AI 助理
备案控制台
开发者社区 大数据 文章 正文

gis轨迹数据资源

2018-08-22 1756
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 本文为转载文章 转载请注明出处： https://blog.csdn.net/liangyihuai/article/details/58335510#comments 本文主要是整理了GPS轨迹数据集免费资源库，从这些库中能够免费下载到GPS数据，同时还整理出了这些数据的格式，数据集的简单描述等等。

本文为转载文章 转载请注明出处：
https://blog.csdn.net/liangyihuai/article/details/58335510#comments



本文主要是整理了GPS轨迹数据集免费资源库，从这些库中能够免费下载到GPS数据，同时还整理出了这些数据的格式，数据集的简单描述等等。如果你发现更好的相关数据资源，欢迎共享 :)

1. GeoLife GPS Trajectories

该GPS轨迹数据集出自微软研究GeoLift项目。从2007年四月到2012年八月收集了182个用户的轨迹数据。这些数据包含了一系列以时间为序的点，每一个点包含经纬度、海拔等信息。包含了17621个轨迹，总距离120多万公里，总时间48000多小时。这些数据不仅仅记录了用户在家和在工作地点的位置轨迹，还记录了大范围的户外活动轨迹，比如购物、旅游、远足、骑自行车。

这个数据集可以用来进行用户活动相似度估算，移动模型挖掘，用户活动推荐，基于位置的社交网络，位置隐私，位置推荐。

一个文件夹存储一个用户的GPS日志，这些日志文件都被转换成了plt格式。为了避免时间区间问题，统一使用了GMT格式的时间表示。其他具体格式为：

Line 1…6 are useless in this dataset, andcan be ignored. Points are described in following lines, one for each line.
Field 1: Latitude in decimal degrees.
Field 2: Longitude in decimal degrees.
Field 3: All set to 0 for this dataset.
Field 4: Altitude in feet (-777 if notvalid).
Field 5: Date - number of days (withfractional part) that have passed since 12/30/1899.
Field 6: Date as a string.
Field 7: Time as a string.
Note that field 5 and field 6&7represent the same date/time in this dataset. You may use either of them.

Example:
39.906631,116.385564,0,492,40097.5864583333,2009-10-11,14:04:30
39.906554,116.385625,0,492,40097.5865162037,2009-10-11,14:04:35
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13

交通方式数据集格式：

可能的交通方式有：walk,bike, bus, car, subway, train, airplane, boat, run and motorcycle，再次强调，虽然大多数数据是在中国产生的，但是，还是把时间或者日期都统一以GMT的时间形式表示。

例如：

Start Time End Time Transportation Mode

2008/04/02 11:24:21 2008/04/02 11:50:45bus

具体说明在下载的文件压缩包中！

  • 使用到该数据的论文有：

Q. Li, Y. Zheng, X. Xie, Y. Chen, W. Liu, and M. Ma. 2008.Mining user similarity based on location history. In Proceedings of the 16thAnnual ACM International Conference on Advances in Geographic InformationSystems. ACM, 34.

Z. Chen, H. T. Shen, X. Zhou, Y. Zheng, and X. Xie. 2010.Searching trajectories by locations—An efficient study. In Proceedings of the29th ACM SIGMOD International Conference on Management of Data. ACM,255–266.

[1] Yu Zheng, Lizhu Zhang, Xing Xie, Wei-Ying Ma. Mininginteresting locations and travel sequences from GPS trajectories. InProceedings of International conference on World Wild Web (WWW 2009), MadridSpain. ACM Press: 791-800.

[2] Yu Zheng, Quannan Li, Yukun Chen, Xing Xie, Wei-Ying Ma.Understanding Mobility Based on GPS Data. In Proceedings of ACM conference onUbiquitous Computing (UbiComp 2008), Seoul, Korea. ACM Press: 312-321.

[3] Yu Zheng, Xing Xie, Wei-Ying Ma, GeoLife: ACollaborative Social Networking Service among User, location and trajectory.Invited paper, in IEEE Data Engineering Bulletin. 33, 2, 2010, pp. 32-40.

2.T-Drive Taxi Trajectories

这个数据来自微软T-Drive项目，包含在2008年北京一万多俩出租车一周的轨迹数据。这个数据集包含了1500万个坐标点，轨迹的总距离达到900多万公里。

  • 时间：2008年

  • 数据大小：80M左右。

  • 数据集下载地址：

https://www.microsoft.com/en-us/research/publication/t-drive-trajectory-data-sample/

  • 数据详细说明：

https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/User_guide_T-drive.pdf

  • 数据格式：

Here is a piece ofsample in a file:

