大数据提取路网

路网提取
一、 算法概述
本文算法是基于edelkamp和lilicao两位大牛的开源工程上优化实现的。开源工程是在: https://www.cs.uic.edu/bin/view/Bits/Software。但是算法仍然有很多问题，edelKamp会产生很多冗余Link，lilicao算法产生冗余Link更碎，在噪声比较大的数据表现不好。对此，我进行了改进。算法的输入输出都是mapinfo的tab文件格式。步骤如下：
1、 插入种子点
遍历每条轨迹，从起点开始每隔等间距（这里取50m）插入种子点，如图所示：

每个种子点除了位置信息，还会记录种子点的方向。这样插入的种子点可以有效地表示该条轨迹，避免了由于两个相邻轨迹点过远造成的后续合并时产生冗余Link，这里是否种子点间隔是否越短越好还有待验证。
同时在生成种子点的时候，还会进行合并，每个种子点生成时，还会搜索周边的种子点，如果距离小于间隔（同样是50米），且方向相差小于某个阈值(这里取25度)时，这两个种子点进行合并。合并的目的是减少种子点的数目，简化后续的运算量。

2、 聚类分析
生成种子点后，算法会依据类似于Kmeans的聚类算法进行位置纠正，首先找到种子点临近的轨迹，然后求轨迹与种子点垂直方向的交点，得到交点的位置及交点所在Edge的方向角（Edge是轨迹的线段集合，每两个轨迹点形成的线段称为Edge）。如图所示：

当种子点与交点Intersection point的距离Distance to closest trace小于某一阈值(这里取20m),且Cluster heading与Edge方向角相差不超过45度时（表示这一束轨迹来自于同一条道路），将交点加入种子点的trace points集合。然后根据trace points，重新计算种子点的位置和角度。重新计算后的种子点位置等于trace points集合的中心，角度等于所有与之相交的Edge角集合的平均值。
这一步是迭代进行的，与kmeans类似，反复移动种子点的位置，再根据新的种子点继续查找trace points，再次运算中心和角度，这个过程反复进行。直到位置不能再移动为止（小于某一阈值，这里取0.01米）。
经过这一步后，种子点落在了这束轨迹的中心位置，如图所示（绿色点是trace points， 红色点是种子点）：

3、 连接种子点
接下来，按顺序遍历轨迹上的种子点，在遍历种子点时同时进行剔除种子点、合并种子点，生成Link、剔除Link。步骤如下：
1、剔除种子点：如果该种子点包含的trace points过少，表示经过该种子点的轨迹太少，有可能是轨迹漂了，这时将种子点剔除掉。
2、合并种子点：搜索种子点周边的其他种子点，如果它们之间距离小于某一阈值（这里取50m），并且角度相差不超过某一阈值（这里取45度）时进行合并。
3、生成Link：当前一个种子点与当前种子点中间不存在最小路径小于某一阈值（这里取5）时，生成一条Link连接两个种子点，初始化该条Link的计数Volume为1，如果存在，则对这条最小路径所有Link的Volume都加1。这是为了防止冗余Link的产生，否则会产生小环路。
步骤如图所示，图中的trips即是种子点：

4、 生成路网
最后一步是生成路网，遍历第3步生成的Link，当Link计数Volume大于某一阈值（这里取3）时，表示经过该Link的轨迹较多，保留。最后形成的Link集合即为所求。
二、 算法效果
原始数据:

提取后:

附下载地址:代码下载