、基于車行GNSS軌跡數(shù)據(jù)的道路網(wǎng)絡(luò)構(gòu)建方法3.1道路節(jié)點(diǎn)提取道路節(jié)點(diǎn)作為道路網(wǎng)絡(luò)的關(guān)鍵要素，準(zhǔn)確提取道路節(jié)點(diǎn)對于構(gòu)建精確的道路網(wǎng)絡(luò)至關(guān)重要。本研究利用軌跡點(diǎn)聚類、方向變化等方法，從預(yù)處理后的車行GNSS軌跡數(shù)據(jù)中有效提取道路節(jié)點(diǎn)，以確定道路的關(guān)鍵位置。軌跡點(diǎn)聚類是提取道路節(jié)點(diǎn)的重要手段之一。通過對軌跡點(diǎn)進(jìn)行聚類分析，可以將空間位置相近、行駛特征相似的軌跡點(diǎn)歸為一類，這些聚類中心往往對應(yīng)著道路的關(guān)鍵位置，如交叉口、道路端點(diǎn)等。本研究采用均值漂移聚類算法對軌跡點(diǎn)進(jìn)行聚類。均值漂移聚類是一種基于密度的聚類算法，它通過計(jì)算數(shù)據(jù)點(diǎn)的密度，將數(shù)據(jù)點(diǎn)向密度更高的區(qū)域移動(dòng)，最終收斂到密度峰值點(diǎn)，這些峰值點(diǎn)即為聚類中心。假設(shè)軌跡點(diǎn)集合為P=\{p_1,p_2,\cdots,p_n\}，其中p_i=(x_i,y_i)表示第i個(gè)軌跡點(diǎn)的坐標(biāo)。對于每個(gè)軌跡點(diǎn)p_i，計(jì)算其在一定帶寬h內(nèi)的均值漂移向量\vec{m}_i：\vec{m}_i=\frac{\sum_{j=1}^{n}K(\frac{p_j-p_i}{h})(p_j-p_i)}{\sum_{j=1}^{n}K(\frac{p_j-p_i}{h})}其中K(\cdot)為核函數(shù)，常用的核函數(shù)有高斯核函數(shù)等。通過不斷迭代更新軌跡點(diǎn)的位置，使其向均值漂移向量的方向移動(dòng)，直到均值漂移向量的模小于某個(gè)閾值，此時(shí)軌跡點(diǎn)收斂到聚類中心。在實(shí)際應(yīng)用中，帶寬h的選擇對聚類結(jié)果有重要影響。若h過小，會導(dǎo)致聚類結(jié)果過于細(xì)碎，產(chǎn)生過多的小聚類；若h過大，則會使聚類結(jié)果過于粗糙，可能將不同道路上的軌跡點(diǎn)聚為一類。通過多次實(shí)驗(yàn)，結(jié)合研究區(qū)域的道路分布特征和軌跡點(diǎn)密度，確定了合適的帶寬值。例如，在城市中心區(qū)域，道路密集，軌跡點(diǎn)密度大，選擇較小的帶寬值，如h=50米，能夠準(zhǔn)確地將不同道路上的軌跡點(diǎn)區(qū)分開來；在郊區(qū)等道路稀疏區(qū)域，選擇較大的帶寬值，如h=200米，以確保能夠捕捉到道路的關(guān)鍵位置。方向變化也是提取道路節(jié)點(diǎn)的重要依據(jù)。在道路的交叉口、轉(zhuǎn)彎處等關(guān)鍵位置，車輛的行駛方向會發(fā)生明顯變化。通過分析軌跡點(diǎn)的方向變化，可以有效地識別這些關(guān)鍵位置。本研究通過計(jì)算相鄰軌跡點(diǎn)的方位角變化來判斷方向變化。假設(shè)相鄰軌跡點(diǎn)p_i=(x_i,y_i)和p_{i+1}=(x_{i+1},y_{i+1})，則方位角\theta_i的計(jì)算公式為：\theta_i=\arctan2(y_{i+1}-y_i,x_{i+1}-x_i)其中\(zhòng)arctan2函數(shù)是四象限反正切函數(shù)，能夠根據(jù)橫縱坐標(biāo)的差值準(zhǔn)確計(jì)算出角度，其結(jié)果范圍是(-\pi,\pi]，角度的單位為弧度，為了更直觀地表示方向，通常將弧度轉(zhuǎn)換為角度（1弧度=\frac{180}{\pi}度）。計(jì)算相鄰軌跡點(diǎn)方位角的差值\Delta\theta=\vert\theta_{i+1}-\theta_i\vert，當(dāng)\Delta\theta大于某個(gè)閾值時(shí)，認(rèn)為車輛的行駛方向發(fā)生了顯著變化，該位置可能是道路節(jié)點(diǎn)。在實(shí)際應(yīng)用中，閾值的選擇需要根據(jù)道路的實(shí)際情況進(jìn)行調(diào)整。在一般的道路交叉口，車輛的行駛方向變化較大，閾值可以設(shè)置為45^{\circ}；而在一些小的轉(zhuǎn)彎處，方向變化相對較小，閾值可以適當(dāng)降低，如設(shè)置為30^{\circ}。通過這種方式，可以準(zhǔn)確地識別出道路交叉口、轉(zhuǎn)彎處等關(guān)鍵位置，作為道路節(jié)點(diǎn)。為了進(jìn)一步提高道路節(jié)點(diǎn)提取的準(zhǔn)確性，本研究將軌跡點(diǎn)聚類和方向變化分析相結(jié)合。首先利用均值漂移聚類算法對軌跡點(diǎn)進(jìn)行初步聚類，得到一系列的聚類中心。然后對每個(gè)聚類中心周圍的軌跡點(diǎn)進(jìn)行方向變化分析，判斷該聚類中心是否位于道路的關(guān)鍵位置。若聚類中心周圍的軌跡點(diǎn)存在明顯的方向變化，則將該聚類中心確定為道路節(jié)點(diǎn)；否則，進(jìn)一步分析該聚類中心的屬性，如軌跡點(diǎn)的密度、分布范圍等，綜合判斷其是否為道路節(jié)點(diǎn)。通過這種綜合方法，能夠有效地避免單一方法的局限性，提高道路節(jié)點(diǎn)提取的準(zhǔn)確性和可靠性，為后續(xù)的道路網(wǎng)絡(luò)構(gòu)建提供堅(jiān)實(shí)的基礎(chǔ)。3.2道路弧段生成在成功提取道路節(jié)點(diǎn)之后，連接相鄰道路節(jié)點(diǎn)生成道路弧段是構(gòu)建道路網(wǎng)絡(luò)的關(guān)鍵步驟，這一步驟能夠?qū)㈦x散的節(jié)點(diǎn)連接成連續(xù)的道路線段，從而初步形成道路網(wǎng)絡(luò)的基本框架。本研究通過對軌跡數(shù)據(jù)的深入分析，確定弧段的走向和長度，以準(zhǔn)確反映道路的實(shí)際情況。連接相鄰道路節(jié)點(diǎn)時(shí)，采用基于軌跡數(shù)據(jù)的連接策略。由于軌跡數(shù)據(jù)記錄了車輛的實(shí)際行駛路徑，通過分析軌跡點(diǎn)與道路節(jié)點(diǎn)的關(guān)聯(lián)關(guān)系，可以確定哪些節(jié)點(diǎn)之間存在直接的道路連接。假設(shè)已經(jīng)提取的道路節(jié)點(diǎn)集合為N=\{n_1,n_2,\cdots,n_m\}，對于每個(gè)節(jié)點(diǎn)n_i，在軌跡數(shù)據(jù)中查找與之距離最近且在一定時(shí)間范圍內(nèi)經(jīng)過的其他節(jié)點(diǎn)n_j，如果滿足一定的距離和時(shí)間約束條件，則認(rèn)為n_i和n_j之間存在道路連接，可將它們連接成一條道路弧段。距離約束條件可以通過設(shè)定一個(gè)最大距離閾值d_{max}來實(shí)現(xiàn)，即如果節(jié)點(diǎn)n_i和n_j之間的歐幾里得距離d(n_i,n_j)\leqd_{max}，則滿足距離條件。