交通時空大數(shù)據(jù)詳解：車輛軌跡數(shù)據(jù)分析、挖掘與可視化（Python版）

基礎(chǔ)應用篇
第1章 車輛軌跡數(shù)據(jù)概述 2
1.1　車輛軌跡數(shù)據(jù)的基本特征 2
1.1.1　個體 3
1.1.2　時間 3
1.1.3　空間 3
1.1.4　其他信息 4
1.2　車輛軌跡數(shù)據(jù)的采集原理 4
1.2.1　基于車載GPS或手機GPS定位技術(shù) 5
1.2.2　基于無人機或高層建筑固定攝像頭視頻識別技術(shù) 6
1.2.3　基于車牌識別技術(shù) 6
1.2.4　基于電子不停車收費系統(tǒng) 7
1.2.5　不同采集原理的車輛軌跡數(shù)據(jù)特征比較 7
1.3　開源車輛軌跡數(shù)據(jù)集簡介 8
1.4　本書的技術(shù)體系 9
1.4.1　Python數(shù)據(jù)分析生態(tài) 9
1.4.2　Pandas數(shù)據(jù)處理 10
1.4.3　GeoPandas與空間數(shù)據(jù)處理 11
1.4.4　TransBigData交通時空大數(shù)據(jù)處理、分析與可視化工具 12
第2章 車輛軌跡數(shù)據(jù)的預處理 13
2.1　車輛軌跡數(shù)據(jù)的讀取與存儲 13
2.1.1　數(shù)據(jù)的讀取 13
2.1.2　數(shù)據(jù)的存儲 14
2.1.3　多個數(shù)據(jù)文件的讀取與合并 15
2.1.4　軌跡數(shù)據(jù)的分塊存儲 16
2.1.5　軌跡數(shù)據(jù)的分布式處理（Dask） 17
2.2　車輛軌跡數(shù)據(jù)的質(zhì)量分析 19
2.2.1　數(shù)據(jù)質(zhì)量分析的關(guān)注要點 19
2.2.2　字段的取值與缺失分析 20
2.2.3　數(shù)據(jù)的質(zhì)量分析 23
2.3　車輛軌跡數(shù)據(jù)的數(shù)據(jù)清洗 29
2.3.1　數(shù)據(jù)的缺失值補全 30
2.3.2　數(shù)據(jù)的冗余剔除 30
2.3.3　數(shù)據(jù)的漂移清洗 32
2.4　車輛軌跡數(shù)據(jù)的平滑處理 38
2.4.1　卡爾曼濾波的基本原理 38
2.4.2　基于卡爾曼濾波的軌跡數(shù)據(jù)平滑處理 42
2.4.3　軌跡平滑適用場景的討論 46
2.5　車輛軌跡數(shù)據(jù)的增密與稀疏化 47
2.5.1　軌跡的增密 47
2.5.2　軌跡的稀疏化 49
2.6　車輛軌跡數(shù)據(jù)的坐標轉(zhuǎn)換 51
2.6.1　地理坐標系與投影坐標系的坐標轉(zhuǎn)換 51
2.6.2　地理坐標系與火星坐標系的坐標轉(zhuǎn)換 52
2.7　車輛軌跡數(shù)據(jù)的柵格化 53
2.7.1　為什么要柵格化 53
2.7.2　軌跡柵格化的方法 54
2.7.3　TransBigData實現(xiàn)軌跡柵格化 57
2.8　車輛軌跡數(shù)據(jù)的停車與出行識別 59
2.8.1　停車識別方法 59
2.8.2　出行識別方法 61
2.9　車輛軌跡數(shù)據(jù)的切片與分段 64
2.9.1　軌跡的切片 64
2.9.2　軌跡的分段 66
2.9.3　計算軌跡長度 68
2.10　車輛軌跡數(shù)據(jù)預處理方法小結(jié) 72
第3章 車輛軌跡數(shù)據(jù)的可視化 76
3.1　基于Matplotlib的地圖可視化 76
3.1.1　車輛軌跡數(shù)據(jù)的散點圖繪制 76
3.1.2　車輛軌跡數(shù)據(jù)的柵格圖繪制 79
3.1.3　車輛軌跡數(shù)據(jù)的熱力圖繪制 81
3.2　基于WebGIS的在線可視化工具 92
3.2.1　KeplerGL數(shù)據(jù)分布可視化 93
3.2.2　Mobmap動態(tài)軌跡可視化 95
3.2.3　ODview出行起終點可視化 96
3.3　在Python中實現(xiàn)的WebGIS交互式可視化 98
3.3.1　Folium實現(xiàn)軌跡數(shù)據(jù)可視化 98
3.3.2　TransBigData的車輛數(shù)據(jù)可視化 100
高級應用篇
第4章 車輛軌跡數(shù)據(jù)的路網(wǎng)匹配 104
4.1　基于OSMnx的路網(wǎng)數(shù)據(jù)獲取與處理 104
