CN106023587B - 基于多信息融合的轨迹数据路网精确匹配方法 - Google Patents
基于多信息融合的轨迹数据路网精确匹配方法 Download PDFInfo
- Publication number
- CN106023587B CN106023587B CN201610353075.7A CN201610353075A CN106023587B CN 106023587 B CN106023587 B CN 106023587B CN 201610353075 A CN201610353075 A CN 201610353075A CN 106023587 B CN106023587 B CN 106023587B
- Authority
- CN
- China
- Prior art keywords
- point
- candidate
- road
- section
- track data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 230000033001 locomotion Effects 0.000 claims description 12
- 238000003892 spreading Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 241001269238 Data Species 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 description 5
- 238000012732 spatial analysis Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- PUZPDOWCWNUUKD-UHFFFAOYSA-M sodium fluoride Chemical compound [F-].[Na+] PUZPDOWCWNUUKD-UHFFFAOYSA-M 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多信息融合的轨迹数据路网精确匹配方法，属于路网匹配技术领域。本发明基于输入的轨迹数据、路网数据，为每个采样点确定对应的候选点，候选点所在的路网路段为候选路段；再从时间和空间确定相邻候选路段间的候选概率权值；最后，在结果匹配中，为输入的待匹配轨迹数据，在众多候选路径中寻找一条最大带权路径作为结果输出，同时将对应的候选点作为更新后的采样点坐标。本发明的实施，可以精确地将轨迹数据匹配到路网，推测出匹配点和行驶轨迹。即使在轨迹数据采样频率不稳定、路网情况复杂、数据丢失情况下，本发明的处理依旧稳定，且时间复杂度低。
Description
技术领域
本发明属于路网匹配技术领域，具体涉及一种将轨迹数据精确匹配到路网的方法。
背景技术
随着传感器技术的发展，越来越多的轨迹数据被采集。但是，由于传感器误差的存在和相关法律法规，采集到的位置数据通常是有偏移的，不能精确地反应一个物体的位置。而且，由于采集到的轨迹数据不是连续的，该类数据不能准确地刻画一个物体的运动轨迹
轨迹数据的路网匹配是一个基础工作，对于其它相关领域的研究和应用开发具有重要意义，例如路径规划、实时系统导航、流行路径发现等。
轨迹数据路网匹配算法,在过去的几十年已经得到较多的应用。一些方法仅仅利用局部数据联系和扩展的方法，匹配轨迹数据到路网。典型的利用扩展的方法进行位置匹配算法如“H.Gonzalez,J.Han,X.Li,M.Myslinska,and J.P.Sondag,“Adaptive fastestpath computation on a road network:A traffic mining approach,”in Proceedingsof the 33rd International Conference on Very Large Data Bases,University ofVienna,Austria,September 23-27,2007,2007,pp.794–805.”和“J.S.Greenfeld,“Matching gps observations to locations on a digital map,”in Proceedings ofthe 81st Annual Meeting of the Transportation Research Board,Washington,D.C.,January 13-17,2002,2002”，共有特点是简单地将轨迹数据映射到距离其最近的路段上，追求一条轨迹上局部匹配最优。