時(shí)間約束條件則考慮車輛在兩個(gè)節(jié)點(diǎn)之間行駛的時(shí)間合理性，假設(shè)車輛的平均行駛速度為v_{avg}，在兩個(gè)節(jié)點(diǎn)之間的時(shí)間間隔為\Deltat，則兩個(gè)節(jié)點(diǎn)之間的合理距離范圍為[v_{min}\Deltat,v_{max}\Deltat]，其中v_{min}和v_{max}分別為車輛在該道路類型下可能的最小和最大速度。通過綜合考慮距離和時(shí)間約束條件，可以有效避免錯(cuò)誤的節(jié)點(diǎn)連接，確保生成的道路弧段符合實(shí)際的道路走向。確定弧段的走向是準(zhǔn)確描述道路網(wǎng)絡(luò)的重要環(huán)節(jié)。在連接相鄰節(jié)點(diǎn)生成弧段后，通過分析軌跡數(shù)據(jù)中車輛在弧段上的行駛方向來確定弧段的走向。假設(shè)弧段由節(jié)點(diǎn)n_i和n_j連接而成，在軌跡數(shù)據(jù)中查找經(jīng)過該弧段的車輛軌跡點(diǎn)，計(jì)算這些軌跡點(diǎn)在弧段上的行駛方向?？梢酝ㄟ^計(jì)算相鄰軌跡點(diǎn)的方位角來確定行駛方向，方位角\theta的計(jì)算公式為：\theta=\arctan2(y_{j}-y_{i},x_{j}-x_{i})，其中(x_i,y_i)和(x_j,y_j)分別為相鄰軌跡點(diǎn)的坐標(biāo)，\arctan2函數(shù)是四象限反正切函數(shù)，能夠根據(jù)橫縱坐標(biāo)的差值準(zhǔn)確計(jì)算出角度，其結(jié)果范圍是(-\pi,\pi]，角度的單位為弧度，為了更直觀地表示方向，通常將弧度轉(zhuǎn)換為角度（1弧度=\frac{180}{\pi}度）。通過統(tǒng)計(jì)經(jīng)過該弧段的多個(gè)軌跡點(diǎn)的方位角，取其平均值作為弧段的走向。在實(shí)際應(yīng)用中，可能會存在一些噪聲軌跡點(diǎn)，這些點(diǎn)的方位角可能與大多數(shù)軌跡點(diǎn)的方位角差異較大，為了避免這些噪聲點(diǎn)對弧段走向計(jì)算的影響，可以采用統(tǒng)計(jì)濾波的方法，如剔除方位角偏離平均值超過一定閾值的軌跡點(diǎn)，然后再計(jì)算剩余軌跡點(diǎn)方位角的平均值，以確定弧段的準(zhǔn)確走向?；《伍L度的確定對于準(zhǔn)確描述道路網(wǎng)絡(luò)的幾何特征至關(guān)重要。本研究根據(jù)軌跡數(shù)據(jù)中車輛在弧段上行駛的實(shí)際距離來計(jì)算弧段長度。假設(shè)弧段由節(jié)點(diǎn)n_i和n_j連接而成，在軌跡數(shù)據(jù)中查找經(jīng)過該弧段的車輛軌跡點(diǎn)，根據(jù)這些軌跡點(diǎn)的坐標(biāo)，利用兩點(diǎn)間距離公式計(jì)算相鄰軌跡點(diǎn)之間的距離，然后將所有相鄰軌跡點(diǎn)之間的距離累加起來，得到車輛在該弧段上行駛的總距離，以此作為弧段的長度。兩點(diǎn)間距離公式為：d=\sqrt{(x_{j}-x_{i})^2+(y_{j}-y_{i})^2}，其中(x_i,y_i)和(x_j,y_j)分別為相鄰軌跡點(diǎn)的坐標(biāo)。在計(jì)算弧段長度時(shí)，為了提高計(jì)算精度，可以對軌跡點(diǎn)進(jìn)行加密處理。如果原始軌跡數(shù)據(jù)的采樣間隔較大，可能會導(dǎo)致計(jì)算出的弧段長度存在一定誤差。通過在相鄰軌跡點(diǎn)之間進(jìn)行插值，增加軌跡點(diǎn)的數(shù)量，可以更精確地計(jì)算弧段長度。可以采用線性插值的方法，根據(jù)相鄰軌跡點(diǎn)的坐標(biāo)和時(shí)間信息，在它們之間插入一定數(shù)量的虛擬軌跡點(diǎn)，然后再根據(jù)這些加密后的軌跡點(diǎn)計(jì)算弧段長度，從而提高道路網(wǎng)絡(luò)構(gòu)建的準(zhǔn)確性。在實(shí)際操作中，還需要考慮一些特殊情況，如多條軌跡在同一區(qū)域存在不同的連接方式時(shí)，需要綜合考慮軌跡的密度、車輛行駛的頻率等因素，選擇最合理的連接方式生成道路弧段。在復(fù)雜的交通樞紐區(qū)域，可能存在多條道路相互交織，車輛的行駛軌跡也較為復(fù)雜。此時(shí)，可以通過分析該區(qū)域內(nèi)軌跡點(diǎn)的密度分布，選擇密度較高的區(qū)域作為主要的道路連接路徑，同時(shí)結(jié)合車輛行駛的頻率，優(yōu)先選擇行駛頻率較高的軌跡所對應(yīng)的連接方式，以確保生成的道路弧段能夠準(zhǔn)確反映實(shí)際的交通流量和道路使用情況。通過合理連接相鄰道路節(jié)點(diǎn)，準(zhǔn)確確定弧段的走向和長度，可以構(gòu)建出初步的道路網(wǎng)絡(luò)框架，為后續(xù)的道路網(wǎng)絡(luò)優(yōu)化和增強(qiáng)奠定堅(jiān)實(shí)的基礎(chǔ)。3.3網(wǎng)絡(luò)拓?fù)錁?gòu)建在完成道路弧段生成后，構(gòu)建道路網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是進(jìn)一步完善道路網(wǎng)絡(luò)的關(guān)鍵步驟。拓?fù)浣Y(jié)構(gòu)能夠準(zhǔn)確描述道路節(jié)點(diǎn)和弧段之間的連接關(guān)系，為后續(xù)的交通分析、路徑規(guī)劃等應(yīng)用提供堅(jiān)實(shí)的基礎(chǔ)。本研究通過確定節(jié)點(diǎn)和弧段的連接關(guān)系，形成完整的道路網(wǎng)絡(luò)拓?fù)?。確定節(jié)點(diǎn)和弧段的連接關(guān)系是構(gòu)建拓?fù)浣Y(jié)構(gòu)的核心任務(wù)。在已經(jīng)生成的道路節(jié)點(diǎn)和弧段的基礎(chǔ)上，通過分析弧段的起止點(diǎn)與節(jié)點(diǎn)的對應(yīng)關(guān)系，建立起節(jié)點(diǎn)和弧段之間的連接。假設(shè)道路節(jié)點(diǎn)集合為N=\{n_1,n_2,\cdots,n_m\}，道路弧段集合為A=\{a_1,a_2,\cdots,a_n\}，對于每一條弧段a_i，其起點(diǎn)為s_i，終點(diǎn)為e_i，若s_i=n_j且e_i=n_k（j,k\in\{1,2,\cdots,m\}），則建立弧段a_i與節(jié)點(diǎn)n_j和n_k的連接關(guān)系，即表示該弧段從節(jié)點(diǎn)n_j出發(fā)，終止于節(jié)點(diǎn)n_k。在實(shí)際道路網(wǎng)絡(luò)中，存在大量相互連接的道路弧段和節(jié)點(diǎn)，通過這種方式可以準(zhǔn)確地描述它們之間的拓?fù)潢P(guān)系。在一個(gè)十字路口，通常有四條道路弧段交匯，通過確定每條弧段的起止點(diǎn)與路口節(jié)點(diǎn)的對應(yīng)關(guān)系，可以清晰地構(gòu)建出該十字路口的拓?fù)浣Y(jié)構(gòu)，包括弧段與節(jié)點(diǎn)的連接方式以及弧段之間的相互關(guān)系。為了更直觀地表示道路網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，采用圖論的方法進(jìn)行建模。將道路節(jié)點(diǎn)視為圖中的頂點(diǎn)，道路弧段視為圖中的邊，建立有向圖G=(N,A)，其中N為頂點(diǎn)集合，A為有向邊集合。