1,2008-02-0215:36:08,116.51172,39.92123
1,2008-02-0215:46:08,116.51135,39.93883
1,2008-02-0215:46:08,116.51135,39.93883
1,2008-02-0215:56:08,116.51627,39.91034
1,2008-02-0216:06:08,116.47186,39.91248
1,2008-02-0216:16:08,116.47217,39.92498
1,2008-02-02 16:26:08,116.47179,39.90718
1,2008-02-0216:36:08,116.45617,39.90531
1,2008-02-0217:00:24,116.47191,39.90577
1,2008-02-0217:10:24,116.50661,39.9145
1,2008-02-0220:30:34,116.49625,39.9146
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11

每一个字段的所代表的意思是：

taxi id, date time,longitude, latitude

  • 使用到该数据集的论文有：

J. Yuan, Y. Zheng, and X. Xie. 2012. Discovering regions ofdifferent functions in a city using human mobility and POIs. In Proceedings ofthe 18th ACM SIGKDD International Conference on Knowledge Discovery and DataMining. ACM, 186–194.

J. Yuan, Y. Zheng, C. Zhang, W. Xie, X. Xie, G. Sun, and Y.Huang. 2010a. T-Drive: Driving directions based on taxi trajectories. InProceedings of the 18th Annual ACM International Conference on Advances inGeographic Information Systems. ACM, 99–108.

J. Yuan, Y. Zheng, X. Xie, and G. Sun. 2011a. Driving withknowledge from the physical world. In Proceedings of the 17th ACM SIGKDDInternational Conference on Knowledge Discovery and Data Mining. ACM, 316–324.

J. Yuan, Y. Zheng, X. Xie, and G. Sun. 2013a. T-Drive:Enhancing driving directions with taxi drivers’

intelligence. IEEE Transaction on Knowledge and DataEngineering 25, 1 (2013), 220–232.

N. J. Yuan, Y. Zheng, L. Zhang, and X. Xie. 2013b. T-Finder:A recommender system for finding passengers and vacant taxis. IEEE Transactionon Knowledge and Data Engineering 25, 10 (2013), 2390–2403.

N. J. Yuan, Y. Zheng, X. Xie, Y. Wang, K. Zheng, and H.Xiong. 2015. Discovering urban functional zones using latent activitytrajectories. IEEE Transactions on Knowledge and Data Engineering 27, 3 (2015),1041–4347.

S. Ma, Y. Zheng, and O. Wolfson. 2013. T-Share: Alarge-scale dynamic taxi ridesharing service. In Proceedings of the 29th IEEEInternational Conference on Data Engineering. IEEE, 410–421.

S. Ma, Y. Zheng, and O. Wolfson. 2015. Real-time city-scaletaxi ridesharing. IEEE Transactions on Knowledge and Data Engineering 99.DOI:http://doi.ieeecomputersociety.org/10.1109/TKDE.2014.2334313

Jing Yuan, Yu Zheng, Xing Xie, and Guangzhong Sun. Drivingwith knowledge from the physical world. In The 17th ACM SIGKDD internationalconference on Knowledge Discovery and Data mining, KDD’11, New York, NY, USA,2011. ACM.

Jing Yuan, Yu Zheng, Chengyang Zhang, Wenlei Xie, Xing Xie, Guangzhong Sun, and
Yan Huang. T-drive: driving directions based on taxi trajectories. In
Proceedings of the 18th SIGSPATIAL International Conference on Advances in
Geographic Information Systems, GIS ’10, pages 99-108, New York, NY, USA,2010.
ACM.

3. GPS Trajectories with transportationmode labels

这个数据集是微软亚洲研究院Geolift项目用到的GPS轨迹数据集的一部分。这个数据集代表按时间顺序排序的点集，每一个点所包含的信息有经纬度、高度、速度和当前朝向等等。这些轨迹数据是由不同的GPS设备收集的，这些设备的数据收集频率是不一样的。95%的轨迹是密集的，比如每2～5秒或者每5～10米一个点。

轨迹数据文件被转换成了.plt格式，每一个轨迹还有一个单独文件存储的交通方式标签文件，比如开车、坐公交车、骑自行车、步行。

  • 时间：2008年
  • 数据集大小：大概80M。
  • 下载地址：

https://www.microsoft.com/en-us/research/publication/gps-trajectories-with-transportation-mode-labels/

  • 数据格式：

交通方式数据格式：

Date    Start Time       End Time        Transportationmodes
2008/3/1          11:07:00          11:40:00          walk
2008/3/1          11:44:00          12:07:00          bus
2008/3/1          12:07:00          13:30:00          walk
2008/3/1          13:30:00          13:55:00          car
2008/3/1          13:55:00          14:16:00          walk
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