该类方法可以实现轨迹的快速匹配，计算上复杂度和空间使用较低。但是，匹配的准确度较低，而且要求轨迹数据的采样频率高。随着采样频率降低，其算法性能严重下降，甚至不能工作。另一些方法则利用一条轨迹数据的全局信息来进行路网匹配，该类方法通常考虑整条轨迹数据的全部信息，在匹配时本着使Frechet距离最小的原则。相比于利用局部信息来进行匹配的方法，利用全局信息匹配的方法可以获得一个较好的结果。但是，计算时间复杂度依旧较高，对于采样频率不稳定和复杂路网情况依然不能较好处理。
当前，轨迹数据路网匹配算法可以大体分为四类：基于几何学，基于道路拓扑关系，基于概率模型和其它不属于前三者的算法。基于几何学的轨迹数据路网匹配算法充分利用道路网络的几何关系，考虑道路网的几何形状来进行匹配。但是，没有考虑道路网的几何连接情况。基于道路拓扑关系的算法吸取了前者的缺点，更进一步考虑道路网络之间的连接关系。基于概率模型的算法，在考虑前两者信息的同时，还考虑各种误差来源来进行进一步建模，最终通过一个概率模型来度量匹配结果。另外的一些算法利用一些交叉领域的方法来进行路 网匹配，比如利用卡尔曼滤波器、模糊逻辑、隐马尔可夫模型等。上述几类算法，虽然可以实现轨迹数据到路网的匹配，但是存在几个共有的缺陷：匹配准确率较低，特别是在采样率不稳定和路网复杂情况下；应用要求苛刻，要求采样率稳定且较高，数据较完整；计算复杂度高等。
发明内容
本发明的发明目的在于：为了克服现有的轨迹数据匹配方法的匹配不精确、应用条件苛刻、对路网和轨迹数据要求严格和计算复杂度高等缺点，本发明公开了一种新的轨迹数据路网匹配方法。本发明对轨迹数据和路网无严格要求、应用条件宽泛，特别是在不稳定采样率(包括低采样率)和路网复杂条件下，也能保持稳定的匹配准确率，而且复杂度低。
本发明利用轨迹数据对运动物体进行建模，利用所构建的运动模型来描述一个运动物体的运动状态。该模型可以表示为用一个数据元组<location,speed,direction，timestamp>。其中，“location”表示一个运动物体的当前位置属性，例如GPS数据，其包括经度和纬度信息，通常可以由位置传感器采集得到；“speed”表示该运动物体的当前运动速度，通常由速度传感器采集到；“direction表示该运动物体的当前运动方向，通常由数字罗盘采集；“timestamp”表示时间戳，表征当前的时刻，通常由计时器采集。通过上述运动模型，可以完整地描述一个运动物体的运动属性。
本发明的实现包括三部分：候选集合准备，候选图构建和结果匹配。其中，候选集合准备主要包括轨迹数据和路网数据输入、数据库、候选点(路段)投射和形成候选集合几个步骤；候选图构建主要包括历史速度挖掘建模、环境速度评估建模、空间分析、时间分析和候选图构建几个步骤，该部分需要用到候选集合准备步骤中得到的候选集合；结果匹配主要包括从候选图中选择一条匹配路径作为结果，该部分需要用到候选图构建的结果候选图。
候选集合准备：该步骤的输入为轨迹数据(包括采样点、采样时刻、采样速度、运动方向)和对应的路网数据(可以是简化后的路网)，后台存在一个或者多个数据库用来保存所输入的路网数据和轨迹数据。一条轨迹数据输入后，基于上述运动模型进行建模，即用数据元组<location,speed,direction，timestamp>来表示。一条待匹配的轨迹数据的候选点和候选路段的产生采用投射的方式获取，投射规则为：以轨迹数据的各采样点为圆心，一个可调长度R(R的取值取决于具体应用场景)为半径画圆，所画圆至少包括一段路网路段，向落入圆内的路段(路网数据)，做正投影，若投影点在圆内，则投影点为候选点；否则，取在圆内的路段的端点为候选点。上述两种方式得到每个采样点所对应的候选点集，各采样点对应一个或多个候选点，候选点所在的路段(路网数据的)为候选路段(候选点和候选路段一一对应)。候选点和候选路段需要保存，以供候选图构建使用。
候选图构建：
该步骤首先为路网数据的每一个路段进行历史速度挖掘建模，通过对历史数据的统计分析，构建一个历史速度模型。具体方法为将一天按照时间顺序，等间隔划分为n1份，即24/n1小时为一个时间间隔。利用每一个路段附近采样点或者已经匹配的采样点的速度，计算该时间间隔内该路段的平均速度再利用所有的间隔平均速度为每一个间隔的速度进行加权，即用公式描述为：其中V(T)表示历史参考速度，T为输入时刻，为当前路段在每个时间间隔的平均速度，n1表示预设时间间隔总数，为每个时间间隔的中心时刻。本发明通过加权，越靠近输入时刻的时间，平均速度所占的权值越大。该步骤为预处理步骤，通过该步骤可以为路网数据的各路段在每一个时刻，计算得到一个历史参考速度V(T)。