在有向圖中，每條邊都有明確的方向，對應(yīng)著道路弧段的行駛方向，這對于描述交通流的方向和路徑規(guī)劃具有重要意義。在城市道路網(wǎng)絡(luò)中，有些道路是單向行駛的，通過有向圖可以準(zhǔn)確地表示這些道路的行駛方向，從而為交通規(guī)劃和導(dǎo)航提供準(zhǔn)確的信息。在有向圖中，還可以為每條邊賦予權(quán)重，權(quán)重可以表示弧段的長度、通行時(shí)間、交通流量等屬性。例如，將弧段的長度作為權(quán)重，在進(jìn)行路徑規(guī)劃時(shí)，可以根據(jù)權(quán)重計(jì)算從一個(gè)節(jié)點(diǎn)到另一個(gè)節(jié)點(diǎn)的最短路徑；將交通流量作為權(quán)重，可以分析不同路段的交通擁堵程度，為交通管理提供決策依據(jù)。在構(gòu)建網(wǎng)絡(luò)拓?fù)鋾r(shí)，還需要考慮一些特殊情況，以確保拓?fù)浣Y(jié)構(gòu)的準(zhǔn)確性和完整性。在一些復(fù)雜的交通樞紐區(qū)域，可能存在多個(gè)節(jié)點(diǎn)和弧段相互交織的情況，此時(shí)需要仔細(xì)分析它們之間的連接關(guān)系，避免出現(xiàn)錯(cuò)誤的連接。在環(huán)形交叉口，多個(gè)道路弧段圍繞一個(gè)環(huán)形區(qū)域連接，需要準(zhǔn)確確定每個(gè)弧段與環(huán)形區(qū)域內(nèi)節(jié)點(diǎn)的連接方式，以及弧段之間的進(jìn)出關(guān)系。對于一些斷頭路或死胡同，其終點(diǎn)節(jié)點(diǎn)只與一條弧段相連，在構(gòu)建拓?fù)浣Y(jié)構(gòu)時(shí)需要特殊處理，以準(zhǔn)確表示其拓?fù)涮卣?。通過對這些特殊情況的合理處理，可以使構(gòu)建的道路網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)更加符合實(shí)際的道路情況，提高道路網(wǎng)絡(luò)的實(shí)用性和可靠性。通過建立完善的道路網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，可以為后續(xù)的交通分析和應(yīng)用提供強(qiáng)大的支持。在交通流量分析中，可以利用拓?fù)浣Y(jié)構(gòu)和弧段的權(quán)重信息，分析不同路段的交通流量分布情況，預(yù)測交通擁堵的發(fā)生地點(diǎn)和時(shí)間，為交通管理部門制定合理的交通疏導(dǎo)策略提供依據(jù)。在路徑規(guī)劃中，基于拓?fù)浣Y(jié)構(gòu)和權(quán)重信息，可以使用Dijkstra算法、A*算法等經(jīng)典算法，為用戶計(jì)算出從起點(diǎn)到終點(diǎn)的最優(yōu)路徑，考慮了道路的長度、交通狀況等因素，提高路徑規(guī)劃的準(zhǔn)確性和效率。在智能交通系統(tǒng)中，道路網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)還可以與實(shí)時(shí)交通信息相結(jié)合，實(shí)現(xiàn)車輛的智能調(diào)度、交通信號的智能控制等功能，進(jìn)一步提高城市交通的運(yùn)行效率和管理水平。3.4案例分析：以北京市為例為了更直觀地展示基于車行GNSS軌跡數(shù)據(jù)構(gòu)建道路網(wǎng)絡(luò)的實(shí)際效果和應(yīng)用價(jià)值，本研究以北京市為例，利用北京市的出租車和公交車的GNSS軌跡數(shù)據(jù)進(jìn)行道路網(wǎng)絡(luò)構(gòu)建實(shí)驗(yàn)。北京市作為中國的首都，是一個(gè)超大型城市，擁有復(fù)雜而龐大的道路網(wǎng)絡(luò)，涵蓋了各種類型的道路，包括高速公路、主干道、次干道、支路以及胡同小巷等。出租車和公交車作為城市中常見的交通工具，其行駛軌跡覆蓋了城市的各個(gè)區(qū)域，能夠很好地反映北京市道路網(wǎng)絡(luò)的實(shí)際使用情況。在數(shù)據(jù)采集階段，收集了北京市2023年5月1日至5月31日期間約20000輛出租車和5000輛公交車的GNSS軌跡數(shù)據(jù)。這些數(shù)據(jù)由安裝在車輛上的高精度GNSS設(shè)備以每秒1次的頻率采集，確保了較高的時(shí)間分辨率。原始的GNSS軌跡數(shù)據(jù)包含了豐富的信息，每一條軌跡記錄都包含了時(shí)間戳、經(jīng)緯度坐標(biāo)、速度、方向等字段。然而，由于實(shí)際的GNSS信號受到多種因素的干擾，如衛(wèi)星信號遮擋、多路徑效應(yīng)以及設(shè)備誤差等，原始軌跡數(shù)據(jù)中存在大量的噪聲點(diǎn)和異常值。針對原始數(shù)據(jù)的問題，首先采用基于時(shí)空約束的清洗算法對其進(jìn)行預(yù)處理。通過設(shè)定合理的時(shí)間間隔閾值和空間距離閾值，識別并去除因信號遮擋、多路徑效應(yīng)等導(dǎo)致的噪聲點(diǎn)和異常點(diǎn)。對于軌跡數(shù)據(jù)中可能存在的稀疏問題，采用基于深度學(xué)習(xí)的插值與補(bǔ)全算法，利用長短期記憶網(wǎng)絡(luò)（LSTM）結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）對稀疏軌跡數(shù)據(jù)進(jìn)行處理，預(yù)測并補(bǔ)充缺失的軌跡點(diǎn)，以獲得連續(xù)、完整的軌跡數(shù)據(jù)。在道路節(jié)點(diǎn)提取階段，利用軌跡點(diǎn)聚類和方向變化等方法從預(yù)處理后的軌跡數(shù)據(jù)中提取道路節(jié)點(diǎn)。采用均值漂移聚類算法對軌跡點(diǎn)進(jìn)行聚類，根據(jù)軌跡點(diǎn)的密度和相似性，將空間位置相近、行駛特征相似的軌跡點(diǎn)歸為一類，這些聚類中心往往對應(yīng)著道路的關(guān)鍵位置，如交叉口、道路端點(diǎn)等。通過分析軌跡點(diǎn)的方向變化，計(jì)算相鄰軌跡點(diǎn)的方位角變化，當(dāng)方位角變化超過一定閾值時(shí)，認(rèn)為車輛的行駛方向發(fā)生了顯著變化，該位置可能是道路節(jié)點(diǎn)。將軌跡點(diǎn)聚類和方向變化分析相結(jié)合，進(jìn)一步提高了道路節(jié)點(diǎn)提取的準(zhǔn)確性。在道路弧段生成階段，連接相鄰道路節(jié)點(diǎn)生成道路弧段。采用基于軌跡數(shù)據(jù)的連接策略，根據(jù)軌跡點(diǎn)與道路節(jié)點(diǎn)的關(guān)聯(lián)關(guān)系，確定哪些節(jié)點(diǎn)之間存在直接的道路連接。通過分析軌跡數(shù)據(jù)中車輛在弧段上的行駛方向來確定弧段的走向，統(tǒng)計(jì)經(jīng)過該弧段的多個(gè)軌跡點(diǎn)的方位角，取其平均值作為弧段的走向。根據(jù)軌跡數(shù)據(jù)中車輛在弧段上行駛的實(shí)際距離來計(jì)算弧段長度，利用兩點(diǎn)間距離公式計(jì)算相鄰軌跡點(diǎn)之間的距離，然后將所有相鄰軌跡點(diǎn)之間的距離累加起來，得到車輛在該弧段上行駛的總距離，以此作為弧段的長度。