GPS 轨迹栅格化方法的性能评估
本文提出了一种基于变压器的道路网络增强轨迹恢复框架 (RNTrajRec)，其中使用 GridGNN 学习每个道路段的嵌入特征，GPSFormer 学习丰富的空间和时间特征以及一个子图生成模块来捕获轨迹中每个 GPS 点的空间特征，在三个大规模真实轨迹数据集上的实验证实了我们方法的有效性。
Nov, 2022
使用稀疏 GPS 数据点及其相关的地形和道路设计特征，我们在缺乏交通数据的区域提出了一个解决方案来预测速度。通过创建一个基于地形聚类道路的以时间为导向的速度字典，我们展示了对新的和标准回归方法的定性和定量改进。这个框架为缺失数据交通分析提供了全新的视角。
Feb, 2024
本文提出了一种基于 lstm-autoencoder 的 GPS 轨迹压缩与重构方法，并使用游戏和真实数据集进行了评估，结果表明该方法在离散 Fréchet 距离和动态时间扭曲方面优于 Douglas-Peucker。
Jan, 2023
本文介绍了一种使用出租车 GPS 数据定量测量交通系统弹性的方法，通过计算城市各个区域之间的历史速度分布并测量异常事件期间的速度偏差，该方法应用于纽约市近 7 亿辆出租车的数据集，可用于分析与飓风桑迪相关的交通基础设施弹性，该分析表明飓风桑迪影响交通状况超过 5 天，每英里最高时延为 2 分钟，并可潜在地用作在线监测工具。
Jul, 2015
使用 DBSCAN 算法对 GPS 轨迹数据中的停留点进行聚类处理，从而去除冗余数据，提高地图匹配算法的效率和处理速度。该方法相较于基于模糊逻辑的地图匹配方法，可以降低 27.39％的数据量和 8.9％的处理时间，且取得相同的精确匹配结果。
Aug, 2022
通过使用自我监督技术，提出了一种基于联合 GPS 和路线建模的新型表示学习框架 JGRM，该框架考虑了 GPS 轨迹和路线作为单个运动观察的两种模式，并通过跨模态的信息交互来融合信息。通过构建两个编码器来捕捉路线和 GPS 轨迹的表征，并将两种模式的表征输入到共享的 Transformer 进行交互。通过三个自我监督任务来训练模型，实验证明 JGRM 在道路段表示和轨迹表示任务中优于现有方法。
Feb, 2024
本文提出了一种基于 CRESIv2 方法的城市级别道路提取和路线计算方法，该方法包含语义特征识别以及道路速度限制和行车时间的计算，旨在优化路线计算而非简单的最短路径距离。实验证明，该方法在使用 SpaceNet 数据集的训练和测试数据时优于使用 OpenStreetMap 标签的方法 60% 以上，并通过度量平均路径长度相似度（APLS）和地图拓扑（TOPO）等指标对算法的性能进行了评估。
Aug, 2019
本文介绍了一种自我监督的地理位置表示学习技术，使用无标注的 GPS 轨迹学习地理位置的语义特征并为地理计算机视觉任务提供特征表示，通过将 GPS 轨迹建模为地球表面的一些节点或像素，使用卷积、收缩自编码器学习压缩地理位置的可达性嵌入并取得了显著性能提升。
Oct, 2022
数据科学与地理信息系统的结合为完整的空间分析平台提供了发展的可能性，采用机器学习和大数据技术使得这些平台能够处理更大规模、越来越复杂的数据，超越了传统方法的局限性。本研究追踪了数据科学和地理信息系统作为研究领域的历史和技术演变，强调了领域之间的关键交叉点，并突出了许多依赖于这种整合的领域。我们通过在葡萄牙特洛伊使用航拍数据的灾害管理领域的案例研究，阐明了从原始数据中提取见解的过程。最后，我们概述了未来在这些领域整合以及所开发应用的研究前景。
Apr, 2024