环境速度评估建模主要考察在当前时刻，运动物体所处环境的可移动速度，因为当前所处环境直接决定了可以移动的最大速度，故对于路径匹配具有重要意义。本发明将单个移动物体和整个路段周围的移动物体视为一个整体，考虑同一路段上移动物体间的联系。具体方法为：针对每一个输入的轨迹点(采样点)，根据本发明的投影规则可以得到每个采样点所对应的候选点及候选路段，针对路网数据的每一个路段，查询当前采样点的采样时刻的前Δt(预设值，取值范围通常为2-4)个时间间隔内，匹配到该路段的采样点，将这些采样点的速度(采样速度)求平均，得到该时刻(当前采样点的采样时刻)该路段的环境速度V(v)，其用公式可以表示为：其中n2表示在当前采样点的采样时刻的前Δt个时间间隔内，匹配到当前路段的采样点总数；vc表示采样点c对应的速度。
空间分析主要通过概率模型，为候选图中每一条边，即相邻采样点的候选点间的连线(相邻采样点的不同候选路段间)分配一个空间概率权值。
首先定义一个观测概率，该概率主要是考虑轨迹数据的采样点和真实位置的偏移距离在二维空间服从二维高斯分布。公式化可以表示为：其中表示观测概率，表示第i个采样点与其候选点j之间的欧氏距离，δ表示采样点的偏移距离方差， e表示自然底数，μ表示采样点的偏移距离均值，其中δ、μ均为采集轨迹数据的采集系统的固有参数。基于上述关于边的观测概率可知，距离采样点越近的候选点，观测概率值越大。
接着定义一个传播概率，该概率主要利用移动物体的选路方式，即移动物体在熟悉的道路上总是沿着最近的道路前进，故可以利用两个采样点间的欧氏距离和对应候选点间最短路径长度比值来刻画：其中表示传播概率，表示第i-1个采样点的候选点j(即下标为采样点标识，上标为对应的候选点标识)，表示第i个采样点的候选点k，d(i-1)→i表示第i-1个采样点和第i个采样点间的欧氏距离，w(i-1,j)→(i,k)表示对应候选点间最短路径的长度。由上式可知，候选点间最短距离与对应采样点间欧式距离越接近，传播概率值越大。
然后定义一个选择概率，该概率主要利用移动物体的运动方向和道路的方向信息，若候选路段的方向和运动物体方向很接近，则该路段容易被选择作为最终结果，公式化表示为： 其中表示选择概率，表示第i个采样点的候选点j,表示采样点i的候选点j所在的候选路段的方向，表示采样点i对应的运动方向。
针对上述观测概率传播概率和选择概率可以得到对应候选路段间的空间概率权值即通过空间分析，可以得到相邻采样点的候选点所确定候选路段间的空间概率权值。
时间分析主要通过历史速度和环境速度，来进一步区别在空间分析中不能明显区别的候选点或者不适当的候选点，主要形式也是为候选集和候选路段再计算一个时间概率权值：
首先，根据每个路段在不同时刻的历史参考速度V(T)、环境速度V(v)可以得到每个路段在对应时刻的参考速度v_ru＝α·V(T)+β·V(v)，其中α、β为预设常数，下标u为路段标识符。然后基于路段的参考速度v_ru确定相邻采样点的不同候选路段间的时间概率权值其中s表示连接两个候选路段(第i-1个采样点的候选点j、第i个采样点的候选点k分别所在的候选路段)的最短路径所包括的路段数，v_ru为组成所述最短路径的各路段的参考速度，在计算路段u所对应的历史参考速度V(T)、环境速度V(v)时，对应的时刻为采样点i的采样时刻，即V(T)中所涉及的T为采样点i的采样时刻，V(v)中的当前采样点为采样点i。表示第i-1个采样点的候选点j到第i个采样点的候选点k的平均速度(两点间的距离除以两点的采样时间差)。即相邻采样点的不同候选路段间的时间概率权值为连接两个候选路段的最短路径的参考速度平方和。
最后，基于候选路段的空间概率权值和时间概率权值的乘积得到候选概率权值即通过该步骤，完成候选图的构建，所构建的候选图为带权图，每一条边的权值为对应候选路段的候选概率权值
结果匹配：该步骤主要在候选图中为每一条输入的轨迹数据寻找到一条匹配结果路径和对应的匹配点，即在众多候选路段构成的候选路径(每个采样点选择一个候选路段)中寻找一条最大带权路径DC(Tc)：其中，Tc为输入的待匹配轨迹数据，m表示一条轨迹数据所包括的采样点总数。同时，为了降低轨迹数据的各采样点与真实位置的偏差，本发明还基于所匹配的最大带权路径对采样点位置进行更新，即将组成最大带权路径的各候选路段的候选点作为对应的采样点位置。
