Tous les produits
Search
Centre de documentation

PolarDB:Méthodes courantes de GanosBase pour le traitement des points d'échantillonnage de trajectoire

Dernière mise à jour :Aug 11, 2026

GanosBase propose quatre catégories de fonctions pour prétraiter les points d'échantillonnage de trajectoire : filtrage, segmentation, rééchantillonnage et simplification. Disponibles à partir de la version 5.2 de GanosBase, ces fonctions corrigent les problèmes courants de qualité des données dans les trajectoires GPS.

Trajectoires GanosBase

Les trajectoires sont des objets spatio-temporels servant à analyser et traiter des entités mobiles telles que piétons, véhicules, navires et aéronefs.

Les données de trajectoire se représentent de deux manières :

  • Points discrets : ensemble de points d'échantillonnage individuels. Cette approche, plus sensible à la fréquence d'échantillonnage, reste algorithmiquement plus simple. Les fonctions de calcul de similarité et de segmentation opèrent généralement sur des points discrets.

  • Lignes continues : polyligne spatiale évoluant dans le temps. Ce format, moins sensible à la fréquence d'échantillonnage, prend en charge les opérations spatiales sur la géométrie de la polyligne.

Par exemple, un vélo en libre-service signale ses coordonnées (114,35, 39,28) le 11 avril 2020 à 17:42:30. L'enregistrement suivant est alors généré :

Heure x y
2020-04-11 17:42:30 114,35 39,28

Des attributs supplémentaires, comme la vitesse, peuvent être enregistrés à chaque point d'échantillonnage :

Heure x y Vitesse
2020-04-11 17:42:30 114,35 39,28 4,3
2020-04-11 17:43:30 114,36 39,28 4,8
2020-04-11 17:45:00 114,35 39,29 3,5

Ces points forment une trajectoire spatio-temporelle, illustrée dans la figure suivante.

image

Le moteur de trajectoire natif GanosBase de PolarDB introduit le type trajectory, l'indexation et les opérateurs spatio-temporels pour résoudre les problématiques de stockage, de récupération et d'analyse des objets mobiles.

Problèmes de qualité des données de trajectoire GPS

Dans la plupart des scénarios métier, des systèmes tels que le système de gestion des transports (TMS) et le système d'identification automatique (AIS) collectent les données de trajectoire à partir de signaux GPS selon une fréquence d'échantillonnage relativement constante. Toutefois, les problèmes suivants peuvent dégrader la qualité de ces données :

  • Points de dérive : le bruit du signal GPS entraîne un écart significatif des points d'échantillonnage par rapport au trajet réel.

  • Bruit stationnaire : les objets immobilisés pendant de longues périodes, comme les navires à l'ancre ou les véhicules dans les aires de repos, génèrent un excès de points redondants.

  • Densité de points inégale : certaines étapes de prétraitement, notamment la réduction du bruit, peuvent créer des lacunes dans la trajectoire. L'échantillonnage irrégulier qui en résulte introduit des erreurs lors des calculs de similarité ultérieurs.

  • Volumes de données importants : une densité de points élevée réduit les performances de rendu frontal, provoquant des échecs de programme et des saccades.

Méthodes de traitement

Méthode Fonction Cas d'utilisation
Filtrage de trajectoire ST_removeDriftPoints Présence de dérives GPS ou d'anomalies de vitesse
Segmentation de trajectoire ST_Split Division d'une trajectoire à des points spécifiques ou suppression de segments
Rééchantillonnage de trajectoire ST_Resample Densité de points inégale après prétraitement
Simplification de trajectoire ST_Compress, ST_CompressSED Réduction du nombre de points tout en préservant la forme du déplacement

ST_removeDriftPoints — filtrage de trajectoire

La fonction ST_removeDriftPoints supprime les points s'écartant considérablement du modèle de déplacement attendu. Elle traite deux types d'anomalies :

  • Dérive spatiale causée par une mauvaise qualité du signal GPS.

  • Anomalies de vitesse dues au saut d'un objet entre plusieurs positions sur un court laps de temps, conséquence d'un échantillonnage dense mais imprécis.

