基于多样本GPS质控数据的道路分段坡度估计方法及系统

基于多样本gps质控数据的道路分段坡度估计方法及系统
技术领域
1.本发明涉及道路坡度评估技术领域，特别是涉及一种基于多样本gps质控数据的道路分段坡度估计方法及系统。


背景技术：

2.道路坡度信息是现代智能运输系统、智能驾驶技术中环境感知的重要信息之一，是高精度地图开发中不可或缺的重要组成部分，也是智能驾驶控制、机动车排放能耗估计、机动车噪声估计等研究中的重要参数之一。因此，建立道路坡度的路谱数据库具有现实意义。通过全站仪等高精密仪器可实现道路坡度的精准测量，但该实际测量方法工作量大，难以高效获取大范围路网坡度数据，因此需要通过其他可规模化获取的数据进行道路坡度估计。
3.目前普遍的道路坡度估计方法主要有以下几种。
4.(1)基于车辆动力学模型的道路坡度估计方法。其输入参数复杂繁多，如：发动机参数、姿态等，且其计算过程繁杂。
5.(2)基于陀螺仪、加速度计等仪器采集道路坡度：该类仪器测量的是车辆在运行过程中的俯仰角，只有在车辆几乎不发生俯仰(匀速或缓慢行驶或静止)时的俯仰角数据才可用，因此不连续的数据难以覆盖全线路。
6.(3)基于数字高程模型(digital elevation model，简称dem)数据的道路坡度估计方法。通过dem数据获取道路起终点高程值进而获取道路坡度，但由于dem数据分辨率较低，且所得高程值一般为地面高程值，无法表征高架道路及桥的坡度情况。
7.(4)基于全球定位系统(global positioning system，简称gps)数据的道路坡度简单估计方法，该方法是指利用两个测量点之间的高程差除以行驶距离获得道路坡度，由于gps测量受环境因素影响，其高程值测量可能存在误差，简单的使用两点间的测量值容易导致坡度值存在较大不确定性。


技术实现要素：

8.本发明的目的是解决现有的道路坡度估计方法存在准确度不高的技术缺陷，提供一种基于多样本gps质控数据的道路分段坡度估计方法及系统。
9.为解决上述技术问题，本发明的技术方案如下：
10.基于多样本gps质控数据的道路分段坡度估计方法，包括以下步骤：
11.s1：对于某一行驶路线上多次测量的gps样本，随机选定某次测量作为参考对象；
12.s2：确定片段长度，对参考对象的轨迹点进行分段，得到多个轨迹片段；
13.s3：基于经纬度坐标，寻找参考对象每个轨迹点与其他非参考对象轨迹上的最近邻点，并将该近邻点的高程值增补到参考对象对应的轨迹点上；
14.s4：计算每一轨迹片段上每个样本高程值的平均值，以每一轨迹片段上的参考对象的平均高程值为基准，计算非参考对象的平均高程值偏差；
15.s5：根据每一轨迹片段上每个非参考对象样本的平均高程值偏差，对每一轨迹片段上每个非参考对象样本的高程值进行平移，实现与参考对象的对齐；
16.s6：利用线性回归拟合每一轨迹片段上每一个样本的累积行驶距离与高程值之间的关系，拟合直线斜率即为该轨迹片段上每一个样本的坡度值；
17.s7：根据样本坡度值进行离群值识别，得到存在坡度异常值的样本；
18.s8：剔除每一轨迹片段上存在坡度异常值的样本的高程值数据并整合余下样本的高程值数据，利用线性回归拟合每一轨迹片段上整合后的累积行驶距离与高程值之间的关系，此时拟合直线斜率即为该轨迹片段的估计坡度值；
19.s9：根据估计坡度值对照实景地图，检查是否存在与实景地图存在明显不符的坡度数据，并删除与实景地图明显不符的坡度数据。
20.上述方案中，本方案提出一种基于多样本gps质控数据的道路分段坡度估计方法，简称质控分段法，通过将道路划分为等距离的小片段，以每一片段内的多次测量的所有gps高程值为对象，使用质控后的gps数据拟合行驶距离与高程值之间的变化趋势，进而获得该片段的道路坡度。质控分段法关注的是轨迹片段上所有高程值的变化趋势，而不是简单估计法中某两次的高程值，因此可以有效避免某个测量点的偶然误差，降低估计结果的不确定性，提高道路坡度估计的准确度。