综上所述，由于采用了上述技术方案，本发明的有益效果是：可以精确地将轨迹数据匹配到路网，推测出匹配点和行驶轨迹。即使在轨迹数据采样频率不稳定、路网情况复杂、数据丢失情况下，本发明的处理依旧稳定，且时间复杂度低。
附图说明
图1是本发明的处理过程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。
参见图1，本发明首先将轨迹数据(包括采样点、采样时刻、速度、运动方向)、路网数据输入轨迹路网数据库中；并基于预设的半径R，以各采样点为圆心画圆(本实施方式中针对GPS数据，可调半径R设置为25米)，向落入圆内的路段(做正投影，若投影点在圆内，则投影点为候选点；若对应路段的端点在圆内，则路段端点为候选点。从而得到各采样点的候选点(上标用于标识不同的候选点，下标用于标识不同的采样点)，候选点所在的路段为候选路段。候选点和候选路段需要保存，以供候选图构建使用，从而完成候选集合(候选点集、候选路段集)的处理。
对由候选点和候选路段构成的候选图中，分别计算候选图中每一条带向边的权值基于候选点的观测概率传播概率和选择概率得到候选路段间的空间概率权值以及路段的历史参考速度V(T)、环境速度V(v)得到候选路段间的时间概率权值从而得到候选路段间的候选概率权值
结果匹配中，为输入的待匹配轨迹数据，在众多候选路段构成的候选路径中寻找一条最大带权路径做为结果输出。同时，基于所匹配的最大带权路径对采样点位置进行更新，将组成最大带权路径的各候选路段的候选点(候选路段和候选点一一对应)作为对应的采样点位置。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。
Claims (2)
1.基于多信息融合的轨迹数据路网精确匹配方法，其特征在于，包括下列步骤：
输入轨迹数据、路网数据，其中所述轨迹数据包括采样点、采样时刻、采样速度、运动方向；
确定轨迹数据的每个采样点的候选点，候选点所在的路网数据的路段为候选路段，其中候选点的确定方式为：以采样点为圆心，预设半径R画圆，所画圆至少包括一段路网路段，向落入圆内的路网路段做正投影，若投影点在圆内，则投影点为候选点；否则，路网路段在圆内的端点为候选点；
计算相邻采样点的不同候选路段间的候选概率权值其中的下标为采样点标识符、上标为当前采样点的各候选点标识符：
根据公式计算相邻采样点的不同候选路段的空间概率权值其中采样点对其候选点的观测概率 表示采样点i与采样点i的候选点j之间的欧氏距离，δ表示采样点的偏移距离方差，e表示自然底数，μ表示采样点的偏移距离均值；相邻采样点的不同候选路段间的传播概率d(i-1)→i表示第i-1个采样点和第i个采样点间的欧氏距离，w(i-1,j)→(i,k)表示第i-1个采样点的候选点j与第i个采样点的候选点k之间的最短路径长度；采样点对其候选点的选择概率其中表示采样点i的候选点j所在的候选路段的方向，表示采样点i对应的运动方向；
根据公式计算相邻采样点的不同候选路段间的时间概率权值其中v_ru表示基于路段u在采样点i的采样时刻的参考速度，s表示连接第i-1个采样点的候选点j所在的候选路段、第i个采样点的候选点k所在的候选路段的最短路径所包括的路段数，表示第i-1个采样点的候选点j到第i个采样点的候选点k的平均速度；
参考速度v_ru＝α·V(T)+β·V(v)，其中α、β为预设常数，历史参考速度其中输入时刻T为采样点i的采样时刻，为当前路段的平均速度，n1表示预设时间间隔总数，为每一个时间间隔的中心时刻；环境速度其中n2表示在采样点i的采样时刻的前Δt时间间隔内，匹配到当前路段的采样点总数；vc表示采样点c的速度；
基于各候选路段间的候选概率权值为当前输入的轨迹数据寻找一条最大带权路径作为匹配结果输出；
其中最大带权路径为m表示当前输入的轨迹数据Tc所包括的采样点总数。
2.如权利要求1所述的方法，其特征在于，基于匹配结果输出的最大带权路径的各候选路段对应的候选点，将与候选路段对应的采样点坐标更新为所述候选点的坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610353075.7A CN106023587B (zh) | 2016-05-25 | 2016-05-25 | 基于多信息融合的轨迹数据路网精确匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610353075.7A CN106023587B (zh) | 2016-05-25 | 2016-05-25 | 基于多信息融合的轨迹数据路网精确匹配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106023587A CN106023587A (zh) | 2016-10-12 |
