CN104064051A - 一种乘客便携移动终端与所乘公交车辆定位信息动态匹配方法 - Google Patents

Abstract

一种乘客便携移动终端与所乘公交车辆定位信息动态匹配方法，包括以下步骤：1)乘客通过移动终端向公交信息服务系统后台数据库发送身份信息和移动终端GPS轨迹数据，提出匹配请求；2)公交信息服务系统后台数据库在收到匹配请求后，识别乘客位置信息，将乘客GPS轨迹信息与后台数据库的公交车辆实时轨迹信息数据进行匹配，基于采样点的匹配过程完成后，如果能够识别匹配车辆，则进入步骤3)；3)匹配成功后，公交信息后台数据库向乘客移动终端反馈唯一的公交后台数据库访问密钥以向乘客客户端授权开放数据库，获取公交车辆信息数据。本发明提供了一种快速性良好、准确性较高的乘客便携移动终端与所乘公交车辆定位信息动态匹配方法。

Description

一种乘客便携移动终端与所乘公交车辆定位信息动态匹配方法

技术领域

本发明属于智能交通技术领域，涉及一种公交车辆定位信息动态匹配方法。

背景技术

我国交通运输部积极落实国家优先发展公共交通战略，推进“公交都市”建设，明确要求为公共交通出行者提供便捷的动态出行信息服务。而为途中的乘客提供在线信息服务是其中的技术难点。

现状我国大中城市公共交通企业基本普及了为公交车辆装配GPS车载设备，并建设开发与之配套的庞大后台数据库。逐步实现公交运营与调度、公交出行的智能化、数字化、网络化以及集成化。与此同时，带有GPS功能的智能手机等移动终端快速普及，为广大公交乘客途中动态查询公交服务信息提供了可能。于是如何快速、准确的匹配乘客便携移动终端和所乘公交车辆工具，为乘客便携移动终端的公交信息服务软件API提供所乘车辆ID成为支撑各类公交信息服务的关键。

发明内容

为了克服公交车乘客与所乘公交车辆空间定位匹配方式的快速性较差、准确率较低的不足，本发明提供了一种快速性良好、准确性较高的乘客便携移动终端与所乘公交车辆定位信息动态匹配方法。

本发明解决其技术问题所采用的技术方案是：

一种乘客便携移动终端与所乘公交车辆定位信息动态匹配方法，所述匹配方法包括以下步骤：

1)乘客通过移动终端向公交信息服务系统后台数据库发送身份信息和移动终端GPS轨迹数据，提出匹配请求；

2)公交信息服务系统后台数据库在收到匹配请求后，识别乘客位置信息，将乘客GPS轨迹信息与后台数据库的公交车辆实时轨迹信息数据进行匹配，采样点属性匹配过程如下：

定义采样时间区间[t_b,t_f)，t_b和t_f分别为采样时间段的起始时刻和终止时刻，在此期间移动对象i和j的轨迹点采样数的较小值为n，移动速度分别为矢量和采样时间的确定是为了形成一段有效的轨迹片段，设：

D_X(i,j)(k)＝X_i,k-X_j,k为对象i和j在X方向的坐标差

D_Y(i,j)(k)＝Y_i,k-Y_j,k为对象i和j在Y方向的坐标差

式中，k＝1,2,3...n,X_i,k和Y_i,k分别表示对象i在第k个采样的点X和Y坐标，则两采样点的距离可以表示为：

$L_{(i,j)}\left(k\right)=\sqrt{{D_{X(i,j)}}^2\left(k\right)+{D_{Y(i,j)}}^2\left(k\right)};$

