# Transbigdata Traj

> 使用 TransBigData 进行轨迹数据处理。适用于轨迹清洗（漂移、冗余）、平滑、分段、停留识别、路网匹配、轨迹密化稀疏化等任务。

- Skill: `ni1o1/transbigdata-traj` (Agent Skill)
- Install (CLI): `npx skillmds@latest add ni1o1/transbigdata-traj`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ni1o1/transbigdata-traj/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: ni1o1 (https://skillmd.com/u/ni1o1)
- Updated: 2026-09-22
- Page: https://skillmd.com/skills/ni1o1/transbigdata-traj

---


# TransBigData 轨迹处理指南

## 安装

```bash
pip install transbigdata
```

## 核心函数

### 1. 轨迹漂移清洗 - `traj_clean_drift()`

删除速度/距离/角度异常的漂移点。

```python
import transbigdata as tbd

# 清洗漂移数据
data_clean = tbd.traj_clean_drift(
    data,
    col=['VehicleNum', 'Time', 'Lng', 'Lat'],
    speedlimit=80,      # 速度上限 km/h
    dislimit=1000,      # 距离上限 m
    anglelimit=30       # 角度变化上限（度）
)
```

### 2. 冗余数据清洗 - `traj_clean_redundant()`

删除重复或冗余的轨迹点。

```python
data_clean = tbd.traj_clean_redundant(
    data,
    col=['VehicleNum', 'Time', 'Lng', 'Lat']
)
```

### 3. 轨迹平滑 - `traj_smooth()`

使用卡尔曼滤波平滑轨迹。

```python
data_smooth = tbd.traj_smooth(
    data,
    col=['id', 'time', 'lon', 'lat'],
    process_noise_std=0.1,
    measurement_noise_std=1
)
```

### 4. 轨迹分段 - `traj_segment()`

根据时间间隔分割轨迹，返回每段起终点信息。

```python
segments = tbd.traj_segment(
    data,
    col=['VehicleNum', 'Time', 'Lng', 'Lat'],
    groupby_col=['VehicleNum'],
    retain_col=['Lng', 'Lat']
)
```

### 5. 轨迹切片 - `traj_slice()`

根据给定的时间段切割轨迹。

```python
# 已知移动段信息
sliced = tbd.traj_slice(
    data,
    move,  # 包含 stime, etime 的 DataFrame
    traj_col=['VehicleNum', 'Time'],
    slice_col=['VehicleNum', 'stime', 'etime', 'tripid']
)
```

### 6. 停留与移动识别 - `traj_stay_move()`

识别轨迹中的停留点和移动段。

```python
stay, move = tbd.traj_stay_move(
    data,
    params,              # 栅格参数
    col=['VehicleNum', 'Time', 'Lng', 'Lat'],
    activitytime=1800    # 停留判定时间阈值（秒）
)
```

### 7. 轨迹密化 - `traj_densify()`

在轨迹点之间插值生成更密集的点。

```python
data_dense = tbd.traj_densify(
    data,
    col=['VehicleNum', 'Time', 'Lng', 'Lat'],
    timegap=15  # 目标时间间隔（秒）
)
```

### 8. 轨迹稀疏化 - `traj_sparsify()`

降低轨迹采样频率。

```python
data_sparse = tbd.traj_sparsify(
    data,
    col=['VehicleNum', 'Time', 'Lng', 'Lat'],
    timegap=60,              # 目标时间间隔（秒）
    method='subsample'       # 'subsample' 或 'interpolate'
)
```

### 9. 轨迹转线 - `traj_to_linestring()`

将轨迹点转换为 GeoDataFrame 线几何。

```python
traj_gdf = tbd.traj_to_linestring(
    data,
    col=['VehicleNum', 'Lng', 'Lat'],
    timecol='Time'
)
```

### 10. 路网匹配 - `traj_mapmatch()`

将轨迹匹配到路网。

```python
import osmnx as ox

# 获取路网
G = ox.graph_from_place('Shenzhen, China', network_type='drive')

# 路网匹配
matched = tbd.traj_mapmatch(
    data,
    G,
    col=['VehicleNum', 'Time', 'Lng', 'Lat']
)
```

### 11. 轨迹长度计算 - `traj_length()`

计算轨迹总长度（米）。

```python
data_with_length = tbd.traj_length(
    data,
    col=['VehicleNum', 'Time', 'Lng', 'Lat'],
    method='Haversine'  # 或 'Euclidean'
)
```

## 完整示例：出租车轨迹处理流程

```python
import pandas as pd
import transbigdata as tbd

# 1. 加载数据
data = pd.read_csv('taxi_gps.csv')
data['Time'] = pd.to_datetime(data['Time'])

# 2. 数据清洗
data = tbd.traj_clean_redundant(data, col=['VehicleNum', 'Time', 'Lng', 'Lat'])
data = tbd.traj_clean_drift(data, col=['VehicleNum', 'Time', 'Lng', 'Lat'],
                            speedlimit=100, dislimit=1000)

# 3. 轨迹平滑
data = tbd.traj_smooth(data, col=['VehicleNum', 'Time', 'Lng', 'Lat'])

# 4. 生成栅格参数（500米）
bounds = [113.75, 22.4, 114.62, 22.86]
params = tbd.area_to_params(bounds, accuracy=500)

# 5. 停留移动识别
stay, move = tbd.traj_stay_move(data, params,
                                col=['VehicleNum', 'Time', 'Lng', 'Lat'],
                                activitytime=1800)

# 6. 转换为轨迹线
traj_gdf = tbd.traj_to_linestring(data, col=['VehicleNum', 'Lng', 'Lat'],
                                  timecol='Time')

# 7. 可视化
traj_gdf.plot(figsize=(10, 10))
```

## 使用建议

1. **清洗顺序**: 先去冗余，再去漂移
2. **停留识别**: `activitytime` 通常设为 1800 秒（30分钟）
3. **路网匹配**: 需要先用 OSMnx 获取路网数据
4. **密化/稀疏化**: 根据分析需求调整 `timegap`

## 参考文档

完整文档: https://transbigdata.readthedocs.io/en/latest/traj.html