21.上述方案中，质控分段法既可以方便高效、低成本、规模化获取地面和高架道路坡度数据，又可以避免某些高程值的偶然误差问题，是一种较优的方法。由于gps测量受环境影响较大(如阴雨天气、密度度大的高层建筑群可能会影响gps测量的精度)，因此质控分段法中还提出了一套gps高程值数据质量控制机制，可实现对异常值的识别与剔除，减少gps数据偶然误差带来道路坡度估计的较大误差。
22.其中，在所述步骤s1中，所述gps样本包括时间、经度、纬度、高程值、瞬时速度等多个主要字段。
23.其中，在所述步骤s3中，对非参考对象的m
‑
1个样本进行近邻分析；其中，完成近邻分析后，参考对象上每一个轨迹片段中每一个轨迹点都带有m个样本的高程值，记为h
i，j，z
，其中，i＝1，
…
，m；j＝1，
…
，k；z＝1，
…
，p
max，k
；其中，i指样本序号，共有m个样本；j指片段序号，共有k个片段；z指轨迹点序号，共有p
max，k
个轨迹点。
24.其中，在所述步骤s4中，所述非参考对象的平均高程值偏差具体表示为：
[0025][0026]
表示参考对象在片段j的平均高程值。
[0027]
上述方案中，尽管所有gps样本都是在同一行驶路线上采集的，但每一趟实验所受环境因素会影响gps设备所接受卫星数量，进而影响其所解析出来的定位数据，因此不同实验趟次的测试样本高程值之间会存在一些偏差，而此处更关注的是同一趟次内的测试样本高程值变化趋势，因此对于不同实验趟次之间存在的高程值偏差，将进行步骤s5的对齐操作。
[0028]
在所述步骤s5中，对每一轨迹片段上每个非参考对象样本的高程值进行对齐的计算式具体表示为：
[0029]
[0030]
最终实现对齐参考对象。道路坡度估计关注的是该轨迹片段上的高程值的变化趋势，因此对该轨迹片段上某样本高程值进行对齐，不会对最终计算造成影响。
[0031]
其中，在所述步骤s7中，所述根据样本坡度值θ
i，k
进行离群值识别过程具体为：
[0032]
判断是否存在6个及以上样本，若是，则：
[0033]
采用1.5倍的四分位间距进行识别，操作具体为：对于某一轨迹片段，计算出m个样本坡度值θ
i，k
的下四分位数q1、上四分位数q2及四分位间距iqr＝q2‑
q1，若θ
i，k
大于q2+1.5iqr或小于q1‑
1.5iqr，则判断为异常值；
[0034]
存在6个以下样本，则采用平均坡度值偏差进行识别，操作具体为：对于某一轨迹片段，计算出m个样本坡度值θ
i,k
两两之间的偏差，统计每一个样本与其他样本坡度值偏差的平均值，平均坡度值偏差大于1％的样本被判断为异常值，若出现所有样本的平均坡度值偏差都大于1％，则保留平均坡度值偏差最小的两个样本。
[0035]
基于多样本gps质控数据的道路分段坡度估计系统，包括数据存储模块、参考对象选定模块、轨迹片段划分模块、最近邻点寻找模块、平均高程值偏差计算模块、对齐模块、离群值识别及剔除模块、坡度拟合模块和实景地图检查模块；其中：
[0036]
所述数据存储模块用于存储某一行驶路线上多次测量的gps样本数据；
[0037]
所述参考对象选定模块用于在所述数据存储模块中随机选定某次测量作为参考对象；
[0038]
所述轨迹片段划分模块用于确定片段长度，将参考对象的轨迹点划分为多个轨迹片段；
[0039]
所述最近邻点寻找模块根据经纬度坐标，寻找参考对象每个轨迹点与其他非参考对象轨迹上的最近邻点，并将该近邻点的高程值增补到参考对象对应的轨迹点上；
[0040]
所述平均高程值偏差计算模块用于以每一轨迹片段上的参考对象的平均高程值为基准，计算非参考对象的平均高程值偏差；
[0041]
所述对齐模块根据每一轨迹片段上每个非参考对象样本的平均高程值偏差，对每一轨迹片段上每个非参考对象样本的高程值进行对齐；
[0042]
所述离群值识别及剔除模块对每一轨迹片段上多个样本求得的多个坡度值进行离群值识别，并剔除坡度异常值的样本；
[0043]
坡度拟合模块整合异常值剔除后余下样本的高程值数据，对整合高程值进行线性回归拟合，输出每一轨迹片段的估计坡度值；
[0044]
所述实景地图检查模块用于将估计坡度值与实景地图进行对照，检查是否存在与实景地图存在明显不符的坡度数据，并删除与实景地图明显不符的坡度数据。