匹配包括以下四重逻辑：

a、速度方向判断，通过轨迹运动方向剔除不一致的轨迹线路：

即 $\stackrel{\→}{v_i}\·\stackrel{\→}{v_j}\≤O;$

b、速度大小判断，通过采样点运动速度大小比较剔除速度不一致的轨迹线路： $\left|\right|\stackrel{\→}{v_i}|-|\stackrel{\→}{v_j}\left|\right|\≥\left|v_{\mathrm{\Δ}}\right|,$ v_Δ为设定速度差阈值；

c、采样点空间距离判断，通过对应时刻采样点的空间距离大小来剔除距离过大的采样点的轨迹，即：

max{L_(i,j)(k),k＝1,2,...,n}≤L_Δ，L_Δ为设定距离差阈值；

d、采样点距离变化趋势判断，通过比对轨迹中各对应采样点的距离标准差来剔除距离波动过大的点，即：

${\mathrm{\δ}}_L=\sqrt{\frac{1}{n-1}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(L_{(i,j)}\left(k\right)-\stackrel{\‾}{L_{(i,j)}\left(n\right)})}^2}\≤{\mathrm{\δ}}_{\mathrm{\Δ}}$

δ_Δ为设定距离标准差阈值，δ_L的值由实测数据得到；

上述的基于采样点的匹配过程完成后，如果能够识别匹配车辆，则进入步骤3)；

3)匹配成功后，公交信息后台数据库向乘客移动终端反馈唯一的公交后台数据库访问密钥以向乘客客户端授权开放数据库，获取公交车辆信息数据。

进一步，所述步骤(2)中，如果不能够识别匹配车辆，基于筛选出的轨迹片段，进行基于轨迹段相似度的匹配，过程如下：

2.1)在进行轨迹匹配之前，对轨迹及其相关属性进行形式化描述；

TD表示轨迹集合，TD＝{TR₁,TR₂,…,TR_i,…,TR_n}，其中，轨迹TR_i(1≤i≤n)是由若干个多维度的位置点按照时间顺序组成的一个序列：TR_i＝{P₁,P₂,…,P_j,…,P_m}，其中，P_j(1≤j≤m)表示为<Location_j,T_j>，是轨迹中的一个采样点，表示在T_j时刻运动物体位置为Location_j，其中，Location_j是一个多维度的位置点；

轨迹信息包括：速度、形状、位置、转角和加速度，轨迹结构是轨迹内部特征属性的集合，在第一阶段采样点属性匹配中已经完成位置、方向、速度的匹配，将转角纳入与方向、速度组合成属性集合。本专利定义的轨迹结构包括3个特征，分别为方向、速度、转角；定义W＝{W_D,W_S,W_A}为特征权重向量，分别对应轨迹的结构特征向量；各权重满足：①所有权重取值均大于或等于零；②W_D+W_S+W_A＝1，轨迹结构的特征属性的敏感程度通过特征权重进行调节；

2.2)轨迹结构相似度计算

轨迹段的结构相似度计算包括3个部分的比较：方向的比较DirDist(L_i,L_j)；速度的比较SpeedDist(L_i,L_j)；转角的比较AngleDist(L_i,L_j)。其中L_i，L_j为轨迹段(1≤i≠j≤n)，这3部分的比较构成了轨迹段结构相似度的计算，式(1)，式(2)所示Normalized(…)为距离的归一化函数，结构相似度表示为1减去归一化函数值SSIM(L_i,L_j)；

SDIST(L_i,L_j)＝DirDist×W_D+SpeedDist×W_S+AngleDist×W_A (1)

SSIM(L_i,L_j)＝1-Normalized(SDIST(L_i,L_j)) (2)

SSIM体现了轨迹段在结构上的相似程度，SSIM比设定阈值大，表示轨迹段相似，匹配成功，反之则轨迹段不相似；

①方向信息的比较：DirDist(L_i,L_j)表示相对于轨迹段L_i，L_j在运动趋势上的偏转程度，是轨迹段的方向夹角：

方向距离的最好情况是两个轨迹段的方向相同且夹角较小(近似于同向平行)，这时DirDist≈0；

②速度的比较：SpeedDist(L_i,L_j)体现了对象移动速度的差异化比较

$\mathrm{SpeedDist}(L_i,L_j)=\frac{1}{3}(S_{\max }(L_i,L_j)+S_{\mathrm{avg}}(L_i,L_j)+S_{\min }(L_i,L_j))$