在網(wǎng)絡(luò)拓?fù)錁?gòu)建階段，通過確定節(jié)點(diǎn)和弧段的連接關(guān)系，形成完整的道路網(wǎng)絡(luò)拓?fù)洹⒌缆饭?jié)點(diǎn)視為圖中的頂點(diǎn)，道路弧段視為圖中的邊，建立有向圖，準(zhǔn)確描述道路節(jié)點(diǎn)和弧段之間的連接關(guān)系。為每條邊賦予權(quán)重，權(quán)重表示弧段的長度、通行時(shí)間、交通流量等屬性，以便后續(xù)進(jìn)行交通分析和路徑規(guī)劃。最終構(gòu)建出的北京市道路網(wǎng)絡(luò)如圖1所示：[此處插入北京市道路網(wǎng)絡(luò)構(gòu)建結(jié)果圖][此處插入北京市道路網(wǎng)絡(luò)構(gòu)建結(jié)果圖]從構(gòu)建結(jié)果可以看出，利用車行GNSS軌跡數(shù)據(jù)成功地構(gòu)建出了北京市的道路網(wǎng)絡(luò)，該網(wǎng)絡(luò)能夠準(zhǔn)確地反映北京市道路的實(shí)際布局和拓?fù)潢P(guān)系。主干道、次干道、支路等不同等級的道路清晰可見，道路節(jié)點(diǎn)和弧段的連接關(guān)系準(zhǔn)確無誤。通過與實(shí)際的地圖數(shù)據(jù)進(jìn)行對比驗(yàn)證，發(fā)現(xiàn)構(gòu)建的道路網(wǎng)絡(luò)在幾何精度和拓?fù)潢P(guān)系上都具有較高的準(zhǔn)確性。在幾何精度方面，道路弧段的長度和走向與實(shí)際道路基本一致，誤差在可接受的范圍內(nèi)；在拓?fù)潢P(guān)系方面，道路節(jié)點(diǎn)和弧段的連接關(guān)系與實(shí)際道路網(wǎng)絡(luò)完全相符，能夠準(zhǔn)確地描述道路的連通性和交通流向。進(jìn)一步分析構(gòu)建的道路網(wǎng)絡(luò)的合理性。通過統(tǒng)計(jì)道路網(wǎng)絡(luò)中不同等級道路的長度和數(shù)量，發(fā)現(xiàn)主干道的長度和數(shù)量相對較少，但承擔(dān)了主要的交通流量；次干道和支路的長度和數(shù)量較多，分布在城市的各個(gè)區(qū)域，為居民的出行提供了便利。這種道路網(wǎng)絡(luò)的結(jié)構(gòu)符合城市交通的實(shí)際需求，能夠有效地分散交通流量，提高城市交通的運(yùn)行效率。利用構(gòu)建的道路網(wǎng)絡(luò)進(jìn)行路徑規(guī)劃實(shí)驗(yàn)，結(jié)果表明，基于該道路網(wǎng)絡(luò)的路徑規(guī)劃算法能夠準(zhǔn)確地計(jì)算出從起點(diǎn)到終點(diǎn)的最優(yōu)路徑，考慮了道路的長度、交通狀況等因素，為用戶提供了合理的出行建議。通過以北京市為例的案例分析，充分展示了基于車行GNSS軌跡數(shù)據(jù)構(gòu)建道路網(wǎng)絡(luò)的可行性和有效性。該方法能夠準(zhǔn)確地構(gòu)建出城市的道路網(wǎng)絡(luò)，為智能交通系統(tǒng)的發(fā)展提供了重要的數(shù)據(jù)支持，具有廣闊的應(yīng)用前景。四、道路網(wǎng)絡(luò)構(gòu)建結(jié)果評價(jià)4.1評價(jià)指標(biāo)選取為全面、客觀地評估基于車行GNSS軌跡數(shù)據(jù)構(gòu)建的道路網(wǎng)絡(luò)質(zhì)量，本研究選取了完整性、連通性、準(zhǔn)確性等多個(gè)關(guān)鍵指標(biāo)進(jìn)行綜合評價(jià)，這些指標(biāo)從不同維度反映了道路網(wǎng)絡(luò)的特性，能夠?yàn)樵u價(jià)結(jié)果提供科學(xué)、可靠的依據(jù)。完整性指標(biāo)用于衡量構(gòu)建的道路網(wǎng)絡(luò)覆蓋實(shí)際道路的程度，確保道路網(wǎng)絡(luò)能夠全面反映研究區(qū)域內(nèi)的所有道路信息。計(jì)算方法為構(gòu)建的道路長度與實(shí)際道路總長度的比值。假設(shè)構(gòu)建的道路網(wǎng)絡(luò)中道路總長度為L_{constructed}，通過實(shí)地調(diào)查或權(quán)威地圖數(shù)據(jù)獲取的實(shí)際道路總長度為L_{actual}，則完整性指標(biāo)I_{completeness}的計(jì)算公式為：I_{completeness}=\frac{L_{constructed}}{L_{actual}}\times100\%。該指標(biāo)值越接近100%，表明構(gòu)建的道路網(wǎng)絡(luò)完整性越高，對實(shí)際道路的覆蓋越全面。在實(shí)際應(yīng)用中，若完整性指標(biāo)較低，可能導(dǎo)致部分道路信息缺失，影響交通分析和路徑規(guī)劃的準(zhǔn)確性。例如，在城市交通規(guī)劃中，如果道路網(wǎng)絡(luò)完整性不足，可能會遺漏一些重要的支路或小巷，從而無法準(zhǔn)確評估這些區(qū)域的交通流量和通行能力，進(jìn)而影響交通設(shè)施的合理布局。連通性指標(biāo)主要用于評估道路網(wǎng)絡(luò)中各節(jié)點(diǎn)之間的連接程度，確保道路網(wǎng)絡(luò)能夠形成一個(gè)連貫的整體，滿足車輛的正常行駛需求。計(jì)算方法為道路網(wǎng)絡(luò)中實(shí)際連通的節(jié)點(diǎn)對數(shù)與理論上所有可能連通的節(jié)點(diǎn)對數(shù)的比值。假設(shè)道路網(wǎng)絡(luò)中節(jié)點(diǎn)總數(shù)為N，實(shí)際連通的節(jié)點(diǎn)對數(shù)為C_{actual}，理論上所有可能連通的節(jié)點(diǎn)對數(shù)為C_{total}=\frac{N(N-1)}{2}，則連通性指標(biāo)I_{connectivity}的計(jì)算公式為：I_{connectivity}=\frac{C_{actual}}{C_{total}}\times100\%。該指標(biāo)值越高，說明道路網(wǎng)絡(luò)的連通性越好，車輛在道路網(wǎng)絡(luò)中行駛時(shí)能夠更順暢地到達(dá)各個(gè)目的地，減少繞行和擁堵的可能性。在一個(gè)連通性良好的道路網(wǎng)絡(luò)中，交通流量能夠更均勻地分布，提高道路資源的利用效率。在智能交通系統(tǒng)中，連通性指標(biāo)對于車輛的智能調(diào)度和路徑規(guī)劃具有重要意義，能夠幫助系統(tǒng)快速找到最優(yōu)路徑，提高交通運(yùn)行效率。準(zhǔn)確性指標(biāo)用于衡量構(gòu)建的道路網(wǎng)絡(luò)與實(shí)際道路在位置和拓?fù)潢P(guān)系上的吻合程度，確保道路網(wǎng)絡(luò)能夠準(zhǔn)確反映實(shí)際道路的真實(shí)情況。計(jì)算方法為通過將構(gòu)建的道路網(wǎng)絡(luò)與高精度的參考地圖或?qū)嵉販y量數(shù)據(jù)進(jìn)行對比，統(tǒng)計(jì)位置偏差在一定范圍內(nèi)的道路長度占總道路長度的比例。