首先，本文建立了两步轨迹重构算法。⑴运用小波变换和物理约束有效地识别出 NGSIM 车辆轨迹中的两类异常值，并分别用拉格朗日 5 次多项式和 3 次多项式对两类异常值进行重新估计。⑵然后再用卡尔曼滤波对轨迹中的测量误差进行滤波处理，以减少噪声的影响。以车辆编号为 1882 的轨迹为例，对该算法进行验证，结果表明该算法应用性良好。然后，将该算法应用到整个 NGSIM 车辆轨迹数据库中，对 1942 辆小汽车的纵向轨迹和横向轨迹进行重构。 其次，提取换道轨迹。从重构后的 NGSIM 车辆轨迹数据库中提取自由换道和强制换道轨迹，并运用 K 均值聚类法，有效的识别出 4 种换道失败的轨迹：由目标车道返回本车道；长时间骑线行驶；左右窜道；车道编号记录错误。最终，本文提取有效且成功的自由换道轨迹和强制换道轨迹 119 条和 45 条。 最后，换道行为特性研究。按照换道类型和换道方向，本文研究了换道时间分布和横向换道轨迹的拟合。在换道时间方面，本文建立基于规则的换道时间提取方法，并针对两种特殊情况做出了相应的约束，系统的分析了自由换道和强制换道、向左换道和向右换道的时间分布。在横向轨迹拟合方面，本文以平均绝对误差（MAE ）、平均平方根误差（RMSE）和平均相对平方根误差（RMSRE）为指标，探索多项式拟合。研究表明，向左、向右自由换道的横向轨迹和向右强制换道的横向轨迹适宜用 5 次多项式拟合；向左强制换道的横向轨迹以 4 次多项式拟合为宜。

时空轨迹数据是带有时间和空间信息的序列数据，数据获取成本低，覆盖范围广，且拥有时态特性，既可以进行微观个体活动模式的研究，也可以进行宏观活动系统的城市空间结构的研究。今天将分享一套出租车轨迹数据，该数据包含北京市2008年一周内10000+辆出租车、10分钟采样频率、1千万条以上的轨迹。

android GPS 数据采集源码，包括点击开始按钮开始采集、点击结束按钮停止采集等功能

本项目功能实现了跑步运动轨迹、运动数据（运动日期记录、单个日期运动次数、每次运动的基本数据（运动距离、时长、消耗、速度等））。地图及运动轨迹展示使用的高德地图（APPKey需要替换为自己创建的,可参考高德官方文档进行改进）；运动相关数据使用Realm数据库保存，登录注册功能也是由本地Realm数据库模拟完成；运动日历展示使用开源框架，可根据需求自行修改。

一种基于交通网格划分的出租车轨迹数据空间聚类方法，毛峰，刘婷，作为使用最为广泛的交通出行方式之一，出租车的运行轨迹中不但具有道路网络交通信息，还含有乘客的出行行为特征。对出租车轨迹进

基于真实的 GPS 轨迹数据，对城市拥堵路段进行预测． 在此过程中，摒弃传统的基于交通流预 测和拥堵识别的方法，提出一种新的基于拥堵向量和拥堵转移矩阵的拥堵路段预测方法． 该方法同时考虑路 段拥堵的时间周期性和时空相关性，通过对出租车 GPS 轨迹数据进行挖掘和训练，建立拥堵向量和拥堵转移 矩阵，实现对拥堵路段的预测． 真实数据集上的实验验证了所提的拥堵路段预测方法的有效性．

比较轨迹聚类方法 这是我的模式识别课程学期项目。 目标是在民用飞行数据上比较4种聚类算法（k型，高斯混合模型，dbscan和hdbscan）。 可以在report.pdf文件中找到更多详细信息。 产生的集群如下所示： 应用轨迹分割以减少采样点的数量，并使用hausdorff距离比较轨迹之间的相似性。 更新（2019年2月） 添加了一个演示项目的每个步骤。 首先请看一下，它比项目的其他部分更短，更容易理解。 它还在公共数据集上显示了这些步骤。 公开数据集： 集群轨迹：

一篇从网上下载的有关移动用户轨迹预测的博士论文,很值得学习~基于轨迹数据挖掘的语义化位置感知计算研究

面向移动时空轨迹数据的频繁闭合模式挖掘

美国高速公路车辆驾驶行为轨迹数据集，包含了US101的txt和全部的csv文件，需要自取，可作标定车辆驾驶行为参数，作驾驶模拟分析统计等用途。