其中，S_max(L_i,L_j)表示|V_max(L_i)-V_max(L_j)|，体现轨迹段间最大速度的差异绝对值，S_avg，S_min分别是平均速度、最小速度的差异程度的绝对值，SpeedDist从最大、最小和平均速度3个方面来表示综合速度的差异；

③转角的比较：AngleDist(L_i,L_j)反应了轨迹段内部的方向变化特征，反应了轨迹内部的波动程度，内向变化的角为正角，外向变化的角为负角，轨迹的转角是一个累加量，每一个转角的数值是由轨迹的方向来决定；

$\mathrm{jAngleDist}(L_i,L_j)=\frac{\underset{1}{\overset{\min (P\left(L_i\right),P\left(L_j\right))}{\mathrm{\&Sigma;}}}\left(\right|{\mathrm{\&theta;}}_i-{\mathrm{\&theta;}}_j\left|\right)/\left(\right|{\mathrm{\&theta;}}_i+{\mathrm{\&theta;}}_j\left|\right)}{P\left(L_i\right)+P\left(L_j\right)},$ 其中P(L_i)，P(L_j)分别表示两条轨迹的采样点数量；

转角距离最好的情况下就是L_i和L_j的每一个转角都匹配，AngleDist为0。通过转角的比较能够体现轨迹的内部变化情况。

再进一步，所述步骤2)中，在车辆轨迹数据匹配过程有困难时，再支持与乘客交互选取车辆，实现手动匹配。

本发明的技术构思为：在现在GPS终端丰富，定位数据量庞大的背景下，GPS轨迹特征的聚类分析是下一步提高GPS数据利用效率的关键技术之一。聚类分析的典型目标就是聚集相似的运动轨迹，提取移动对象的运动特征模式和预测移动对象运动行为。聚类分析是对数据对象进行分组，使得同一组中对象之间具有较高的相似度。作为空间信息系统中常用的分析方法之一，GPS轨迹特征聚类分析广泛的应用在LBS(Location Based Service)服务、空间数据挖掘和空间OLAP(On-Line Analysis Processing)中。这种方法通过对GPS定位数据进行分析，判定GPS绑定实体的空间行为特征，并根据这些特征提供与之相关的信息服务。

本发明融合城市公交车辆和个人移动终端的GPS定位动态数据，提出了识别逻辑及一种基于聚类分析的动态轨迹匹配的分析算法，实现公交车辆和个人移动终端的高效、准确握手，并开发基于移动终端的原型软件包。通过该软件包，安装在个人移动终端上的各类交通服务API软件能够根据识别的公交车辆编号远程查询该车辆及所在线路的相关信息、获取相应的动态信息服务，真正发挥智能公交系统庞大后台数据的优势，改善公交的服务水平。

本发明的有益效果主要表现在：在匹配过程中考虑到了公交车辆实际运行过程中的定位精度问题以及进行相应的数据处理速度问题，本发明专利设计了多层次匹配判断逻辑，利用轨迹生成过程完成了从采样点的匹配到轨迹的相似性算法的进步，克服了以往GPS采样精度的问题以便最大限度地提高动态匹配的精度和速度。

附图说明

图1是乘客便携移动终端与所乘公交车辆定位信息动态匹配方法的流程图。具体实施方式

下面结合附图对本发明作进一步描述。

参照图1，一种乘客便携移动终端与所乘公交车辆定位信息动态匹配方法，所述匹配方法包括以下步骤：

1)乘客通过移动终端向公交车辆后台数据库发送身份信息和移动终端GPS轨迹数据，提出匹配请求；

2)公交信息服务系统后台数据库在收到匹配请求后，识别乘客位置信息，将乘客GPS轨迹信息与后台数据库的公交车辆实时轨迹信息数据进行匹配。匹配的流程遵循“方向判别-速度判别-采样点空间位置判别-采样轨迹结构判别”的顺序，通过相关性分析和行车轨迹匹配算法确定乘客与公交车辆的对应关系，从而将车载GPS得到公交车辆运行后台的数据与乘客的个人移动终端匹配。在车辆轨迹数据匹配过程有困难时(如延迟30s以上)，再支持与乘客交互选取车辆的功能，实现手动匹配。