Plt格式文件数据的格式：

39.977685,116.3276249,1,0,39539.1428935185,2008/04/01,03:25:46
39.9777233,116.3276216,0,0,39539.1429050926,2008/04/01,03:25:47
39.9778499,116.3276266,0,0,39539.1429398148,2008/04/01,03:25:50
39.9779866,116.3276249,0,0,39539.142974537,2008/04/01,03:25:53
39.97812,116.3276133,0,0,39539.1430092593,2008/04/01,03:25:56
第一个字段：纬度（十进制）
第二个字段：纬度（十进制）
第三个字段：0表示正常，1表示在轨迹中断
第四个字段：海拔高度（英尺），-777表示无效
第五个字段：日期—注意下面的日期格式，如果是空白的，就会使用一个预设的日期。
第六个字段：日期字符串
第七个字段：时间字符串
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

需要注意的是：
这里写图片描述

具体请查看官方说明：

https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/User20Guide-with20labels.pdf）

  • 使用到该数据集的论文：

Y. Zheng, Q. Li, Y. Chen, and X. Xie. 2008a. Understandingmobility based on GPS data. In Proceedings of the 11th International Conferenceon Ubiquitous Computing. ACM, 312–321.

Y. Zheng, L. Liu, L. Wang, and X. Xie. 2008b. Learningtransportation mode from raw GPS data for geographic application on the Web. InProceedings of the 17th International Conference on World Wide Web.ACM,247–256.

[1] Yu Zheng, Like Liu, Longhao Wang, Xing Xie. LearningTransportation Modes from Raw GPS Data for Geographic Application on the Web,In Proceedings of International conference on World Wild Web (WWW 2008), Beijing,China. ACM Press: 247-256

[2] Yu Zheng, Quannan Li, Yukun Chen, Xing Xie. Understanding Mobility Based on
GPS Data. In Proceedings of ACM conference on Ubiquitous Computing (UbiComp
2008), Seoul, Korea. ACM Press: 312–321.

[3] Yu Zheng, Yukun Chen, Quannan Li, Xing Xie, Wei-Ying Ma.Understanding transportation modes based on GPS data for Web applications. ACMTransaction on the Web. Volume 4, Issue 1, January, 2010. pp. 1-36.

4. 社交网络签到数据集：

这是一个基于社交网络的网站的用户签到的数据集，来自斯坦福大学网站。好友网络不是直接相连接的，这些数据是通过网站的公共接口获取的，包含了196591个节点和950327个边。从2009年2月到2010年10月总共收集了6442890个签到记录。

  • 数据集大小：用户签到的时间和位置的文件有101M， 好友网络数据：6.1M.
  • 数据格式：
user latitude [location id] 
196514 2010-07-24T13:45:06Z 53.3648119 -2.2723465833 145064 
196514 2010-07-24T13:44:58Z 53.360511233 -2.2763690171275991 
196514 2010-07-24T13:44:46Z 53.3653895945 -2.2754087046376497 
196514 2010-07-24T13:44:38Z 53.3663709833 -2.270076433398503 
196514 2010-07-24T13:44:26Z 53.3674087524 -2.27838134771043431 
196514 2010-07-24T13:44:08Z 53.3675663377 -2.278631763881734
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

这个也是上面同一家网站所产生的数据，也是基于社交网络数据，大约300M， 详情和下载网址为；http://www.yongliu.org/datasets

  • 使用到该数据集的论文有：

E. Cho, S. A. Myers, J. Leskovec. Friendship and Mobility: Friendship and Mobility: User Movement in Location-BasedSocial Networks ACM SIGKDD International Conference on KnowledgeDiscovery and Data Mining (KDD), 2011.

  • 使用了check-in类型数据集的论文有：

L. Wei, Y. Zheng, and W. Peng. 2012. Constructing popularroutes from uncertain trajectories. In Proceedings of the 18th ACM SIGKDD InternationalConference on Knowledge Discovery and Data Mining. ACM, 195–203.

J. Bao, Y. Zheng, and M. F. Mokbel. 2012. Location-based andpreference-aware recommendation using sparse geo-social networking data. InProceedings of the 20th ACM SIGSPATIAL International Conference on Advances inGeographic Information Systems. ACM, 199–208.

2013年Foursquare的数据集(150M)：

5. 这个是国家飓风中心的数据

（1）大西洋飓风数据库，时间为1851到2015年之间，这个数据集在2016年7月6日提供，包含了1956年到1960年修订之后的。这个数据集叫HURDAT2， 之前那个HURDAT被替换了。

