Como derivar caminhos de veículo a partir de dados de local com timestamp?

8

Eu tenho um monte de dados de localização para limpa-neves. Há um ID exclusivo para cada arado, carimbo de data e hora e coordenadas x e y.

Em vez de saber onde estavam as centenas de arados de rua em intervalos de um minuto, gostaria de saber quais ruas foram aradas.

Eu sei que existem maneiras de transformar pontos em polilinhas, mas alguém conhece um método para encaixar os pontos na grade da rua? Em outras palavras, de derivar caminhos de veículos que abraçam as ruas?

A razão pela qual acho que pontos de viragem para polilinhas provavelmente não é suficiente é porque só tenho dados de localização para cada arado a cada 60 segundos. Isso significa que não há pontos de coordenadas para quando os arados estavam girando em um determinado cruzamento, portanto, se você apenas desenhasse linhas entre os pontos, alguns deles cortariam blocos.

JPV
fonte
1
Este é um problema interessante. O negócio é que, entre 60 segundos, o arado pode passar por algumas ruas. Eu sugeriria conectar os pontos e cruzar aqueles com polilinhas, mas isso pode lhe dar um resultado absurdo, mostrando muito mais arado do que realmente ocorreu.
George Silva
1
Com que rapidez os arados de neve viajam? Quanto tempo duram as ruas que aram? Imaginando quantos segmentos de rua seriam perdidos entre os pontos.
Simbamangu 16/01
3
Os arados têm uma 'rota' em si?
Peludo

Respostas:

4

A abordagem usual consiste em duas etapas:

  1. Correspondência de mapa

    O processo de "encaixar" a localização do veículo nas geometrias das ruas. A abordagem trivial é encaixar a localização do veículo no ponto mais próximo da geometria da estrada mais próxima. (Existem abordagens mais sofisticadas, que eu tenho certeza que você pode pesquisar no Google facilmente.)

  2. Encaminhamento

    Após a correspondência do mapa, você pode rotear entre dois pontos sucessivos. Aqui, novamente, a abordagem mais fácil é encontrar o caminho mais curto. Esta rota pode indicar quais estradas foram aradas e quando.

underdark
fonte
2

Para o caso de correspondência de mapas com baixa taxa de amostragem, eu verificaria este artigo no qual os autores usam um banco de dados de trajetórias observadas anteriormente para ajudar a identificar 'caminhos prováveis'. Baseia-se na ideia de que as pessoas têm maior probabilidade de seguir caminhos populares.

Se você não possui dados disponíveis para uso, é fornecida uma abordagem mais simples neste documento para o mesmo problema (por exemplo, baixa taxa de amostragem). Embora eu ache que nunca tenha sido declarado explicitamente, os autores usam um modelo markov oculto e identificam o caminho mais provável. O modelo deles é bastante simples: as observações são normalmente distribuídas sobre um segmento de estrada, as transições entre estradas são baseadas em uma distância ponderada entre os segmentos.

Por fim, esta pergunta e suas respostas também podem ser do seu interesse.

usuario
fonte