交通领域中的车辆轨迹数据是受路网约束的,本发明依据路网拓扑结构和属性状态,从原始的车辆位置序列中提取时空特征点形成精简且不失真的轨迹数据,并在此基础上进行轨迹相似性度量。进行轨迹相似性度量首先建立轨迹时间序列模型，该模型可为移动对象及其移动模式的查询和分析提供技术基础。模型的核心是轨迹聚类。

对应以上判断条件，根据乘客GPS轨迹的特点分析，本专利的匹配技术支持本专利采取了采样点匹配和轨迹匹配相结合的多因素逻辑判断，见附图。先进行采样点匹配，同时估计出轨迹匹配的轨迹段范围；在采样点匹配不能唯一识别车辆ID后，再基于已经存在的轨迹段范围进行轨迹匹配。

采样点属性匹配过程如下：

定义采样时间区间[t_b,t_f)，在此期间移动对象i和j的轨迹点采样数为n。移动速度分别为矢量采样时间的确定是为了形成一段有效的轨迹片段。设：

D_X(i,j)(k)＝X_i,k-X_j,k

D_Y(i,j)(k)＝Y_i,k-Y_j,k

式中，k＝1,2,3...n,X_i,k和Y_i,k分别表示对象i在第k个采样的点X和Y坐标。则： $L_{(i,j)}\left(k\right)=\sqrt{{D_{X(i,j)}}^2\left(k\right)+{D_{Y(i,j)}}^2\left(k\right)};$

匹配包括以下四重逻辑：

a、速度方向判断，通过轨迹运动方向剔除不一致的轨迹线路：

即 $\stackrel{\&RightArrow;}{v_i}\&CenterDot;\stackrel{\&RightArrow;}{v_j}\&le;O;$

b、速度大小判断，通过采样点运动速度大小比较剔除速度不一致的轨迹线路： $\left|\right|\stackrel{\&RightArrow;}{v_i}|-|\stackrel{\&RightArrow;}{v_j}\left|\right|\&GreaterEqual;\left|v_{\mathrm{\&Delta;}}\right|,$ v_Δ为设定速度差阈值；

c、采样点空间距离判断，通过对应时刻采样点的空间距离大小来剔除距离过大的采样点的轨迹，即：

max{L_(i,j)(k),k＝1,2,...,n}≤L_Δ，L_Δ为设定距离差阈值

d、采样点距离变化趋势判断，通过比对轨迹中各对应采样点的距离标准差来剔除距离波动过大的点，即：

${\mathrm{\&delta;}}_L=\sqrt{\frac{1}{n-1}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{(L_{(i,j)}\left(k\right)-\stackrel{\&OverBar;}{L_{(i,j)}\left(n\right)})}^2}\&le;{\mathrm{\&delta;}}_{\mathrm{\&Delta;}}$

δ_Δ为设定距离标准差阈值，δ_L的值由实测数据得到；

上述的基于采样点的匹配过程完成后，如果能够识别匹配车辆，则逻辑结束；否则基于筛选出的轨迹片段，进行下一步的基于轨迹段相似度的匹配。

轨迹段相似度匹配过程如下：

2.1)基本定义

在进行轨迹匹配之前，需要对轨迹及其相关属性进行形式化描述。

TD(trajectory database)表示轨迹集合，TD＝{TR₁,TR₂,…,TR_i,…,TR_n}，其中，轨迹TR_i(1≤i≤n)是由若干个多维度的位置点按照时间顺序组成的一个序列，TR_i＝{P₁,P₂,…,P_j,…,P_m}，其中，P_j(1≤j≤m)表示为<Location_j,T_j>，是轨迹中的一个采样点，表示在T_j时刻运动物体位置为Location_j，其中，Location_j是一个多维度的位置点。