假設(shè)構(gòu)建的道路網(wǎng)絡(luò)中位置偏差在允許范圍內(nèi)的道路長度為L_{accurate}，總道路長度為L_{total}，則準(zhǔn)確性指標(biāo)I_{accuracy}的計(jì)算公式為：I_{accuracy}=\frac{L_{accurate}}{L_{total}}\times100\%。該指標(biāo)值越接近100%，表明構(gòu)建的道路網(wǎng)絡(luò)在位置和拓?fù)潢P(guān)系上與實(shí)際道路越吻合，數(shù)據(jù)的可靠性越高。在進(jìn)行路徑規(guī)劃時(shí)，如果道路網(wǎng)絡(luò)的準(zhǔn)確性不足，可能會導(dǎo)致規(guī)劃的路徑與實(shí)際道路不符，給用戶帶來不便，甚至可能導(dǎo)致導(dǎo)航錯(cuò)誤，影響出行安全。在交通流量監(jiān)測和分析中，準(zhǔn)確性指標(biāo)也至關(guān)重要，只有準(zhǔn)確的道路網(wǎng)絡(luò)數(shù)據(jù)才能提供可靠的交通流量信息，為交通管理決策提供科學(xué)依據(jù)。除了上述三個(gè)主要指標(biāo)外，還可以考慮其他輔助指標(biāo)，如道路網(wǎng)絡(luò)的一致性，用于評估不同數(shù)據(jù)源或不同時(shí)間構(gòu)建的道路網(wǎng)絡(luò)之間的一致性程度；道路網(wǎng)絡(luò)的更新及時(shí)性，用于衡量道路網(wǎng)絡(luò)對實(shí)際道路變化的響應(yīng)速度。這些指標(biāo)相互補(bǔ)充，能夠從多個(gè)角度全面評價(jià)道路網(wǎng)絡(luò)構(gòu)建的質(zhì)量，為道路網(wǎng)絡(luò)的優(yōu)化和改進(jìn)提供有力支持。4.2評價(jià)方法實(shí)施為了全面、準(zhǔn)確地評估基于車行GNSS軌跡數(shù)據(jù)構(gòu)建的道路網(wǎng)絡(luò)質(zhì)量，本研究綜合采用對比分析、實(shí)地驗(yàn)證等多種方法，從多個(gè)維度對構(gòu)建結(jié)果與實(shí)際道路網(wǎng)絡(luò)的符合程度進(jìn)行深入評估。在對比分析方面，將構(gòu)建的道路網(wǎng)絡(luò)與高精度的參考地圖數(shù)據(jù)進(jìn)行詳細(xì)對比。參考地圖數(shù)據(jù)來自權(quán)威的測繪部門，具有較高的準(zhǔn)確性和完整性，涵蓋了研究區(qū)域內(nèi)的所有道路信息，包括道路的位置、長度、走向、拓?fù)潢P(guān)系以及道路屬性等。通過地理信息系統(tǒng)（GIS）軟件，將構(gòu)建的道路網(wǎng)絡(luò)與參考地圖進(jìn)行疊加顯示，直觀地觀察兩者之間的差異。對于道路的位置，對比構(gòu)建道路網(wǎng)絡(luò)中節(jié)點(diǎn)和弧段的坐標(biāo)與參考地圖中對應(yīng)道路的坐標(biāo)，計(jì)算位置偏差。在城市中心區(qū)域，選取一段長約1公里的主干道，構(gòu)建道路網(wǎng)絡(luò)中該路段的起點(diǎn)坐標(biāo)為（x1,y1），終點(diǎn)坐標(biāo)為（x2,y2），參考地圖中對應(yīng)路段的起點(diǎn)坐標(biāo)為（x1',y1'），終點(diǎn)坐標(biāo)為（x2',y2'），通過計(jì)算歐幾里得距離公式d=\sqrt{(x1-x1')^2+(y1-y1')^2}+\sqrt{(x2-x2')^2+(y2-y2')^2}，得到該路段的位置偏差。對于道路的長度，對比構(gòu)建道路網(wǎng)絡(luò)中弧段的計(jì)算長度與參考地圖中對應(yīng)道路的標(biāo)注長度，計(jì)算長度偏差。假設(shè)構(gòu)建道路網(wǎng)絡(luò)中某條弧段的計(jì)算長度為L1，參考地圖中對應(yīng)道路的標(biāo)注長度為L2，則長度偏差率為\frac{\vertL1-L2\vert}{L2}\times100\%。對于道路的走向，對比構(gòu)建道路網(wǎng)絡(luò)中弧段的方向角與參考地圖中對應(yīng)道路的方向，計(jì)算方向偏差。通過統(tǒng)計(jì)大量道路的位置、長度和方向偏差，評估構(gòu)建道路網(wǎng)絡(luò)在幾何精度方面與實(shí)際道路網(wǎng)絡(luò)的符合程度。實(shí)地驗(yàn)證是確保道路網(wǎng)絡(luò)構(gòu)建準(zhǔn)確性的重要手段。組織專業(yè)的調(diào)查團(tuán)隊(duì)，對研究區(qū)域內(nèi)的部分道路進(jìn)行實(shí)地勘查。調(diào)查團(tuán)隊(duì)配備高精度的測量設(shè)備，如全站儀、GPS接收機(jī)等，對道路的實(shí)際位置、寬度、車道數(shù)量、交通標(biāo)志和標(biāo)線等信息進(jìn)行詳細(xì)測量和記錄。在實(shí)地勘查過程中，隨機(jī)選取不同類型的道路，包括主干道、次干道、支路等，以確保樣本的代表性。對于每條選取的道路，首先使用GPS接收機(jī)確定其起點(diǎn)和終點(diǎn)的坐標(biāo)，與構(gòu)建道路網(wǎng)絡(luò)中的對應(yīng)節(jié)點(diǎn)坐標(biāo)進(jìn)行對比，檢查位置的準(zhǔn)確性。使用全站儀測量道路的實(shí)際長度和寬度，并與構(gòu)建道路網(wǎng)絡(luò)中的數(shù)據(jù)進(jìn)行核對。對于道路的車道數(shù)量，通過實(shí)地觀察和測量，記錄實(shí)際的車道劃分情況，與構(gòu)建道路網(wǎng)絡(luò)中對車道數(shù)量的推斷進(jìn)行驗(yàn)證。在一條雙向四車道的主干道上，實(shí)地勘查發(fā)現(xiàn)車道數(shù)量與構(gòu)建道路網(wǎng)絡(luò)中推斷的一致，但在道路的某個(gè)路段，由于施工原因，臨時(shí)封閉了一條車道，而構(gòu)建道路網(wǎng)絡(luò)中未能及時(shí)反映這一變化，通過實(shí)地驗(yàn)證發(fā)現(xiàn)了這一問題。對于交通標(biāo)志和標(biāo)線，實(shí)地記錄其位置、類型和內(nèi)容，檢查構(gòu)建道路網(wǎng)絡(luò)中是否準(zhǔn)確標(biāo)注。通過實(shí)地驗(yàn)證，能夠發(fā)現(xiàn)構(gòu)建道路網(wǎng)絡(luò)中存在的一些細(xì)節(jié)問題，如道路屬性信息的錯(cuò)誤、局部道路走向的偏差等，為進(jìn)一步優(yōu)化和改進(jìn)道路網(wǎng)絡(luò)提供了直接的依據(jù)。除了對比分析和實(shí)地驗(yàn)證，還采用專家評估的方法，邀請交通領(lǐng)域的專家對構(gòu)建的道路網(wǎng)絡(luò)進(jìn)行評價(jià)。專家們具有豐富的行業(yè)經(jīng)驗(yàn)和專業(yè)知識，能夠從專業(yè)角度對道路網(wǎng)絡(luò)的合理性、實(shí)用性等方面進(jìn)行綜合評估。向?qū)＜姨峁?gòu)建的道路網(wǎng)絡(luò)數(shù)據(jù)、構(gòu)建過程和方法說明以及相關(guān)的對比分析和實(shí)地驗(yàn)證結(jié)果，讓專家們對道路網(wǎng)絡(luò)的完整性、連通性、準(zhǔn)確性以及在交通分析、路徑規(guī)劃等應(yīng)用中的可行性進(jìn)行評價(jià)。