[0045]
其中，在所述数据存储模块中，所述gps样本包括时间、经度、纬度、高程值、瞬时速度等多个主要字段。
[0046]
其中，在所述最近邻点寻找模块中，对非参考对象的m
‑
1个样本进行近邻分析；其中，完成近邻分析后，参考对象上每一个轨迹片段中每一个轨迹点都带有m个样本的高程值，记为h
i，j，z
，其中，i＝1，
…
，m；j＝1，
…
，k；z＝1，
…
，p
max，k
；其中，i指样本序号，共有m个样本；j指片段序号，共有k个片段，z指轨迹点序号，共有p
max，k
个轨迹点。
[0047]
其中，在所述平均高程值偏差计算模块中，所述非参考对象的平均高程值偏差的计算过程具体为：
[0048][0048]
表示参考对象在片段j的平均高程值
[0049]
接着，在所述对齐模块中，对每一轨迹片段上每个非参考对象样本的高程值进行对齐的过程具体表示为：
[0050][0051]
最终实现对齐参考对象。
[0052]
其中，在所述离群值识别模块中，根据样本坡度值θ
i，k
进行离群值识别过程具体为：
[0053]
判断是否存在6个及以上样本，若是，则：
[0054]
采用1.5倍的四分位间距进行识别，操作具体为：对于某一轨迹片段，计算出m个样本坡度值θ
i，k
的下四分位数q1、上四分位数q2及四分位间距iqr＝q2‑
q1，若θ
i，k
大于q2+1.5iqr或小于q1‑
1.5iqr，则判断为异常值；
[0055]
存在6个以下样本，则采用平均坡度值偏差进行识别，操作具体为：对于某一轨迹片段，计算出m个样本坡度值θ
i，k
两两之间的偏差，统计每一个样本与其他样本坡度值偏差的平均值，平均坡度值偏差大于1％的样本被判断为异常值，若出现所有样本的平均坡度值偏差都大于1％，则保留平均坡度值偏差最小的两个样本。
[0056]
与现有技术相比，本发明技术方案的有益效果是：
[0057]
本发明提出基于多样本gps质控数据的道路分段坡度估计方法及系统，通过将道路划分为等距离的小片段，以每一片段内的多次测量的所有gps高程值为对象，使用质控后的gps数据拟合行驶距离与高程值之间的变化趋势，进而获得该片段的道路坡度。本方案关注的是轨迹片段上所有高程值的变化趋势，而不是简单估计法中某两次的高程值，因此可以有效避免某个测量点的偶然误差，降低估计结果的不确定性，提高道路坡度估计的准确度。
附图说明
[0058]
图1为本发明所述方法流程示意图；
[0059]
图2为本发明所述系统模块连接示意图；
[0060]
图3为本发明一实施例中主城区内gps数据采集实验路线图；
[0061]
图4为本发明一实施例中第80段轨迹片段结果示意图；
[0062]
图5为本发明一实施例中轨迹点近邻匹配示意图；
[0063]
图6为本发明一实施例中第657轨迹片段上“1210”与“1228”的实际高程值；
[0064]
图7为本发明一实施例中第657轨迹片段上“1210”高程值的偏差对齐过程示意图；
[0065]
图8为本发明一实施例中试验路线最终的估计坡度值示意图。
具体实施方式
[0066]
附图仅用于示例性说明，不能理解为对本专利的限制；
[0067]
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0068]
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解
的。
[0069]
下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0070]
实施例1
[0071]
如图1所示，基于多样本gps质控数据的道路分段坡度估计方法，包括以下步骤：
[0072]
s1：对于某一行驶路线上多次测量的gps样本，随机选定某次测量作为参考对象；
[0073]
s2：确定片段长度，对参考对象的轨迹点进行分段，得到多个轨迹片段；
[0074]
s3：基于经纬度坐标，寻找参考对象每个轨迹点与其他非参考对象轨迹上的最近邻点，并将该近邻点的高程值增补到参考对象对应的轨迹点上；