轨迹并不单纯地由若干个静态采样点按照时间序列组成的线段。轨迹信息包括：速度、形状、位置、转角、加速度等，轨迹结构是轨迹内部特征属性的集合。在第一阶段采样点属性匹配中已经完成了位置、方向、速度的匹配，这里进一步将转角纳入与方向、速度组合成属性集合。本专利定义的轨迹结构包括3个特征，分别为方向、速度、转角。定义W＝{W_D,W_S,W_A}为特征权重向量，分别对应迹的结构特征向量。各权重满足：①所有权重取值均大于或等于零；②W_D+W_S+W_A＝1。轨迹结构的特征属性的敏感程度可以通过特征权重进行调节。

2.2)轨迹结构相似度计算方法

轨迹段的结构相似度计算包括4个部分的比较：方向的比较DirDist(L_i,L_j)；速度的比较SpeedDist(L_i,L_j)；转角的比较AngleDist(L_i,L_j)。其中L_i，L_j为轨迹段(1≤i≠j≤n)，这3部分的比较构成了轨迹段结构相似度的计算，式(1)，式(2)所示Normalized(…)为距离的归一化函数。结构相似度表示为1减去归一化函数值SSIM(L_i,L_j)。

SDIST(L_i,L_j)＝DirDist×W_D+SpeedDist×W_S+AngleDist×W_A (1)

SSIM(L_i,L_j)＝1-Normalized(SDIST(L_i,L_j)) (2)

SSIM体现了轨迹段在结构上的相似程度，因此SSIM越大(即距离越小)表示轨迹段越相似，反之越不相似。

①方向信息的比较：DirDist(L_i,L_j)表示相对于轨迹段L_i，L_j在运动趋势上的偏转程度，是轨迹段的方向夹角。

方向距离的最好情况是两个轨迹段的方向相同且夹角较小(近似于同向平行)，这时DirDist≈0。

②速度的比较：SpeedDist(L_i,L_j)体现了对象移动速度的差异化比较。

$\mathrm{SpeedDist}(L_i,L_j)=\frac{1}{3}(S_{\max }(L_i,L_j)+S_{\mathrm{avg}}(L_i,L_j)+S_{\min }(L_i,L_j))$

其中，S_max(L_i,L_j)表示|V_max(L_i)-V_max(L_j)|，体现轨迹段间最大速度的差异绝对值。S_avg，S_min分别是平均速度、最小速度的差异程度的绝对值。SpeedDist从最大、最小和平均速度3个方面来表示综合速度的差异。

③转角的比较：AngleDist(L_i,L_j)反应了轨迹段内部的方向变化特征，反应了轨迹内部的波动程度。内向变化的角为正角，外向变化的角为负角。轨迹的转角是一个累加量，每一个转角的数值是由轨迹的方向来决定。

$\mathrm{jAngleDist}(L_i,L_j)=\frac{\underset{1}{\overset{\min (P\left(L_i\right),P\left(L_j\right))}{\mathrm{\&Sigma;}}}\left(\right|{\mathrm{\&theta;}}_i-{\mathrm{\&theta;}}_j\left|\right)/\left(\right|{\mathrm{\&theta;}}_i+{\mathrm{\&theta;}}_j\left|\right)}{P\left(L_i\right)+P\left(L_j\right)},$ 其中P(L_i)，P(L_j)分别表示两条轨迹的采样点数量。

转角距离最好的情况下就是L_i和L_j的每一个转角都匹配，AngleDist为0。通过转角的比较能够体现轨迹的内部变化情况。

3)匹配成功后，公交信息后台数据库向乘客移动终端反馈唯一的公交后台数据库访问密钥以向乘客客户端授权开放数据库，获取公交车辆信息数据(包括提供到站距离和到站时间预报服务等)