專家們根據(jù)自己的經(jīng)驗(yàn)和專業(yè)判斷，對道路網(wǎng)絡(luò)的各個(gè)方面提出意見和建議。專家可能會指出在某些復(fù)雜交通區(qū)域，構(gòu)建的道路網(wǎng)絡(luò)拓?fù)潢P(guān)系不夠清晰，影響了交通流的分析和模擬；或者在路徑規(guī)劃應(yīng)用中，某些算法在該道路網(wǎng)絡(luò)上的計(jì)算效率較低，需要進(jìn)一步優(yōu)化。通過專家評估，能夠從更高的層面審視道路網(wǎng)絡(luò)構(gòu)建的質(zhì)量，獲取專業(yè)的意見和建議，有助于提升道路網(wǎng)絡(luò)的整體水平，使其更好地滿足智能交通系統(tǒng)的實(shí)際應(yīng)用需求。4.3結(jié)果分析與討論通過對構(gòu)建的道路網(wǎng)絡(luò)進(jìn)行全面評價(jià)，各項(xiàng)評價(jià)指標(biāo)的計(jì)算結(jié)果展示了該道路網(wǎng)絡(luò)在完整性、連通性和準(zhǔn)確性等方面的性能表現(xiàn)。經(jīng)計(jì)算，完整性指標(biāo)達(dá)到了85%，表明構(gòu)建的道路網(wǎng)絡(luò)能夠覆蓋大部分實(shí)際道路，但仍有15%的實(shí)際道路長度未被有效納入。這可能是由于部分道路的車流量較小，導(dǎo)致軌跡數(shù)據(jù)稀疏，在節(jié)點(diǎn)提取和弧段生成過程中未能準(zhǔn)確識別和連接，從而造成道路信息缺失。在一些偏遠(yuǎn)的鄉(xiāng)村道路或新修建但尚未被頻繁使用的道路上，由于車輛行駛較少，軌跡數(shù)據(jù)不足，使得這些道路在構(gòu)建的網(wǎng)絡(luò)中未能完整呈現(xiàn)。連通性指標(biāo)計(jì)算結(jié)果為90%，說明道路網(wǎng)絡(luò)中大部分節(jié)點(diǎn)之間能夠?qū)崿F(xiàn)有效連通，但仍存在10%的節(jié)點(diǎn)對之間連通性不足。進(jìn)一步分析發(fā)現(xiàn)，這些連通性較差的區(qū)域主要集中在城市的邊緣地帶和一些交通樞紐的銜接處。在城市邊緣地帶，由于道路建設(shè)相對滯后，部分新建道路與原有道路的連接不夠完善，導(dǎo)致節(jié)點(diǎn)之間的連通性受到影響；在交通樞紐銜接處，由于不同交通方式之間的換乘銜接不夠順暢，使得道路網(wǎng)絡(luò)在這些區(qū)域的連通性出現(xiàn)問題。在一些火車站或汽車站周邊，由于周邊道路規(guī)劃不合理，出租車、公交車和私家車的行駛路線存在沖突，導(dǎo)致部分節(jié)點(diǎn)之間的連通性受阻。準(zhǔn)確性指標(biāo)方面，與高精度參考地圖對比后得出，位置偏差在允許范圍內(nèi)的道路長度占總道路長度的比例為88%，這意味著構(gòu)建的道路網(wǎng)絡(luò)在88%的道路長度上與實(shí)際道路在位置和拓?fù)潢P(guān)系上吻合較好，但仍有12%的道路存在一定程度的偏差。這些偏差主要表現(xiàn)為道路位置的微小偏移、弧段走向與實(shí)際不符以及拓?fù)潢P(guān)系錯(cuò)誤等。在一些地形復(fù)雜的區(qū)域，如山區(qū)或河流附近，由于GNSS信號受到地形干擾，導(dǎo)致軌跡數(shù)據(jù)的定位精度下降，從而使得構(gòu)建的道路網(wǎng)絡(luò)在這些區(qū)域出現(xiàn)位置偏差。在一些道路改擴(kuò)建區(qū)域，由于實(shí)際道路的變化未能及時(shí)反映在軌跡數(shù)據(jù)中，導(dǎo)致構(gòu)建的道路網(wǎng)絡(luò)在拓?fù)潢P(guān)系上出現(xiàn)錯(cuò)誤。綜合各項(xiàng)評價(jià)指標(biāo)的結(jié)果，本研究提出的基于車行GNSS軌跡數(shù)據(jù)的道路網(wǎng)絡(luò)構(gòu)建方法在整體上具有一定的有效性和可靠性，但仍存在一些不足之處。針對這些問題，后續(xù)可從以下幾個(gè)方面進(jìn)行改進(jìn)和優(yōu)化：針對軌跡數(shù)據(jù)稀疏導(dǎo)致的道路信息缺失問題，可以進(jìn)一步擴(kuò)大數(shù)據(jù)采集范圍，增加數(shù)據(jù)采集的時(shí)間跨度，提高軌跡數(shù)據(jù)的密度；同時(shí)，引入其他數(shù)據(jù)源，如遙感影像、地圖數(shù)據(jù)等，與GNSS軌跡數(shù)據(jù)進(jìn)行融合，以補(bǔ)充和完善道路信息。在城市邊緣地帶和交通樞紐銜接處等連通性較差的區(qū)域，可以加強(qiáng)道路規(guī)劃和建設(shè)，優(yōu)化交通組織，提高節(jié)點(diǎn)之間的連通性；在道路網(wǎng)絡(luò)構(gòu)建過程中，加強(qiáng)對這些特殊區(qū)域的分析和處理，采用更合理的算法和策略，確保節(jié)點(diǎn)之間的正確連接。為了提高道路網(wǎng)絡(luò)的準(zhǔn)確性，在數(shù)據(jù)采集階段，采用更先進(jìn)的GNSS設(shè)備和定位技術(shù)，提高軌跡數(shù)據(jù)的定位精度；在數(shù)據(jù)處理和道路網(wǎng)絡(luò)構(gòu)建過程中，加強(qiáng)對誤差的分析和校正，采用更精確的算法和模型，減少位置偏差和拓?fù)潢P(guān)系錯(cuò)誤的出現(xiàn)。通過對構(gòu)建結(jié)果的深入分析和討論，明確了研究方法的優(yōu)勢和不足，為進(jìn)一步改進(jìn)和完善道路網(wǎng)絡(luò)構(gòu)建方法提供了方向，有助于提高道路網(wǎng)絡(luò)構(gòu)建的質(zhì)量和精度，更好地滿足智能交通系統(tǒng)的應(yīng)用需求。五、基于車行GNSS軌跡數(shù)據(jù)的道路網(wǎng)絡(luò)增強(qiáng)方法5.1幾何信息增強(qiáng)利用軌跡數(shù)據(jù)補(bǔ)充道路弧段的曲率、坡度等幾何信息，能夠顯著完善道路細(xì)節(jié)，為交通分析和應(yīng)用提供更為精確的基礎(chǔ)數(shù)據(jù)。在曲率信息補(bǔ)充方面，通過分析軌跡點(diǎn)的坐標(biāo)變化，可以計(jì)算出道路弧段在不同位置的曲率。假設(shè)軌跡點(diǎn)序列為P=\{p_1,p_2,\cdots,p_n\}，對于相鄰的三個(gè)軌跡點(diǎn)p_i(x_i,y_i)、p_{i+1}(x_{i+1},y_{i+1})和p_{i+2}(x_{i+2},y_{i+2})，可以利用三點(diǎn)圓法計(jì)算這三個(gè)點(diǎn)所確定的圓的半徑R，進(jìn)而得到該段道路弧段的曲率k=\frac{1}{R}。具體計(jì)算過程如下：首先計(jì)算三角形首先計(jì)算三角形\trianglep_ip_{i+1}p_{i+2}的邊長：a=\sqrt{(x_{i+1}-x_i)^2+(y_{i+1}-y_i)^2}b=\sqrt{(x_{i+2}-x_{i+1})^2+(y_{i+2}-y_{i+1})^2}c=\sqrt{(x_{i+2}-x_i)^2+(y_{i+2}-y_i)^2}然后根據(jù)海倫公式計(jì)算三角形的面積S：s=\frac{a+b+c}{2}S=\sqrt{s(s-a)(s-b)(s-c)}最后根據(jù)公式R=\frac{abc}{4S}計(jì)算圓的半徑，從而得到曲率k=\frac{1}{R}。