Pour plus d'informations, consultez ST_removeDriftPoints.

image

Exemple

SELECT ST_removeDriftPoints(
    ST_SetSRID(
        ST_MakeTrajectory(
            ARRAY_AGG(ROW(traj.arrival_time::TIMESTAMP, st_x(traj.pts)::DOUBLE PRECISION, traj.lat::DOUBLE PRECISION, traj.rowid)),
            FALSE, '{"rowid"}'::cstring[]
        ), 4326
    ),
    40,   -- maximum speed threshold
    10,   -- minimum distance threshold
    '1 minute'::INTERVAL  -- minimum time interval
) FROM (
    SELECT
        time,
        ST_makepoint(lon, lat) pts,
        lat,
        rowid
    FROM point_table
    WHERE time IS NOT NULL AND lon IS NOT NULL AND lat IS NOT NULL
    ORDER BY rowid
) traj INTO trajectory_table;

ST_Split — segmentation de trajectoire

La fonction ST_Split divise une trajectoire en plusieurs sous-trajectoires à l'aide d'objets géométriques. Elle offre trois modes de segmentation :

Mode Description Cas d'utilisation
cut_point Coupe la trajectoire à un point d'échantillonnage existant. Les deux sous-trajectoires résultantes incluent le point de division. Trajectoire trop longue nécessitant une division à un point connu pour analyse.
cut_edge Coupe la trajectoire à un point interpolé le long d'une arête (sans se limiter aux points d'échantillonnage existants). Les deux sous-trajectoires incluent le point interpolé. Division de trajectoires selon des intervalles fixes, tels que des fenêtres temporelles ou des grilles spatiales.
drop_edge Supprime une arête de trajectoire. Les deux extrémités de l'arête supprimée deviennent chacune l'extrémité de leur sous-trajectoire respective. Élimination des segments stationnaires, par exemple pour exclure les périodes durant lesquelles un vélo partagé est garé.

Pour plus d'informations, consultez ST_Split.

image

Exemple (suppression des arêtes de plus de 10 unités spatiales en 2D)

WITH traj AS (
    SELECT '{"trajectory":{"version":1,"type":"STPOINT","leafcount":19,...}}'::trajectory AS a
)
SELECT ST_Split(a, '{"drop_edge.spatial_distance_2d":10}') FROM traj;

ST_Resample — rééchantillonnage de trajectoire

La fonction ST_Resample corrige la distribution inégale des points sur une trajectoire. Une densité irrégulière résulte généralement d'un prétraitement de réduction du bruit et peut nuire aux performances de l'analyse locale de trajectoire.

Deux stratégies de rééchantillonnage sont disponibles :

Stratégie Description Cas d'utilisation
add_point Augmente la densité de points par interpolation de nouveaux points. Analyses détaillées telles que statistiques de densité ou correspondance de similarité.
drop_point Diminue la densité de points par suppression. Extraction des tendances de déplacement à long terme ou simplification de la trajectoire.

Pour plus d'informations, consultez ST_Resample.

Exemple (ajout de points interpolés afin que l'intervalle entre points consécutifs ne dépasse pas 5 minutes)

SELECT ST_Resample(ST_OnlyST(traj), '{"add_point.period_lesser":"5 minute"}')
FROM table;

Simplification de trajectoire

La simplification de trajectoire (compression avec perte) réduit le nombre de points d'échantillonnage tout en conservant la forme globale du déplacement. Cette opération diminue les besoins de stockage et améliore les performances de rendu.

Deux fonctions de simplification sont proposées :

Fonction Algorithme Cas d'utilisation Référence
ST_Compress Douglas-Peucker Trajectoires 2D dont tous les points d'échantillonnage se situent sur le même plan. ST_Compress
ST_CompressSED Distance euclidienne synchronisée (SED) Trajectoires spatio-temporelles intégrant une dimension temporelle. ST_CompressSED

Fonctionnement des algorithmes

L'algorithme Douglas-Peucker définit une valeur de tolérance correspondant à l'écart maximal autorisé entre la trajectoire originale et la trajectoire simplifiée. En partant des extrémités, il identifie itérativement le point le plus éloigné du chemin simplifié, le réintègre, puis répète l'opération jusqu'à ce que tous les points restants se trouvent dans la marge de tolérance. Cet algorithme fonctionne en 2D et exige que tous les points soient situés sur le même plan.

image

Pour les trajectoires spatio-temporelles, l'application de l'algorithme Douglas-Peucker 2D peut produire des résultats incorrects. Lorsqu'un objet est immobile, sa trajectoire forme une ligne verticale le long de l'axe temporel qui se réduit à un point unique en 2D. L'algorithme standard supprime alors l'une des extrémités de la ligne et déforme la structure 3D. La fonction ST_CompressSED utilise la distance euclidienne synchronisée (SED) plutôt que la distance euclidienne perpendiculaire, préservant ainsi la dimension temporelle et garantissant une compression précise des données spatio-temporelles.

