transbigdata 笔记: 官方文档示例3:车辆轨迹数据处理

发布时间:2024年01月16日

1 读取数据+ 轨迹数据质量分析

这一部分和

transbigdata笔记:data_summary 轨迹数据质量/采样间隔分析-CSDN博客?的举例是一样的

import pandas as pd
import geopandas as gpd
import transbigdata as tbd


data = pd.read_csv('Downloads/TaxiData-Sample.csv', 
                   names=['VehicleNum', 'Time', 'Lng', 'Lat', 'OpenStatus', 'Speed'])
data

data['Time'] = pd.to_datetime(data['Time'])
data

tbd.data_summary(data,
                 col=['VehicleNum','Time'],
                show_sample_duration=True)

2 清除冗余点

这一个函数的详细用法可见:transbigdata笔记:数据预处理-CSDN博客

data=tbd.traj_clean_redundant(data,col=['VehicleNum','Time','Lng','Lat'])
data

3 清理不在研究区域的记录

transbigdata 笔记:官方文档案例1(出租车GPS数据处理)-CSDN博客?和这边的是一样的

sz = gpd.read_file('Downloads/sz.json')
sz.plot();

data=tbd.clean_outofshape(data,sz,col=['Lng','Lat'],accuracy=500)
data

4?清理研究区域内的轨迹漂移

transbigdata笔记:清理研究区域内的轨迹漂移-CSDN博客

data=tbd.traj_clean_drift(data,
                         col=['VehicleNum','Time','Lng','Lat'])
data

5?轨迹停止点和行程提取

transbigdata笔记:轨迹停止点和行程提取-CSDN博客

stay,move=tbd.traj_stay_move(data,
                            params,
                            col=['VehicleNum','Time','Lng','Lat'])
stay

停留状态开始时间、对应栅格编号、停留状态结束时间、轨迹所在位置、持续时间


move

?开始栅格、开始位置、结束位置、结束栅格

6 轨迹切片

transbigdata笔记:轨迹切片-CSDN博客

stay_points=tbd.traj_slice(data,
                          stay,
                          traj_col=['VehicleNum','Time'],
                          slice_col=['VehicleNum','stime', 'etime', 'stayid'])
stay_points

move_points=tbd.traj_slice(data,
                          move,
                          traj_col=['VehicleNum','Time'],
                          slice_col=['VehicleNum','stime', 'etime', 'moveid'])
move_points

7 轨迹密集化?

transbigdata 笔记: 轨迹密集化/稀疏化 & 轨迹平滑-CSDN博客

move_points_d2=tbd.traj_densify(move_points,
                              col=['moveid','Time','Lng','Lat'],
                              timegap=29)

每timegap秒有一个记录,用pandas的interpolate(method为index)实现

原来采样频率不是timegap的倍数,怎么办呢

move_points_d[move_points_d['moveid']==0.0].head(30)

通过结果(包括源码)可以发现,从move_points的最早的时刻开始,每timegap时刻就会有一条记录,和原先的记录一并存在【换句话说,至多每隔timegap秒都有一个轨迹点】

8 轨迹 稀疏化

transbigdata 笔记: 轨迹密集化/稀疏化 & 轨迹平滑-CSDN博客

move_points_s=tbd.traj_sparsify(move_points,
                               col=['moveid','Time','Lng','Lat'],
                               timegap=30,
                               method='subsample')

如果method是subsample,那么选取[t,t+subsample)这个时间段内第一次出现的记录,丢弃其他记录,如果某一个[t,t+subsample)时间段内没有数据,不用补值

如果method是interpolate的,那么就是从最开始的位置开始,每subsample秒 用pandas的interpolate方法插一个值,舍弃所有不在整subsample秒的原始记录

9 轨迹平滑

transbigdata 笔记: 轨迹密集化/稀疏化 & 轨迹平滑-CSDN博客

move_points_smooth=tbd.traj_smooth(move_points,
                                col=['VehicleNum','Time','Lng','Lat'],
                                process_noise_std=0.1,
                                measurement_noise_std=0.1)

文章来源:https://blog.csdn.net/qq_40206371/article/details/135630400
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。