[0075]
s4：计算每一轨迹片段上每个样本高程值的平均值，以每一轨迹片段上的参考对象的平均高程值为基准，计算非参考对象的平均高程值偏差；
[0076]
s5：根据每一轨迹片段上每个非参考对象样本的平均高程值偏差，对每一轨迹片段上每个非参考对象样本的高程值进行平移，实现与参考对象的对齐；
[0077]
s6：利用线性回归拟合每一轨迹片段上每一个样本的累积行驶距离与高程值之间的关系，拟合直线斜率即为该轨迹片段上每一个样本的坡度值；
[0078]
s7：根据样本坡度值进行离群值识别，得到存在坡度异常值的样本；
[0079]
s8：剔除每一轨迹片段上存在坡度异常值的样本的高程值数据并整合余下样本的高程值数据，利用线性回归拟合每一轨迹片段上整合后的累积行驶距离与高程值之间的关系，此时拟合直线斜率即为该轨迹片段的估计坡度值；
[0080]
s9：根据估计坡度值对照实景地图，检查是否存在与实景地图存在明显不符的坡度数据，并删除与实景地图明显不符的坡度数据。
[0081]
在具体实施过程中，本方案提出一种基于多样本gps质控数据的道路分段坡度估计方法，简称质控分段法，通过将道路划分为等距离的小片段，以每一片段内的多次测量的所有gps高程值为对象，使用质控后的gps数据拟合行驶距离与高程值之间的变化趋势，进而获得该片段的道路坡度。质控分段法关注的是轨迹片段上所有高程值的变化趋势，而不是简单估计法中某两次的高程值，因此可以有效避免某个测量点的偶然误差，降低估计结果的不确定性，提高道路坡度估计的准确度。
[0082]
在具体实施过程中，质控分段法既可以方便高效、低成本、规模化获取地面和高架道路坡度数据，又可以避免某些高程值的偶然误差问题，是一种较优的方法。由于gps测量受环境影响较大(如阴雨天气、密度高楼群可能会影响gps测量的精度)，因此质控分段法中还提出了一套gps高程值数据质量控制机制，可实现对异常值的识别与剔除，减少gps数据偶然误差带来道路坡度估计的较大误差。
[0083]
更具体的，在所述步骤s1中，所述gps样本包括时间、经度、纬度、高程值、瞬时速度等多个主要字段。
[0084]
更具体的，在所述步骤s3中，对非参考对象的m
‑
1个样本进行近邻分析；其中，完成近邻分析后，参考对象上每一个轨迹片段中每一个轨迹点都带有m个样本的高程值，记为h
i，j，z
，其中，i＝1，
…
，m；j＝1，
…
，k；z＝1，
…
，p
max，k
；其中，i指样本序号，共有m个样本；j指片段序号，共有k个片段，z指轨迹点序号，共有p
max，k
个轨迹点。
[0085]
更具体的，在所述步骤s4中，所述非参考对象的平均高程值偏差具体表示为：
[0086]
[0087]
表示参考对象在片段j的平均高程值。
[0088]
在具体实施过程中，尽管所有gps样本都是在同一行驶路线上采集的，但每一趟实验所受环境因素会影响gps设备所接受卫星数量，进而影响其所解析出来的定位数据，因此不同实验趟次的测试样本高程值之间会存在一些偏差，而此处更关注的是同一趟次内的测试样本高程值变化趋势，因此对于不同实验趟次之间存在的高程值偏差，将进行步骤s5的对齐操作。
[0089]
在所述步骤s5中，对每一轨迹片段上每个非参考对象样本的高程值进行对齐的计算式具体表示为：
[0090][0091]
最终实现对齐参考对象。道路坡度估计关注的是该轨迹片段上的高程值的变化趋势，因此对该轨迹片段上某样本高程值进行对齐，不会对最终计算造成影响。
[0092]
更具体的，在所述步骤s7中，所述根据样本坡度值θ
i，k
进行离群值识别过程具体为：
[0093]
判断是否存在6个及以上样本，若是，则：
[0094]
采用1.5倍的四分位间距进行识别，操作具体为：对于某一轨迹片段，计算出m个样本坡度值θ
i，k
的下四分位数q1、上四分位数q2及四分位间距iqr＝q2‑
q1，若θ
i，k
大于q2+1.5iqr或小于q1‑
1.5iqr，则判断为异常值；
[0095]