4.1.1　OSMnx簡介 104
4.1.2　路網(wǎng)數(shù)據(jù)獲取 105
4.1.3　路網(wǎng)數(shù)據(jù)的存儲形式與路網(wǎng)的自定義 110
4.1.4　路網(wǎng)的預處理 115
4.1.5　路網(wǎng)的最短路徑計算 118
4.1.6　路網(wǎng)處理小結(jié) 125
4.2　基于近鄰匹配的路網(wǎng)匹配 127
4.2.1　KDTree近鄰匹配 127
4.2.2　對軌跡數(shù)據(jù)進行路網(wǎng)的近鄰匹配 129
4.3　基于最短路徑的路網(wǎng)匹配 134
4.4　基于隱馬爾可夫模型的路網(wǎng)匹配 138
4.4.1　隱馬爾可夫模型 138
4.4.2　簡化的路網(wǎng)匹配隱馬爾可夫模型實現(xiàn) 140
4.4.3　基于leuvenmapmatching的路網(wǎng)匹配 146
4.5　路網(wǎng)匹配小結(jié) 152
第5章 車輛軌跡數(shù)據(jù)的排放計算 155
5.1　COPERT排放模型 155
5.1.1　COPERT模型簡介 155
5.1.2　COPERT污染物計算方法分類 155
5.1.3　排放的構(gòu)成 156
5.1.4　熱排放 157
5.1.5　冷啟動排放 158
5.1.6　CO2的排放計算 160
5.1.7　COPERT模型小結(jié) 161
5.2　車輛軌跡數(shù)據(jù)的排放計算 162
5.2.1　車輛出行信息的準備 162
5.2.2　基于車輛軌跡數(shù)據(jù)的排放計算 163
5.2.3　排放時空分布的整理 165
5.3　車輛排放的可視化 169
5.3.1　排放空間分布的可視化 169
5.3.2　排放時間分布的可視化 173
第6章 車輛軌跡數(shù)據(jù)的多智能體仿真 175
6.1　仿真模型的基本框架 175
6.1.1　仿真模型的整體設(shè)計 175
6.1.2　仿真時間與仿真步的管理 177
6.1.3　仿真信息的存儲 179
6.1.4　仿真模型框架小結(jié) 181
6.2　智能體的屬性與功能設(shè)計 183
6.2.1　環(huán)境智能體 183
6.2.2　車輛智能體 187
6.3　多智能體仿真的運行 193
6.3.1　代碼小結(jié)與小規(guī)模測試 193
6.3.2　軌跡的精細仿真 199
6.3.3　仿真模型的優(yōu)化建議 200
實戰(zhàn)案例篇
第7章 電動汽車GPS數(shù)據(jù)：充電需求識別 202
7.1　充電需求識別思路 202
7.2　數(shù)據(jù)預處理與出行停留信息識別 203
7.3　電動汽車的剩余電量估計 204
7.3.1　充電電量計算 205
7.3.2　出行能耗計算 208
7.3.3　剩余電量預測 208
7.4　電動汽車的充電需求分析 213
7.4.1　電動汽車個體剩余電量時變分析 213
7.4.2　充電站的負荷估計與分析 214
第8章 無人機航拍軌跡數(shù)據(jù)：車流交通波分析（NGSIM數(shù)據(jù)） 219
8.1　NGSIM數(shù)據(jù)的特征 219
8.2　NGSIM數(shù)據(jù)的預處理 220
8.2.1　數(shù)據(jù)篩選 220
8.2.2　基于QGIS的地圖處理與車輛軌跡定位 222
8.3　NGSIM數(shù)據(jù)的交通波識別 223
8.3.1　交通波簡介 223
8.3.2　交通波特征參數(shù)介紹 224
8.3.3　時空二維平面軌跡可視化 224
8.3.4　交通波特征參數(shù)提取及可視化 229
8.3.5　交通波特征分析案例 233
第9章 無人機航拍軌跡數(shù)據(jù)：路網(wǎng)運行狀態(tài)提取與分析（pNEUMA數(shù)據(jù)） 239
9.1　航拍軌跡數(shù)據(jù)特征 239
9.2　數(shù)據(jù)準備 240
9.2.1　數(shù)據(jù)壓縮 241
9.2.2　地圖數(shù)據(jù)加載 242
9.3　網(wǎng)絡(luò)交通狀態(tài)提取與分析 244
9.3.1　路段流量獲取 244
9.3.2　路段行程時間獲取 246
9.3.3　路段到路段行程時間 250
9.4　實戰(zhàn)應用：OD矩陣及路徑流量提取 251
9.4.1　OD矩陣提取 252
9.4.2　路徑流量提取 255