这个数据集用逗号分隔的文本，六小时信息的位置，最大的风，中央的压力，和（从2004开始）所有已知的热带气旋和热带气旋的大小。

这里写图片描述

（2）1949-2015年东北部和北部太平洋中心飓风数据库，大概3.2兆。

6. 其他数据

时空数据，网络数据， 数据流， 神经图像数据，生物信息学（基因表达）数据集http://dm.uestc.edu.cn/resource/

Natural Earth :http://www.naturalearthdata.com/

Machine Learning Repository: http://archive.ics.uci.edu/ml/

Google Trends Datastore: http://googletrends.github.io/data/

Open Data Network: https://www.opendatanetwork.com/

文章标签：
定位技术
数据格式
jiapeng_lv
目录
相关文章
MrRobot
|
前端开发 JavaScript 定位技术
GIS前端编程-地理事件动态模拟
GIS前端编程-地理事件动态模拟
MrRobot
113 0
GISer_Liu
|
数据可视化 定位技术
GIS空间分析 三维分析2 TIN创建与三维可视化
本文中，我将带你了解如何在ArcGIS中使用DEM数据制作三维模型
GISer_Liu
327 0
rbvb2ms5saimy
|
5月前
|
存储 Cloud Native 关系型数据库
Ganos实时热力聚合查询能力解析与最佳实践
Ganos是由阿里云数据库产品事业部与飞天实验室共同研发的新一代云原生位置智能引擎，集成于PolarDB-PG、Lindorm、AnalyticDB-PG和RDS-PG等核心产品中。Ganos拥有十大核心引擎，涵盖几何、栅格、轨迹等多种数据处理能力，实现了多模多态数据的一体化存储、查询与分析。本文重点介绍了Ganos的热力瓦片（HMT）技术，通过实时热力聚合查询与动态输出热力瓦片，无需预处理即可实现大规模数据秒级聚合与渲染，适用于交通、城市管理、共享出行等多个领域。HMT相比传统网格聚合技术具有高效、易用的优势，并已在多个真实场景中验证其卓越性能。
rbvb2ms5saimy
89 0
rbvb2ms5saimy
|
5月前
|
SQL 关系型数据库 分布式数据库
用Ganos低代码实现免切片遥感影像浏览
本文介绍了一种基于PolarDB兼容PostgreSQL 14的高效栅格数据管理和可视化方案。推荐配置包括4核CPU、16GB内存、50GB磁盘等。通过创建扩展并上传影像至OSS，利用SQL语句完成数据导入、镶嵌、匀色及金字塔构建。重点介绍了使用ST_AsTile函数动态生成标准瓦片的方法，支持多种格式和增强方式。前端通过Python实现服务接口，实现实时、高效的数据展示。此方案具有实时性强、存储成本低等优点，适合快速可视化大量栅格数据。
rbvb2ms5saimy
64 0
zcq5jk6y5y5e4
|
6月前
|
数据可视化 定位技术 API
一些可用于研究的GIS数据资源
一些可用于研究的GIS数据资源
zcq5jk6y5y5e4
60 1
Ganos全空间数据库
|
9月前
|
存储 数据可视化 Cloud Native
用Ganos低代码实现免切片遥感影像浏览（二）：动态栅格瓦片
本文介绍了Ganos全新发布了动态栅格瓦片能力，帮助用户将库内栅格数据或栅格分析结果快速可视化，无需依赖类似GeoServer等空间服务中间件，技术栈短平快，使用灵活高效。
Ganos全空间数据库
501 7
拓端数据部落
|
9月前
|
定位技术 API 数据处理
使用GIS制作静态地图和处理地理数据
使用GIS制作静态地图和处理地理数据
拓端数据部落
81 0
此星光明
|
9月前
|
人工智能 云计算
全球30m不透水地表动态数据集（GISD30）
全球30m不透水地表动态数据集（GISD30）
此星光明
106 0
Ganos全空间数据库
|
前端开发 关系型数据库 定位技术
用Ganos低代码实现免切片遥感影像浏览（一）
本文介绍了使用PolarDB-PG数据库配合Ganos时空数据库引擎，不借助第三方工具仅利用SQL语句快速管理与展示遥感影像数据的一种方法。Ganos共提供两种影像免切浏览的方法，一种使用窗口范围获取影像数据展示，另一种通过固定瓦片范围获取影像数据展示，本文详细介绍第一种方法并提供了前后端实操代码帮助用户可以快速理解Ganos Raster的使用细节。
Ganos全空间数据库
921 7
Ganos全空间数据库
|
存储 SQL 数据可视化
Ganos三维引擎系列（一）：倾斜摄影数据管理与可视化功能解析
本文介绍了阿里云多模态时空数据库Ganos三维引擎在倾斜摄影数据管理中的应用。Ganos三维引擎支持三大类存储结构：表面网格模型、体网格模型与3D实景模型，其中表面网格模型用于存储带有语义的类BIM精细化三维模型，体网格模型用于存储地质体等非匀质“场”类三维模型，3D实景模型用于存储倾斜摄影、精白模等用于渲染的三维模型，三种存储结构都提供了原生数据类型、空间索引、分析算子、导入导出工具、可视化支撑等功能，为数字孪生类应用提供闭环的存算显能力，本文重点介绍基于3D实景模型开展倾斜摄影数据管理与可视化等功能。
Ganos全空间数据库
2579 12