随着智能手机和各种GPS设备的普及,海量的GPS轨迹数据被记录和存储。这些数据记录了人们以及各种交通工具的出行和行驶轨迹,包含丰富的信息,推动了各种基于位置的服务以及其他相关领域的兴起,如城市规划、智能交通和运动行为分析等。然而,由于GPS设备故障、传感器故障、传输错误和存储错误等多种原因,现有的大多数轨迹数据中都存在很多噪声点,若不经处理,则会影响后续对轨迹数据的研究和利用。现有的轨迹数据噪声清洗方法主要存在以下问题:1)需要额外的路网信息作为参照;2)对于原始轨迹数据有较高的要求,如需要均匀采样和高频率采样等;3)只适用于某些特定场景。这些问题导致现有的轨迹数据噪声清洗方法在应用上存在很多局限性。本文以GPS轨迹数据噪声清洗为主线,探索如何在原始轨迹数据质量参差不齐并且不借助路网信息的条件下,识别出轨迹数据中的噪声点并进行清洗。本文设计了一种数据驱动的轨迹数据噪声清洗模型,该模型通过分析历史轨迹数据,从中提取道路信息,并结合历史轨迹点的分布对轨迹数据中的噪声进行识别清洗。该模型能够一定程度上克服已有方法在应用上的局限性,并且对于原始轨迹数据中的采样不均匀、低采样率等问题具有良好的鲁棒性,从而在应用上更具通用性。本文的主要贡献如下:1.提出了一种从历史轨迹数据中提取道路的算法。由于历史轨迹数据中不可避免地存在大量噪声点和分布不均匀等问题,因此并不是历史轨迹中的每个点都能够作为道路点。该算法通过在原始轨迹数据上建立网格系统,根据轨迹数据的特点设计判断条件来选取其中能够构成道路的代表点,并通过平滑处理以及连通性的判断来解决原始轨迹数据中的噪声和分布不均匀的问题,从而提取出平滑、均匀的道路框架。2.提出了一种安全区建立算法,用于识别轨迹数据中的噪声点。该算法以每个道路框架点为锚点,根据每个锚点周边的历史轨迹点的分布建立安全区,从而能够将该局部的噪声点与正常点分隔开,接着以道路框架点和安全区为参照,便可识别出待清洗轨迹中的噪声点,从而进行清洗。3.实验验证了本文方法的有效性和效率。通过在多个真实数据集上进行实验,设计评估指标,从视觉角度和数据统计多角度验证了本文方法的有效性和性能,并与已有方法进行对比评估。