程序开发环境为Microsoft Visual C#.NET2008。实验在主频为2.66GHz的Intel Core2due P8800CPU、771MHz，2.96G内存的PC机上进行。该系统是基于C/S架构，包括后台服务器与移动客户端。后台运算服务器负责将输入的数据进行实时的处理与分析，结合GIS空间数据库与公交线路站点信息数据表构建路段区间历史特征分析库，将公交车辆运行与移动终端的定位数据进行实时匹配。基于2条公交线路的实际测试表明，程序运算效率较高。

Claims (3)

1.一种乘客便携移动终端与所乘公交车辆定位信息动态匹配方法，其特征在于：所述匹配方法包括以下步骤：

1)乘客通过移动终端向公交信息服务系统后台数据库发送身份信息和移动终端GPS轨迹数据，提出匹配请求；

2)公交信息服务系统后台数据库在收到匹配请求后，识别乘客位置信息，将乘客GPS轨迹信息与后台数据库的公交车辆实时轨迹信息数据进行匹配，采样点属性匹配过程如下：

定义采样时间区间[t_b,t_f)，t_b和t_f分别为采样时间段的起始时刻和终止时刻，在此期间移动对象i和j的轨迹点采样数的较小值为n，移动速度分别为矢量和采样时间的确定是为了形成一段有效的轨迹片段；设：

D_X(i,j)(k)＝X_i,k-X_j,k为对象i和j在X方向的坐标差

D_Y(i,j)(k)＝Y_i,k-Y_j,k为对象i和j在Y方向的坐标差

式中，k＝1,2,3...n,X_i,k和Y_i,k分别表示对象i在第k个采样的点X和Y坐标，则两采样点的距离表示为 $L_{(i,j)}\left(k\right)=\sqrt{{D_{X(i,j)}}^2\left(k\right)+{D_{Y(i,j)}}^2\left(k\right)};$

匹配包括以下四重逻辑：

(a)速度方向判断，通过轨迹运动方向剔除不一致的轨迹线路；

即 $\stackrel{\&RightArrow;}{v_i}\&CenterDot;\stackrel{\&RightArrow;}{v_j}\&le;O$

(b)速度大小判断，通过采样点运动速度大小比较剔除速度不一致的轨迹线路： $\left|\right|\stackrel{\&RightArrow;}{v_i}|-|\stackrel{\&RightArrow;}{v_j}\left|\right|\&GreaterEqual;\left|v_{\mathrm{\&Delta;}}\right|,$ v_Δ为设定速度差阈值；

(c)采样点空间距离判断，通过对应时刻采样点的空间距离大小来剔除距离过大的采样点的轨迹；即：

max{L_(i,j)(k),k＝1,2,...,n}≤L_Δ，L_Δ为设定距离差阈值

(d)采样点距离变化趋势判断，通过比对轨迹中各对应采样点的距离标准差来剔除距离波动过大的点，距离的标准差δ_L

${\mathrm{\&delta;}}_L=\sqrt{\frac{1}{n-1}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{(L_{(i,j)}\left(k\right)-\stackrel{\&OverBar;}{L_{(i,j)}\left(n\right)})}^2}\&le;{\mathrm{\&delta;}}_{\mathrm{\&Delta;}}$

δ_Δ为设定距离标准差阈值，δ_L的值由实测数据得到；

上述的基于采样点的匹配过程完成后，如果能够识别匹配车辆，则进入步骤3)；

3)匹配成功后，公交信息后台数据库向乘客移动终端反馈唯一的公交后台数据库访问密钥以向乘客客户端授权开放数据库，获取公交车辆信息数据。

2.如权利要求1所述的一种乘客便携移动终端与所乘公交车辆定位信息动态匹配方法，其特征在于：所述步骤(2)中，如果不能够识别匹配车辆，基于筛选出的轨迹片段，进行基于轨迹段相似度的匹配，过程如下：