存在6个以下样本，则采用平均坡度值偏差进行识别，操作具体为：对于某一轨迹片段，计算出m个样本坡度值θ
i，k
两两之间的偏差，统计每一个样本与其他样本坡度值偏差的平均值，平均坡度值偏差大于1％的样本被判断为异常值，若出现所有样本的平均坡度值偏差都大于1％，则保留平均坡度值偏差最小的两个样本。
[0096]
实施例2
[0097]
更具体的，在实施例1的基础上，如图2所示，提供一种基于多样本gps质控数据的道路分段坡度估计系统，包括数据存储模块、参考对象选定模块、轨迹片段划分模块、最近邻点寻找模块、平均高程值偏差计算模块、对齐模块、离群值识别及剔除模块、坡度拟合模块和实景地图检查模块；其中：
[0098]
所述数据存储模块用于存储某一行驶路线上多次测量的gps样本数据；
[0099]
所述参考对象选定模块用于在所述数据存储模块中随机选定某次测量作为参考对象；
[0100]
所述轨迹片段划分模块用于确定片段长度，将参考对象的轨迹点划分为多个轨迹片段；
[0101]
所述最近邻点寻找模块根据经纬度坐标，寻找参考对象每个轨迹点与其他非参考对象轨迹上的最近邻点，并将该近邻点的高程值增补到参考对象对应的轨迹点上；
[0102]
所述平均高程值偏差计算模块用于以每一轨迹片段上的参考对象的平均高程值为基准，计算非参考对象的平均高程值偏差；
[0103]
所述对齐模块根据每一轨迹片段上每个非参考对象样本的平均高程值偏差，对每一轨迹片段上每个非参考对象样本的高程值进行对齐；
[0104]
所述离群值识别及剔除模块对每一轨迹片段上多个样本求得的多个坡度值进行离群值识别，并剔除坡度异常值的样本；
[0105]
所述坡度拟合模块用于整合异常值剔除后余下样本的高程值数据，并对整合高程值进行线性回归拟合，输出每一轨迹片段的估计坡度值；
[0106]
所述实景地图检查模块用于将估计坡度值与实景地图进行对照，检查是否存在与实景地图存在明显不符的坡度数据，并删除与实景地图明显不符的坡度数据。
[0107]
更具体的，在所述数据存储模块中，所述gps样本包括时间、经度、纬度、高程值、瞬时速度等多个主要字段。
[0108]
更具体的，在所述最近邻点寻找模块中，对非参考对象的m
‑
1个样本进行近邻分析；其中，完成近邻分析后，参考对象上每一个轨迹片段中每一个轨迹点都带有m个样本的高程值，记为h
i，j，z
，其中，i＝1，
…
，m；j＝1，
…
，k；z＝1，
…
，p
max，k
；其中，i指样本序号，共有m个样本；j指片段序号，共有k个片段；z指轨迹点序号，共有p
mαx，k
个轨迹点。
[0109]
更具体的，在所述平均高程值偏差计算模块中，所述非参考对象的平均高程值偏差的计算过程具体为：
[0110][0111]
表示参考对象在片段j的平均高程值；
[0112]
接着，在所述对齐模块中，对每一轨迹片段上每个非参考对象样本的高程值进行对齐的过程具体表示为：
[0113][0114]
最终实现对齐参考对象。
[0115]
更具体的，在所述离群值识别模块中，根据样本坡度值θ
i，k
进行离群值识别过程具体为：
[0116]
判断是否存在6个及以上样本，若是，则：
[0117]
采用1.5倍的四分位间距进行识别，操作具体为：对于某一轨迹片段，计算出m个样本坡度值θ
i，k
的下四分位数q1、上四分位数q2及四分位间距iqr＝q2‑
q1，若θ
i，k
大于q2+1.5iqr或小于q1‑
1.5iqr，则判断为异常值；
[0118]
存在6个以下样本，则采用平均坡度值偏差进行识别，操作具体为：对于某一轨迹片段，计算出m个样本坡度值θ
i，k
两两之间的偏差，统计每一个样本与其他样本坡度值偏差的平均值，平均坡度值偏差大于1％的样本被判断为异常值，若出现所有样本的平均坡度值偏差都大于1％，则保留平均坡度值偏差最小的两个样本。
[0119]
实施例3
[0120]
更具体的，在本实施例中，以2018年12月10日至12月28日在重庆市采集的共15个样本的10hzgps数据为例(如表1所示)，选定以“1228”样本为参考对象，建立实验路线道路坡度(如图3所示，注：gps轨迹中存在一些不连续的地方，这些地方为隧道，由于隧道遮蔽导致gps定位失败，没有数据)。
