Citekey : Huang2023-TransitTrajectoryReconstruction
Thème : mobility
Année : 2023
Lien PDF : local: Huang et al. - 2023 - Reconstructing Transit Vehicle Trajectory Using High-Resolution GPS Data.pdf
Lié à : P005 (Telemachus – Qualité des données / Reconstruction trajectoire), B002, V002

🎯 Objectif du papier

Proposer une méthode robuste de reconstruction de trajectoires de bus utilisant des données GPS haute résolution (≈1 Hz, bruit modéré) et intégrant :

• un lissage intelligent,
• un modèle de courbe basé sur Piecewise Cubic Hermite Interpolation (PCHIP),
• un algorithme géométrique appelé LOCREG pour corriger les déviations locales,
• une combinaison LOCREG + PCHIP pour des trajectoires finales cohérentes, lisses et utilisables pour l’analyse opérationnelle.

📦 Contexte

Les données GPS des réseaux de transport :

• contiennent du bruit (urban canyon, multi‑trajets, sauts),
• présentent des trous (latences, pertes GNSS),
• doivent être reconstruites pour être exploitables dans :
  • l’analyse de ponctualité,
  • la modélisation des temps de parcours,
  • l’évaluation énergétique,
  • la simulation de trafic.

Le cas d’étude utilisé est la MBTA Route 1 (Boston), une ligne de bus très documentée.

🧠 Contributions clés

1. LOCREG — Local Regression Projected

Approche géométrique :

• segmentation locale d’une trajectoire,
• régression locale linéaire ou polynomial low‑order,
• projection des points aberrants sur la trajectoire locale reconstruite.

LOCREG permet de corriger les sauts GPS sans créer d’artefact directionnel.

2. PCHIP

Interpolation cubic‑Hermite assurant :

• continuité en position ET en dérivée,
• absence d’overshoot (contrairement aux splines classiques),
• robustesse aux discontinuités de vitesse.

3. Méthode hybride LOCREG‑PCHIP

Pipeline :

1. Correction locale (LOCREG)
2. Spline monotone (PCHIP)
3. Post‑traitement vitesse/accélération

Résultat : trajectoires plus lisses, plus cohérentes géométriquement, meilleurs profils de vitesse.

🧪 Expérimentations

Données

• réseau MBTA (Massachusetts Bay Transportation Authority)
• plusieurs semaines de données GPS brutes
• fréquence : 1 Hz (≈ typique smartphone / boîtiers télématiques)

Évaluation

• comparaison avec :
  • Kalman simple,
  • spline naturaliée,
  • moving average,
  • PCHIP seul,
  • LOCREG seul.

Résultats principaux

• LOCREG-PCHIP est systématiquement meilleur en RMSE spatial
• amélioration de la vitesse reconstruite (moins de bruit haute fréquence)
• meilleure stabilité pour les phases d’arrêt / redémarrage
• réduction des erreurs dans les virages (où la spline classique overshoot)

🔎 Intérêt pour RS3 / Telemachus

• Algorithme directement pertinent pour :
  • la reconstruction de trajectoires RS3
  • le module Road Genome
  • le traitement des données brutes Telemachus dans un standard robuste
• PCHIP pourrait devenir un opérateur optionnel dans Core2 – Trajectory Operators
• LOCREG peut inspirer une correction locale de trajectoire IMU/GNSS côté fusion

❗ Points faibles / limites

• Très dépendant du paramétrage de la fenêtre locale
• Ne traite pas les dynamiques haute fréquence (accélération IMU manquante)
• Pas évalué en urban canyon sévère
• Manque une version temps‑réel (tout est off‑line)

📌 Conclusion

Un papier très utile pour :

• préparer P005 (reconstruction trajectoire Telemachus),
• améliorer les algorithmes RS3,
• enrichir la partie “qualité GNSS” de la thèse RS3.

LOCREG‑PCHIP est un bon compromis robustesse / simplicité, facilement implémentable dans Telemachus‑Py.

🗂️ TODO (RS3 / TELEFORGE)

• Implémenter LOCREG (version Python)
• Bench PCHIP vs splines RS3
• Ajouter opérateur “smooth_trajectory” dans Core2
• Préparer figures comparatives pour P005
• Mettre à jour status.yaml → summarized