通過對軌跡數(shù)據(jù)中多個(gè)相鄰三點(diǎn)組的計(jì)算，可以得到道路弧段不同位置的曲率信息，進(jìn)而描繪出道路的彎曲程度。在一段彎曲的盤山公路上，通過對軌跡數(shù)據(jù)的計(jì)算，可以準(zhǔn)確得到每個(gè)路段的曲率變化，清晰地展示出道路的蜿蜒特性。這些曲率信息對于車輛的行駛安全和駕駛體驗(yàn)具有重要意義。在自動(dòng)駕駛系統(tǒng)中，車輛可以根據(jù)道路的曲率信息提前調(diào)整行駛速度和轉(zhuǎn)向角度，確保行駛的平穩(wěn)和安全。對于駕駛員來說，了解道路的曲率情況可以提前做好駕駛準(zhǔn)備，避免因道路突然彎曲而導(dǎo)致的駕駛失誤。在坡度信息補(bǔ)充方面，結(jié)合軌跡數(shù)據(jù)中的高度信息（如果GNSS設(shè)備支持獲取高度數(shù)據(jù)）以及軌跡點(diǎn)的坐標(biāo)，可以計(jì)算出道路弧段的坡度。假設(shè)相鄰軌跡點(diǎn)p_i(x_i,y_i,z_i)和p_{i+1}(x_{i+1},y_{i+1},z_{i+1})，坡度i的計(jì)算公式為：i=\frac{z_{i+1}-z_i}{\sqrt{(x_{i+1}-x_i)^2+(y_{i+1}-y_i)^2}}\times100\%其中，分子z_{i+1}-z_i表示兩點(diǎn)之間的高度差，分母\sqrt{(x_{i+1}-x_i)^2+(y_{i+1}-y_i)^2}表示兩點(diǎn)之間的水平距離。通過對軌跡數(shù)據(jù)中相鄰軌跡點(diǎn)的計(jì)算，可以得到道路弧段不同位置的坡度信息。在山區(qū)道路中，通過對軌跡數(shù)據(jù)的分析，可以準(zhǔn)確獲取每個(gè)路段的坡度情況，這對于車輛的動(dòng)力系統(tǒng)和制動(dòng)系統(tǒng)的控制至關(guān)重要。在車輛爬坡時(shí)，根據(jù)坡度信息，發(fā)動(dòng)機(jī)可以調(diào)整輸出功率，以保證車輛有足夠的動(dòng)力；在車輛下坡時(shí)，制動(dòng)系統(tǒng)可以根據(jù)坡度大小合理調(diào)整制動(dòng)力，確保車輛安全行駛。此外，坡度信息對于交通規(guī)劃和道路設(shè)計(jì)也具有重要參考價(jià)值。在規(guī)劃新的道路時(shí)，設(shè)計(jì)師可以根據(jù)地形的坡度情況，合理設(shè)計(jì)道路的坡度，以滿足車輛行駛的安全和舒適性要求。對于現(xiàn)有的道路，通過對坡度信息的分析，可以評估道路的使用狀況，及時(shí)發(fā)現(xiàn)坡度不合理的路段，進(jìn)行改造和優(yōu)化。5.2語義信息增強(qiáng)根據(jù)車輛行駛行為，添加道路的功能分類、限速等語義信息，能夠極大地豐富道路網(wǎng)絡(luò)的內(nèi)涵，提升其在交通管理、導(dǎo)航等領(lǐng)域的應(yīng)用價(jià)值。在道路功能分類方面，利用機(jī)器學(xué)習(xí)算法，結(jié)合軌跡數(shù)據(jù)中的速度、時(shí)間間隔、行駛方向等特征，對道路進(jìn)行準(zhǔn)確的功能分類。采用支持向量機(jī)（SVM）算法，將道路分為高速公路、主干道、次干道、支路等不同類型。SVM算法通過尋找一個(gè)最優(yōu)的分類超平面，將不同類別的數(shù)據(jù)點(diǎn)分開。在訓(xùn)練過程中，收集大量已知功能分類的道路軌跡數(shù)據(jù)作為訓(xùn)練樣本，提取這些樣本的特征向量，如平均速度、速度標(biāo)準(zhǔn)差、時(shí)間間隔的均值和方差、行駛方向的變化頻率等。對于高速公路，車輛行駛速度通常較高且相對穩(wěn)定，平均速度可能在80-120千米/小時(shí)，速度標(biāo)準(zhǔn)差較??；而在支路上，車輛行駛速度較低，且受路況和交通信號燈影響，速度變化較大，平均速度可能在20-40千米/小時(shí)，速度標(biāo)準(zhǔn)差較大。將這些特征向量輸入到SVM模型中進(jìn)行訓(xùn)練，得到一個(gè)能夠準(zhǔn)確分類道路功能的模型。在實(shí)際應(yīng)用中，提取待分類道路軌跡數(shù)據(jù)的特征向量，輸入到訓(xùn)練好的SVM模型中，模型即可輸出該道路的功能分類結(jié)果。通過準(zhǔn)確的道路功能分類，交通管理部門可以根據(jù)不同類型道路的特點(diǎn)，制定相應(yīng)的交通管理策略。對于高速公路，可以加強(qiáng)對超速行駛的監(jiān)管，保障行車安全；對于主干道和次干道，可以優(yōu)化交通信號燈的配時(shí)，提高道路的通行能力；對于支路，可以合理規(guī)劃停車區(qū)域，改善交通秩序。在限速信息推斷方面，通過分析軌跡數(shù)據(jù)中車輛的速度分布情況，結(jié)合道路的類型和周邊環(huán)境等信息，推斷出道路的限速值。在一段軌跡數(shù)據(jù)中，統(tǒng)計(jì)車輛在該路段上的速度分布，計(jì)算速度的均值、中位數(shù)、最大值和最小值等統(tǒng)計(jì)量。如果大部分車輛在該路段上的行駛速度集中在某個(gè)范圍內(nèi)，且該范圍與某類道路的常見限速范圍相符，則可以初步推斷該路段的限速值。在一段城市主干道的軌跡數(shù)據(jù)中，統(tǒng)計(jì)得到車輛的平均速度為50千米/小時(shí)，大部分車輛的速度在40-60千米/小時(shí)之間，結(jié)合城市主干道的一般限速標(biāo)準(zhǔn)，推斷該路段的限速值為60千米/小時(shí)。同時(shí)，還可以結(jié)合道路的坡度、曲率等幾何信息以及周邊的交通設(shè)施和環(huán)境因素，對限速值進(jìn)行進(jìn)一步的修正和驗(yàn)證。在一段坡度較大的道路上，由于車輛行駛需要克服重力作用，速度會相對較低，即使該道路在地圖上標(biāo)注為次干道，其實(shí)際限速值也可能會低于次干道的一般限速標(biāo)準(zhǔn)。通過綜合考慮這些因素，可以更準(zhǔn)確地推斷道路的限速值。準(zhǔn)確的限速信息對于駕駛員來說至關(guān)重要，可以幫助他們遵守交通規(guī)則，避免超速罰款，同時(shí)也有助于提高道路的交通安全水平。在智能駕駛系統(tǒng)中，限速信息可以作為重要的決策依據(jù)，控制車輛的行駛速度，確保行駛安全。5.3動(dòng)態(tài)信息更新實(shí)時(shí)更新道路網(wǎng)絡(luò)的交通流量、擁堵狀況等動(dòng)態(tài)信息，對于提高道路網(wǎng)絡(luò)的時(shí)效性和實(shí)用性具有重要意義，能夠?yàn)榻煌ü芾怼⒊鲂幸?guī)劃等提供及時(shí)、準(zhǔn)確的信息支持。在交通流量監(jiān)測方面，通過對大量車行GNSS軌跡數(shù)據(jù)的實(shí)時(shí)分析，可以準(zhǔn)確獲取不同道路路段在各個(gè)時(shí)間段的交通流量信息。假設(shè)在某一時(shí)間段內(nèi)，對某條道路上的N輛車的GNSS軌跡數(shù)據(jù)進(jìn)行分析，通過統(tǒng)計(jì)這些車輛在該道路上的行駛軌跡數(shù)量，即可得到該時(shí)間段內(nèi)該道路的交通流量。