2.1)在进行轨迹匹配之前，对轨迹及其相关属性进行形式化描述；

TD表示轨迹集合，TD＝{TR₁,TR₂,…,TR_i,…,TR_n}，轨迹TR_i(1≤i≤n)是由若干个多维度的位置点按照时间顺序组成的一个序列：TR_i＝{P₁,P₂,…,P_j,…,P_m}，其中，P_j(1≤j≤m)表示为<Location_j,T_j>，是轨迹中的一个采样点，表示在T_j时刻运动物体位置为Location_j，其中，Location_j是一个多维度的位置点；

轨迹信息包括：速度、形状、位置、转角和加速度，轨迹结构是轨迹内部特征属性的集合，在第一阶段采样点属性匹配中已经完成位置、方向、速度的匹配，将转角纳入与方向、速度组合成属性集合；定义轨迹结构包括3个特征，分别为方向、速度、转角；定义W＝{W_D,W_S,W_A}为特征权重向量，分别对应轨迹的结构特征向量；各权重满足：①所有权重取值均大于或等于零；②W_D+W_S+W_A＝1，轨迹结构的特征属性的敏感程度通过特征权重进行调节；

2.2)轨迹结构相似度计算

轨迹段的结构相似度计算包括3个部分的比较：方向的比较DirDist(L_i,L_j)；速度的比较SpeedDist(L_i,L_j)；转角的比较AngleDist(L_i,L_j)，其中L_i，L_j为轨迹段(1≤i≠j≤n)，这3部分的比较构成了轨迹段结构相似度的计算，式(1)，式(2)所示Normalized(…)为距离的归一化函数，结构相似度表示为1减去归一化函数值SSIM(L_i,L_j)；

SDIST(L_i,L_j)＝DirDist×W_D+SpeedDist×W_S+AngleDist×W_A (1)

SSIM(L_i,L_j)＝1-Normalized(SDIST(L_i,L_j)) (2)

SSIM体现了轨迹段在结构上的相似程度，SSIM比设定阈值大，表示轨迹段相似，匹配成功，反之则轨迹段不相似；

①方向信息的比较：DirDist(L_i,L_j)表示相对于轨迹段L_i，L_j在运动趋势上的偏转程度，是轨迹段的方向夹角：

方向距离的最好情况是两个轨迹段的方向相同且夹角较小(近似于同向平行)，这时DirDist≈0；

②速度的比较：SpeedDist(L_i,L_j)体现了对象移动速度的差异化比较

$\mathrm{SpeedDist}(L_i,L_j)=\frac{1}{3}(S_{\max }(L_i,L_j)+S_{\mathrm{avg}}(L_i,L_j)+S_{\min }(L_i,L_j))$

其中，S_max(L_i,L_j)表示|V_max(L_i)-V_max(L_j)|，体现轨迹段间最大速度的差异绝对值，S_avg，S_min分别是平均速度、最小速度的差异程度的绝对值，SpeedDist从最大、最小和平均速度3个方面来表示综合速度的差异；

③转角的比较：AngleDist(L_i,L_j)反应了轨迹段内部的方向变化特征，反应了轨迹内部的波动程度，内向变化的角为正角，外向变化的角为负角，轨迹的转角是一个累加量，每一个转角的数值是由轨迹的方向来决定；

$\mathrm{jAngleDist}(L_i,L_j)=\frac{\underset{1}{\overset{\min (P\left(L_i\right),P\left(L_j\right))}{\mathrm{\&Sigma;}}}\left(\right|{\mathrm{\&theta;}}_i-{\mathrm{\&theta;}}_j\left|\right)/\left(\right|{\mathrm{\&theta;}}_i+{\mathrm{\&theta;}}_j\left|\right)}{P\left(L_i\right)+P\left(L_j\right)},$ 其中P(L_i)，P(L_j)分别表示两条轨迹的采样点数量；

转角距离最好的情况下就是L_i和L_j的每一个转角都匹配，AngleDist为0，通过转角的比较能够体现轨迹的内部变化情况。

3.如权利要求1或2所述的一种乘客便携移动终端与所乘公交车辆定位信息动态匹配方法，其特征在于：所述步骤2)中，在车辆轨迹数据匹配过程有困难时，再支持与乘客交互选取车辆，实现手动匹配。