众源轨迹信息与基础道路网数据一致性融合方法研究

The crowdsourcing trajectory information is a new type of geographic data with abundant semantic knowledge, time-sensitive, and open access. Since the open and public characteristics, the crowdsourcing trajectory data is also facing the quality problems such as high noise, incompleteness, and features are implied. Considering situations above, it is required to integrate the crowdsourcing trajectory information into the professional geographic dataset. Focusing on the typical features such as road network, facility points of interest, and traffic semantic information implied in trajectories, this proposal aims to develop method of consistency integration between the crowdsourcing trajectory data and the fundamental road network data, by following steps of noise reduction and simplification, feature extraction, feature matching and fusion, and consistency maintenance. Firstly, we will propose new feature extraction methods of trajectory data, which try their best to combine different spatio-temporal context factors. Facing the quality problems of crowdsourcing trajectory data and uncertainty on feature extraction, the project then tries to develop a robust matching approach and data harmonization models between the extracted features and the fundamental road data. Lastly, we will design models to detect and correct the inconsistencies deeply implied in the result data using the knowledge of geography and other special domains. This study can improve the quality and application values of the crowdsourcing trajectory information. It is also beneficial for spatial data updating and traffic navigation service.

众源轨迹信息具有人文社会知识丰富、时效性强、免费获取等优势。然而，操作开放、公众化特点导致该类型数据存在噪声高、完整性不足、特征非显式表达等质量问题，为充分挖掘其潜在价值，亟需与专业基础地理数据融合形成优势互补。为此，本研究围绕道路分布、设施兴趣点、交通语义等众源轨迹隐含的典型特征，以“降噪简化→特征提取→匹配融合→一致性维护”为研究主线，发展众源轨迹信息与基础道路网数据一致性融合理论与方法。主要研究内容包括：将移动特征与几何形态相结合，发展顾及时/空多重上下文因子的轨迹数据隐含特征提取模型；面对轨迹数据质量缺陷以及特征提取过程带来的不确定性，研究稳健的特征匹配方法和优化的几何位置融合模型；针对融合后存在的大量深层次空间/语义逻辑冲突，利用空间分布及专业领域知识构建一致性关系检测与改正方法。本项目研究成果能够提升众源轨迹信息质量与应用价值，对空间数据更新、交通导航服务等领域有积极意义。

通过车辆、手机等内置定位设备记录并上传的轨迹数据已经成为时空大数据的重要组成部分。该类型数据资源不仅记录了车辆、行人等移动对象的时空位置信息，还蕴含了道路分布、交通条件（如车流量、通行限制）、设施兴趣点（如加油站、停车场）以及人流和车流的时空交互关系等人文社会信息。本项目开展众源轨迹信息与基础地理数据间的一致性融合研究，对于基础地理数据的更新和信息增强具有积极价值。该基金项目执行四年以来，按照任务书制定的计划开展研究工作，覆盖了各项研究内容。主要研究成果包括：（1）发展了时空特征高保真的轨迹数据压缩简化方法，并建立欧式空间和网络空间两种不同的压缩算法，为后续轨迹数据计算分析的高效性提供了保障；（2）研究了机器学习支持下的轨迹数据特征分析方法，将深度学习应用于轨迹数据隐含的车辆行为模式分析工作，实现了对道路交叉口等复杂道路结构的精确提取与建模；（3）基于图卷积神经网络建立了立交桥等复杂道路结构的自动模式识别模型，为轨迹数据提取特征与现有道路数据间的稳健匹配与结构特征保持的信息融合提供了重要支撑；（4）提出了基于对称性规则的双线道路冲突探测与一致性改正方法，为道路要素体系内的一致性维护提供了新的解决思路；建立了基于空间关联规则的跨要素类目标冲突探测与一致性改正方法，突破了道路与房屋等要素间的一致性关系协调难题；（5）针对融合后道路目标与周围居民地等其它类型目标间存在的尺度表达不一致问题，运用最新人工智能技术建立了自适应的尺度变换算子（包括化简、合并等），突破传统方法依赖人工选择算法和设置参数的难题。研究论文发表在International Journal of Geographical Information Science、Cartography and Geographic Information Science、测绘学报等国内外主流期刊，并在国内外重要学术会议上作口头报告，联合培养了2名博士生，硕士生毕业5人，另有3名硕士生和1名博士研究生在读，部分研究成果支撑了测绘科技进步一等奖。本项目研究工作达到了预期目标。