每輛車的軌跡數(shù)據(jù)包含時(shí)間戳和位置信息，通過時(shí)間戳可以確定車輛在該道路上的行駛時(shí)間范圍，從而統(tǒng)計(jì)出在該時(shí)間段內(nèi)經(jīng)過該道路的車輛總數(shù)。為了更精確地分析交通流量的變化趨勢，還可以將時(shí)間劃分為更小的時(shí)間間隔，如每5分鐘或10分鐘為一個(gè)時(shí)間間隔，分別統(tǒng)計(jì)每個(gè)時(shí)間間隔內(nèi)的交通流量。通過對不同時(shí)間段交通流量的統(tǒng)計(jì)和分析，可以繪制出交通流量隨時(shí)間變化的曲線，直觀地展示交通流量的變化規(guī)律。在工作日的早晚高峰時(shí)段，城市主干道的交通流量通常會明顯增加，而在非高峰時(shí)段，交通流量則相對較低。通過對這些規(guī)律的掌握，交通管理部門可以根據(jù)不同時(shí)間段的交通流量情況，合理調(diào)整交通信號燈的配時(shí)，優(yōu)化交通信號控制策略，以提高道路的通行能力，緩解交通擁堵。在擁堵狀況判斷方面，利用軌跡數(shù)據(jù)中的速度信息和時(shí)間間隔信息，結(jié)合交通擁堵判斷模型，可以實(shí)時(shí)準(zhǔn)確地判斷道路的擁堵狀況。通常情況下，當(dāng)?shù)缆飞宪囕v的平均行駛速度低于一定閾值，且行駛時(shí)間間隔明顯增大時(shí)，可以認(rèn)為該道路處于擁堵狀態(tài)。假設(shè)某條道路的正常平均行駛速度為v_{normal}，當(dāng)通過軌跡數(shù)據(jù)計(jì)算得到的該道路上車輛的平均行駛速度v_{current}滿足v_{current}\lt\alphav_{normal}（\alpha為設(shè)定的速度閾值系數(shù)，一般取值在0.5-0.7之間，具體數(shù)值可根據(jù)道路類型和實(shí)際交通情況進(jìn)行調(diào)整），且相鄰軌跡點(diǎn)之間的平均時(shí)間間隔t_{interval}大于正常時(shí)間間隔t_{normal}的\beta倍（\beta為設(shè)定的時(shí)間間隔閾值系數(shù)，一般取值在1.5-2.5之間）時(shí)，則判斷該道路處于擁堵狀態(tài)。在城市中心區(qū)域的某條道路上，正常情況下車輛的平均行駛速度為50千米/小時(shí)，平均時(shí)間間隔為1秒。當(dāng)監(jiān)測到該道路上車輛的平均行駛速度降至20千米/小時(shí)，平均時(shí)間間隔延長至3秒時(shí)，根據(jù)上述判斷模型，即可判斷該道路處于擁堵狀態(tài)。為了更準(zhǔn)確地描述擁堵程度，可以將擁堵狀況分為輕度擁堵、中度擁堵和重度擁堵三個(gè)級別。根據(jù)車輛的平均行駛速度和時(shí)間間隔的具體數(shù)值，結(jié)合預(yù)先設(shè)定的擁堵級別劃分標(biāo)準(zhǔn)，確定道路的擁堵級別。當(dāng)平均行駛速度在30-40千米/小時(shí)，時(shí)間間隔在1.5-2秒之間時(shí)，可判斷為輕度擁堵；當(dāng)平均行駛速度在15-30千米/小時(shí)，時(shí)間間隔在2-3秒之間時(shí)，可判斷為中度擁堵；當(dāng)平均行駛速度低于15千米/小時(shí)，時(shí)間間隔大于3秒時(shí)，可判斷為重度擁堵。通過對道路擁堵狀況的實(shí)時(shí)判斷和準(zhǔn)確分級，可以為交通管理部門提供及時(shí)、詳細(xì)的交通信息，以便采取有效的交通疏導(dǎo)措施，如派遣交警現(xiàn)場指揮、發(fā)布交通擁堵預(yù)警信息等，引導(dǎo)車輛避開擁堵路段，提高道路的通行效率。同時(shí)，這些信息也可以為駕駛員提供實(shí)時(shí)的路況參考，幫助他們合理規(guī)劃出行路線，減少出行時(shí)間和燃油消耗。5.4案例分析：以上海市為例為進(jìn)一步驗(yàn)證基于車行GNSS軌跡數(shù)據(jù)的道路網(wǎng)絡(luò)增強(qiáng)方法的有效性和實(shí)用性，本研究以上海市為例，對該城市的道路網(wǎng)絡(luò)進(jìn)行增強(qiáng)實(shí)驗(yàn)，并詳細(xì)對比增強(qiáng)前后的道路網(wǎng)絡(luò)，直觀展示增強(qiáng)效果。上海市作為中國的經(jīng)濟(jì)中心和國際化大都市，擁有復(fù)雜且繁忙的道路網(wǎng)絡(luò)，包含了各種類型的道路，如城市快速路、主干道、次干道、支路以及眾多的小巷弄堂。本研究收集了上海市2023年7月1日至7月31日期間約15000輛出租車和4000輛公交車的GNSS軌跡數(shù)據(jù)。這些數(shù)據(jù)由高精度的GNSS設(shè)備以每秒1次的頻率采集，確保了數(shù)據(jù)的高時(shí)間分辨率和豐富的細(xì)節(jié)信息。在幾何信息增強(qiáng)方面，通過對軌跡數(shù)據(jù)的深入分析，成功補(bǔ)充了道路弧段的曲率和坡度信息。在上海市的延安路高架路段，利用三點(diǎn)圓法對軌跡點(diǎn)進(jìn)行計(jì)算，得到了該路段不同位置的曲率信息。經(jīng)計(jì)算，在一些彎道處，曲率值較大，表明道路彎曲程度較高；而在直線段，曲率值接近0，道路較為筆直。這些曲率信息能夠?yàn)樽詣?dòng)駕駛車輛提供精確的道路幾何信息，幫助車輛提前規(guī)劃行駛路徑，確保行駛的平穩(wěn)和安全。在坡度信息補(bǔ)充上，對于寶山地區(qū)一些地形起伏較大的道路，結(jié)合軌跡數(shù)據(jù)中的高度信息和坐標(biāo)信息，計(jì)算出了道路弧段的坡度。例如，在某段連接寶山城區(qū)與郊區(qū)的道路上，通過計(jì)算得到該路段部分區(qū)域的坡度達(dá)到了5%，這對于車輛的動(dòng)力系統(tǒng)和制動(dòng)系統(tǒng)的控制具有重要參考價(jià)值，車輛可以根據(jù)坡度信息實(shí)時(shí)調(diào)整動(dòng)力輸出和制動(dòng)力度，提高行駛的安全性和效率。在語義信息增強(qiáng)方面，利用支持向量機(jī)（SVM）算法，結(jié)合軌跡數(shù)據(jù)中的速度、時(shí)間間隔、行駛方向等特征，對道路進(jìn)行了準(zhǔn)確的功能分類。通過大量的訓(xùn)練和驗(yàn)證，將道路分為高速公路、主干道、次干道、支路等不同類型。在上海市的內(nèi)環(huán)高架路，根據(jù)其車輛行駛速度高且穩(wěn)定，平均速度在80千米/小時(shí)左右，速度標(biāo)準(zhǔn)差較小，以及行駛方向相對單一等特征，準(zhǔn)確地將其分類為高速公路。而對于一些狹窄且車輛行駛速度較低、受路口信號燈影響較大的道路，如田子坊周邊的支路，根據(jù)其平均速度在25千米/小時(shí)左右，速度變化較大，以及行駛方向頻繁改變等特征，將其分類為支路。在限速信息推斷上，通過分析軌跡數(shù)據(jù)中車輛的速度分布情況，結(jié)合道路的類型和周邊環(huán)境等信息，推斷出了道路的限速值。在南京路步行街附近的主干道，通過統(tǒng)計(jì)車輛的速度分布，發(fā)現(xiàn)大部分車輛的行駛速度在40-50千米/小時(shí)之間，結(jié)合該區(qū)域的道路類型和行人流量等因素，推斷該路段的限速值為50千米/小時(shí)。在動(dòng)態(tài)信息更新方面，通過對大量車行GNSS軌跡數(shù)據(jù)的實(shí)時(shí)分析，實(shí)現(xiàn)了對道路網(wǎng)絡(luò)交通