排序方式： 共有7条查询结果，搜索用时 15 毫秒
1
1.
针对传统路网采集和更新需要昂贵的实地测量以及大量的后续内业处理问题,提出了一种从大规模粗糙轨迹数据中自动生成路网的方法。该方法包含轨迹滤选和路网增量构建两步:第1步通过构建空间、时间、逻辑约束的规则模型,在消除数据中的噪音和冗余的同时,将原始轨迹进行合理分割,滤选形成规范轨迹集合;第2步基于信息熵计算轨迹点周围道路的复杂度,据此自动调节道路分割参数,不断将新产生的路段加入到路网,同时计算道路平均交通流量和速度等路况信息,遍历各规范轨迹的定位点重复以上处理过程,最终得到完整路网。通过昆明市200辆出租车采集的约6851万条轨迹数据进行路网构建试验,并与OpenStreetMap数据比较,证明了本文方法的有效性。与已有典型方法比较,本文方法能用更少节点提取更高质量的路网。 相似文献
2.
3.
针对现有空间离群点挖掘算法无法适应大规模空间数据挖掘的需求,该文提出了一种分布式条件下的空间离群点挖掘算法。首先,该文针对集群上分布式计算和存储的特点提出使用空间填充曲线来划分数据集,加速寻找目标点的近似空间最近邻居。其次,使用信息熵的理论来定义空间离群系数,考虑到多维数据中不同属性对离群系数的影响具有差异性,该算法能够自动根据数据原有特点,计算各属性的权重;同时使用反距离权定义空间因素对离群系数的影响。最后,实验结果表明该算法在大规模的空间数据集中挖掘离群点的效率远高于传统算法,离群点的挖掘精度在90%以上。 相似文献
4.
现代空间信息技术可为防灾减灾提供数据资源、定位基准、基础框架和关键技术等支撑。目前中国减灾服务重决策轻预警,减灾服务技术、系统、应用集成不够,尚缺乏统一的认识与整体性的顶层设计指导框架。回归减灾服务本质,从测绘地理信息视角提出并阐释了一体化综合减灾智能服务的概念及内涵;考虑防灾减灾服务需求,设计了由感知层、技术层、系统层和应用层等构成的一体化综合减灾智能服务总体架构;重点阐述了减灾服务智能、综合、一体、精准、快速和高新等方面的思考,分析了一体化综合减灾智能服务的支撑技术;介绍了一体化综合减灾智能服务原型系统,以解决灾害事件、各种承灾体、孕灾环境等应急信息的一体化感知、定位、融合与综合场景模拟,以及知识化减灾服务等技术难题。 相似文献
5.
针对传统空间插值方法对影响PM2.5的插值因素考虑不全面和局部加权线性回归模型中近邻个数选择困难等问题,该文基于局部加权线性回归模型提出了一种引入正则化项的空间插值方法。以北京市3个月的PM2.5数据为例,选取SO_2、NO_2、O_3、CO作为观测指标,通过正则化进行权重系数修正、L曲线法确定正则化系数,提高了该插值模型的稳定性与自适应性。交叉验证结果显示,本文方法相对于普通Kriging,3个月的平均绝对误差(MAE)与均方根误差(RMSE)分别降低28.44%、26.25%;相对于反距离加权插值法的MAE、RMSE分别降低18.07%、17.02%。研究结果表明,基于局部加权线性回归模型的PM2.5空间插值相对于传统方法有一定提升。 相似文献
6.
一种基于主成分分析的协同克里金插值方法 总被引：1，自引：0，他引：1
针对协同克里金插值方法在插值时,辅助变量较多造成计算复杂度增加,而辅助变量较少引起插值精度降低这一问题,提出了一种基于主成分分析的协同克里金插值方法（PCA-CoKriging）。该方法首先使用主成分分析对插值相关变量进行将维,得到较少几个综合指标,然后里利用这几个综合指标作为辅助变量进行协同克里金插值。为验证该方法的有效性和数据分布对该方法的影响,本文选取了2016年北京市范围内4个季节中PM2.5浓度满足正态分布效果不同的4组数据,分别使用PCA-CoKriging和普通克里金插值方法、常规协同克里金插值方法,进行了插值试验。结果表明,本文方法与普通克里金插值方法、常规协同克里金插值法在4组试验中的平均绝对误差分别为4.91、6.04、5.61,平均均方根误差分别为6.65、8.76、7.57。综合比较,本文方法比常规协同克里金插值的平均绝对误差与均方根误差分别提升了10.73%、12.56%,比普通克里金插值法的平均绝对误差与均方根误差分别提升了18.71%、24.09%。 相似文献
7.
针对时空地理加权回归模型(GTWR)进行预测时,输入变量较多导致计算复杂度高,而输入变量较少引起预测精度降低这一问题,提出了一种基于主成分分析的时空地理加权回归方法(PCA-GTWR)。该方法采用非线性主成分分析方法,先对影响PM2.5浓度的若干相关变量降维处理得到几个综合指标,并将其作为GTWR模型的输入变量进行预测。为验证该方法的有效性,采用北京市2014-04—2017-03的PM2.5数据,利用Pearson相关系数法选取与PM2.5浓度具有较高相关性的影响因素作为常规的GTWR模型的输入变量,在变量个数相同的前提下,与本文方法进行对比。结果表明应用非线性主成分分析方法对相关变量进行预处理后,有效地解决了变量之间的共线性,保留了原始影响因素主要信息,提高了运算效率,且该方法的MAE、RMSE、AIC均低于常规的GTWR模型,拟合优度GF最高达到88.11%。 相似文献
1