GNSS轨迹数据的噪声挑战
随着智慧城市建设，GNSS轨迹数据呈爆炸式增长
轨迹生成易受信号干扰与传感器故障影响而产生噪声
噪声数据掺杂在轨迹中会引起偏差，影响研究结论的准确性
两类轨迹噪声点
大幅值噪声点
受误差幅度影响较大的噪声点
• 与正常点存在显著空间差异
• DBSCAN可以准确识别
• 容易检测和处理
小幅值噪声点
受误差幅度影响相对较小的噪声点
• 与正常点空间差异不显著
• DBSCAN识别能力较弱
• 需要更敏感的检测方法
现有DBSCAN方法的三大不足
小幅值检测困难
难以有效检测小幅值噪声点
转向点误判
易将轨迹转向点误判为噪声点
参数敏感性高
超参数选择对识别性能影响显著
创新一：基于密度矩阵的自适应DBSCAN
核心思想
将轨迹点映射至二维密度矩阵空间，通过卷积计算提取点间直接密度可达特征，实现噪声点精准判别
超参数无关
不依赖eps和minPts参数设定
敏感捕获
可敏感捕获低幅值噪声点
避免误判
避免连续转向点的误判
创新二：基于轨迹分段的函数构造式修复
轨迹分段
采用Douglas-Peucker（DP）算法压缩轨迹数据实现分段
函数构造
定位含噪声轨迹段，基于段内有效点构造拟合函数
噪声修复
依据相邻点时空属性修复噪声数据
方法核心优势
相较于主流插值方法的优势
通过规避全局特征依赖，显著保留了噪声点蕴含的局部信息特征
主流插值方法
• 拉格朗日插值
• 牛顿插值
• 埃尔米特插值
• 线性插值
• 三次样条插值
• 最近邻插值
本文方法特点
✓ 轨迹分段处理机制
✓ 基于局部特征建立拟合模型
✓ 利用相邻点时空信息
✓ 实现噪声点精确校正
✓ 增强局部轨迹动态建模能力