Bonnes pratiques

Suppression des points de dérive dans les données de trajectoire navale

Pour construire une trajectoire de navigation précise à partir de données de points AIS, créez une trajectoire à partir des valeurs de latitude et de longitude collectées, éliminez les points de dérive GPS, puis enregistrez la trajectoire nettoyée.

SELECT
    ST_removeDriftPoints(
        ST_SetSRID(
            ST_MakeTrajectory(
                ARRAY_AGG(ROW(traj.arrival_time::TIMESTAMP, st_x(traj.pts)::DOUBLE PRECISION, traj.lat::DOUBLE PRECISION, traj.rowid)),
                FALSE, '{"rowid"}'::cstring[]
            ), 4326
        ),
        40,
        10,
        '1 minute'::INTERVAL
    )
FROM (
    SELECT
        time,
        ST_makepoint(lon, lat) pts,
        lat,
        rowid
    FROM point_table
    WHERE time IS NOT NULL
      AND lon IS NOT NULL
      AND lat IS NOT NULL
    ORDER BY rowid
) traj INTO trajectory_table;

Rééchantillonnage des points de trajectoire de drone et calcul de la densité de points

Pour analyser les modèles de déplacement des drones, segmentez la trajectoire en intervalles de 5 minutes, rééchantillonnez les points au sein de chaque intervalle, puis calculez la densité de points afin de l'utiliser comme entrée pour un modèle d'apprentissage automatique.

SELECT
    ST_Density(
        ST_Resample(ST_OnlyST(traj),
        '{"add_point.period_lesser":"5 minute"}'),
        100, '30 minute'
    )
FROM table;

Simplification des trajectoires de véhicules de fret par suppression des longues arêtes stationnaires

Pour concentrer l'analyse sur les segments de trajet actif dans les données de trajectoire de véhicules de fret, supprimez les arêtes longues (correspondant généralement à des périodes d'immobilisation) afin de générer des sous-trajectoires plus courtes et analysables.

WITH traj AS (
    SELECT
        '{"trajectory":{"version":1,"type":"STPOINT","leafcount":19,"start_time":"2000-01-01 00:01:19.067179","end_time":"2000-01-01 03:24:25.946085","spatial":"LINESTRING(-100 -100 -100,-88.8925775739675 -86.6512698383691 -92.3767832526937,-79.6904716538265 -80.6515727923252 -84.2357598245144,-75.8435507711644 -73.7572890928326 -80.5007370118983,-70.6238425321256 -67.8213750167439 -74.5733173238113,-61.6014582272619 -61.0636760429479 -67.9874239303172,-56.1098577060426 -54.4264591250879 -64.5007972046733,-46.9800617334743 -49.4026757289345 -61.6160059720278,-41.7122942996211 -46.3224360072054 -56.5283147455193,-35.5646221285375 -38.1688933617746 -49.2775720101781,-31.7230528349367 -33.6970051738123 -44.1693710885011,-23.1585765127093 -26.5895827477798 -40.6539742602035,-16.7020264320696 -21.6133877349397 -37.3055470525287,-12.1044529232507 -14.1236051704424 -28.2295028120279,-3.77185660181567 -7.74744770256802 -24.3842111621052,0.488159407706304 -3.68223926316326 -19.9478872027248,6.33406881305078 4.54123636645575 -15.0410129944794,15.6666049417108 10.5611746329814 -11.2770220567472,14 11 -10)","timeline":["2000-01-01 00:01:19.067179","2000-01-01 00:12:36.116007","2000-01-01 00:23:53.164835","2000-01-01 00:35:10.213663","2000-01-01 00:46:27.262491","2000-01-01 00:57:44.311319","2000-01-01 01:09:01.360147","2000-01-01 01:20:18.408975","2000-01-01 01:31:35.457803","2000-01-01 01:42:52.506631","2000-01-01 01:54:09.555459","2000-01-01 02:05:26.604287","2000-01-01 02:16:43.653115","2000-01-01 02:28:00.701943","2000-01-01 02:39:17.750771","2000-01-01 02:50:34.799599","2000-01-01 03:01:51.848427","2000-01-01 03:13:08.897255","2000-01-01 03:24:25.946085"]}}'::trajectory AS a
)
SELECT ST_Split(a, '{"drop_edge.spatial_distance_2d":10}') FROM traj;