[0121]
表1 15个gps样本
[0122][0123][0124]
(1)对参考对象gps数据预处理。研究所用到的gps数据字段主要包括：时间、经度、纬度、高程值、瞬时速度。
[0125]
根据时间间隔和瞬时速度计算出时间间隔内的行驶距离：
[0126]
δt
z
＝t
z+1
‑
t
z
[0127]
δs
z
＝δt
z
*v
z
[0128]
其中，t
z+1
、t
z
表示第z+1、z个轨迹点的时间，δt
z
是第z个时间间隔时长(秒)，v
z
是第z个轨迹点的瞬时速度(m/s)，δs
z
第z个时间间隔的行驶距离(m)。
[0129]
根据时间间隔内的行驶距离计算累计行驶距离：
[0130]
s
z
＝s
z
‑1+δs
z
[0131]
其中，s
z
‑1是前z
‑
1个时间间隔累计行驶距离，s
z
是前z个时间间隔累计行驶距离。
[0132]
(2)如图4，轨迹片段划分。以“1228”样本为参考对象，以100米为片段长度，对参考对象的轨迹点进行分段，得到657个轨迹片段。实际划分出来的轨迹片段累计行驶距离会比100米稍多零点几米，表2为轨迹片段划分情况(部分结果)。
[0133]
表2轨迹片段划分情况(部分结果)
[0134]
[0135][0136]
(3)以参考对象为目标，根据经纬度坐标对其他样本进行近邻点匹配。如图5所示，应用arcgis软件中“近邻分析”工具，实现某一样本的轨迹点与参考对象的轨迹点之间近邻匹配，并将近邻样本点上的高程值补充到对应的参考对象轨迹点上，表3为匹配结果。
[0137]
表3匹配结果
[0138][0139]
(4)统计每一个轨迹片段上各样本平均高程值，结果如下表4。图6展示了第657个轨迹片段上“1210”和“1228”样本的实际高程值，可以看到，即使是在同一路段上两次高程测量值相差十几米，如果直接利用原始高程值进行线性回归拟合道路坡度会造成较大计算误差因此需要进行偏差对齐。表5为每一个轨迹片段上各样本的平均高程值偏差。
[0140]
表4每一个轨迹片段上各样本的平均高程值(部分结果)
[0141][0142]
表5每一个轨迹片段上的平均高程值偏差(部分结果)
[0143]
[0144][0145]
(5)根据上一步中求得的每一个轨迹片段上各样本的平均高程值偏差，对每一个轨迹片段上各样本高程值进行偏差对齐。图7为第657条轨迹片段的高程值偏差对齐过程。
[0146]
(6)利用线性回归拟合每一轨迹片段上每一个样本的累计行驶距离与高程值之间的关系，求得每一轨迹片段上每一个样本坡度值。表6为每一个轨迹片段上的每一个样本的坡度值(部分结果)。
[0147]
表6每一个轨迹片段上的每一个样本的坡度值(部分结果)
[0148]
片段序号1228坡度值1210坡度值
……
1226坡度值1227坡度值14.41％4.53％ 4.17％5.87％25.35％4.49％ 4.70％4.46％
………………………………
657
‑
12.53％
‑
3.09％
……‑
7.76％
‑
28.62％
[0149]
(7)采用1.5倍四分位间距发对离群值进行识别。表7中对每个轨迹片段异常样本标“1”。
[0150]
表7每一个轨迹片段上各样本的异常坡度值识别(部分结果)
[0151][0152][0153]
注：标“1”为异常值，无标记为正常值
[0154]
(8)剔除异常值后，整合每一轨迹片段上余下样本的高程值数据，利用线性回归拟合每一轨迹片段上整合后的累计行驶距离与高程值之间的关系，得到所有轨迹片段的坡度值θ
j
(其中j＝1,
…
,k)。
[0155]
(9)对照百度实景，存在以下这些轨迹片段坡度值与百度实景存在明显不符，这些
片段序号分别是145、146、147、237、238、249、250、299～306。最终实验路线上的坡度值如下图8。
[0156]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。