交通时空大数据详解：车辆轨迹数据分析、挖掘与可视化（Python版）

基础应用篇
第1章 车辆轨迹数据概述 2
1.1　车辆轨迹数据的基本特征 2
1.1.1　个体 3
1.1.2　时间 3
1.1.3　空间 3
1.1.4　其他信息 4
1.2　车辆轨迹数据的采集原理 4
1.2.1　基于车载GPS或手机GPS定位技术 5
1.2.2　基于无人机或高层建筑固定摄像头视频识别技术 6
1.2.3　基于车牌识别技术 6
1.2.4　基于电子不停车收费系统 7
1.2.5　不同采集原理的车辆轨迹数据特征比较 7
1.3　开源车辆轨迹数据集简介 8
1.4　本书的技术体系 9
1.4.1　Python数据分析生态 9
1.4.2　Pandas数据处理 10
1.4.3　GeoPandas与空间数据处理 11
1.4.4　TransBigData交通时空大数据处理、分析与可视化工具 12
第2章 车辆轨迹数据的预处理 13
2.1　车辆轨迹数据的读取与存储 13
2.1.1　数据的读取 13
2.1.2　数据的存储 14
2.1.3　多个数据文件的读取与合并 15
2.1.4　轨迹数据的分块存储 16
2.1.5　轨迹数据的分布式处理（Dask） 17
2.2　车辆轨迹数据的质量分析 19
2.2.1　数据质量分析的关注要点 19
2.2.2　字段的取值与缺失分析 20
2.2.3　数据的质量分析 23
2.3　车辆轨迹数据的数据清洗 29
2.3.1　数据的缺失值补全 30
2.3.2　数据的冗余剔除 30
2.3.3　数据的漂移清洗 32
2.4　车辆轨迹数据的平滑处理 38
2.4.1　卡尔曼滤波的基本原理 38
2.4.2　基于卡尔曼滤波的轨迹数据平滑处理 42
2.4.3　轨迹平滑适用场景的讨论 46
2.5　车辆轨迹数据的增密与稀疏化 47
2.5.1　轨迹的增密 47
2.5.2　轨迹的稀疏化 49
2.6　车辆轨迹数据的坐标转换 51
2.6.1　地理坐标系与投影坐标系的坐标转换 51
2.6.2　地理坐标系与火星坐标系的坐标转换 52
2.7　车辆轨迹数据的栅格化 53
2.7.1　为什么要栅格化 53
2.7.2　轨迹栅格化的方法 54
2.7.3　TransBigData实现轨迹栅格化 57
2.8　车辆轨迹数据的停车与出行识别 59
2.8.1　停车识别方法 59
2.8.2　出行识别方法 61
2.9　车辆轨迹数据的切片与分段 64
2.9.1　轨迹的切片 64
2.9.2　轨迹的分段 66
2.9.3　计算轨迹长度 68
2.10　车辆轨迹数据预处理方法小结 72
第3章 车辆轨迹数据的可视化 76
3.1　基于Matplotlib的地图可视化 76
3.1.1　车辆轨迹数据的散点图绘制 76
3.1.2　车辆轨迹数据的栅格图绘制 79
3.1.3　车辆轨迹数据的热力图绘制 81
3.2　基于WebGIS的在线可视化工具 92
3.2.1　KeplerGL数据分布可视化 93
3.2.2　Mobmap动态轨迹可视化 95
3.2.3　ODview出行起终点可视化 96
3.3　在Python中实现的WebGIS交互式可视化 98
3.3.1　Folium实现轨迹数据可视化 98
3.3.2　TransBigData的车辆数据可视化 100
高级应用篇
第4章 车辆轨迹数据的路网匹配 104
4.1　基于OSMnx的路网数据获取与处理 104
4.1.1　OSMnx简介 104
4.1.2　路网数据获取 105
4.1.3　路网数据的存储形式与路网的自定义 110
4.1.4　路网的预处理 115
4.1.5　路网的最短路径计算 118
4.1.6　路网处理小结 125
4.2　基于近邻匹配的路网匹配 127
4.2.1　KDTree近邻匹配 127
4.2.2　对轨迹数据进行路网的近邻匹配 129
4.3　基于最短路径的路网匹配 134
4.4　基于隐马尔可夫模型的路网匹配 138
4.4.1　隐马尔可夫模型 138
4.4.2　简化的路网匹配隐马尔可夫模型实现 140
4.4.3　基于leuvenmapmatching的路网匹配 146
4.5　路网匹配小结 152
第5章 车辆轨迹数据的排放计算 155
5.1　COPERT排放模型 155
5.1.1　COPERT模型简介 155
5.1.2　COPERT污染物计算方法分类 155
5.1.3　排放的构成 156
5.1.4　热排放 157
5.1.5　冷启动排放 158
5.1.6　CO2的排放计算 160
5.1.7　COPERT模型小结 161
5.2　车辆轨迹数据的排放计算 162
5.2.1　车辆出行信息的准备 162
5.2.2　基于车辆轨迹数据的排放计算 163
5.2.3　排放时空分布的整理 165
5.3　车辆排放的可视化 169
5.3.1　排放空间分布的可视化 169
5.3.2　排放时间分布的可视化 173
第6章 车辆轨迹数据的多智能体仿真 175
6.1　仿真模型的基本框架 175
6.1.1　仿真模型的整体设计 175
6.1.2　仿真时间与仿真步的管理 177
6.1.3　仿真信息的存储 179
6.1.4　仿真模型框架小结 181
6.2　智能体的属性与功能设计 183
6.2.1　环境智能体 183
6.2.2　车辆智能体 187
6.3　多智能体仿真的运行 193
6.3.1　代码小结与小规模测试 193
6.3.2　轨迹的精细仿真 199
6.3.3　仿真模型的优化建议 200
实战案例篇
第7章 电动汽车GPS数据：充电需求识别 202
7.1　充电需求识别思路 202
7.2　数据预处理与出行停留信息识别 203
7.3　电动汽车的剩余电量估计 204
7.3.1　充电电量计算 205
7.3.2　出行能耗计算 208
7.3.3　剩余电量预测 208
7.4　电动汽车的充电需求分析 213
7.4.1　电动汽车个体剩余电量时变分析 213
7.4.2　充电站的负荷估计与分析 214
第8章 无人机航拍轨迹数据：车流交通波分析（NGSIM数据） 219
8.1　NGSIM数据的特征 219
8.2　NGSIM数据的预处理 220
8.2.1　数据筛选 220
8.2.2　基于QGIS的地图处理与车辆轨迹定位 222
8.3　NGSIM数据的交通波识别 223
8.3.1　交通波简介 223
8.3.2　交通波特征参数介绍 224
8.3.3　时空二维平面轨迹可视化 224
8.3.4　交通波特征参数提取及可视化 229
8.3.5　交通波特征分析案例 233
第9章 无人机航拍轨迹数据：路网运行状态提取与分析（pNEUMA数据） 239
9.1　航拍轨迹数据特征 239
9.2　数据准备 240
9.2.1　数据压缩 241
9.2.2　地图数据加载 242
9.3　网络交通状态提取与分析 244
9.3.1　路段流量获取 244
9.3.2　路段行程时间获取 246
9.3.3　路段到路段行程时间 250
9.4　实战应用：OD矩阵及路径流量提取 251
9.4.1　OD矩阵提取 252
9.4.2　路径流量提取 255