| CN106023587B true CN106023587B (zh) | 2018-07-27 |
Family
ID=57093649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610353075.7A Expired - Fee Related CN106023587B (zh) | 2016-05-25 | 2016-05-25 | 基于多信息融合的轨迹数据路网精确匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106023587B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109307513B (zh) * | 2017-07-26 | 2022-05-10 | 厦门雅迅网络股份有限公司 | 一种基于行车记录的实时道路匹配方法及系统 |
| CN107742126A (zh) * | 2017-09-26 | 2018-02-27 | 南京航空航天大学 | 一种基于隐马尔可夫模型的浮动车地图匹配方法 |
| CN108253974B (zh) * | 2017-12-29 | 2019-09-10 | 深圳市城市交通规划设计研究中心有限公司 | 浮动车定位数据自适应缓冲路径匹配系统及其方法 |
| CN108279670B (zh) | 2017-12-29 | 2021-12-10 | 百度在线网络技术（北京）有限公司 | 用于调整点云数据采集轨迹的方法、设备以及计算机可读介质 |
| CN108253976B (zh) * | 2018-01-04 | 2021-06-15 | 重庆大学 | 一种充分借助车辆航向的三阶段在线地图匹配算法 |
| CN108804562B (zh) * | 2018-05-22 | 2022-04-29 | 深圳市数字城市工程研究中心 | 一种保持速度特征的道路网约束轨迹线化简方法 |
| CN109035783B (zh) * | 2018-09-17 | 2021-06-11 | 东南大学 | 一种基于公交gps轨迹的虚拟路网缺失路段自动识别方法 |
| CN109657713A (zh) * | 2018-12-11 | 2019-04-19 | 武汉大学 | 一种基于众源路网数据的多因子路网匹配方法及系统 |
| CN110793531B (zh) * | 2019-09-12 | 2022-08-02 | 腾讯科技（深圳）有限公司 | 道路匹配的方法、装置以及可读存储介质 |
| CN112985371B (zh) * | 2019-12-12 | 2023-02-28 | 杭州海康威视数字技术股份有限公司 | 路径确定方法、装置及设备 |
| CN113008246B (zh) * | 2019-12-18 | 2022-07-08 | 百度在线网络技术（北京）有限公司 | 地图匹配方法和装置 |
| CN111024098A (zh) * | 2019-12-27 | 2020-04-17 | 江苏欣网视讯软件技术有限公司 | 一种基于低采样数据的机动车路径拟合算法 |
| CN111027783A (zh) * | 2019-12-27 | 2020-04-17 | 江苏欣网视讯软件技术有限公司 | 一种用于路径选取的全局动态交互决策算法 |
| CN111311910B (zh) * | 2020-02-19 | 2020-12-22 | 中南大学 | 多层次道路级浮动车异常轨迹探测方法 |
| CN111885597B (zh) * | 2020-09-28 | 2021-01-01 | 上海兴容信息技术有限公司 | 一种安全认证的方法和系统 |
| CN112530158B (zh) * | 2020-10-27 | 2022-05-13 | 北方信息控制研究院集团有限公司 | 一种基于历史轨迹的路网补充方法 |
| CN115375695B (zh) * | 2022-10-27 | 2023-03-24 | 之江实验室 | 一种动态星敏感器暗弱恒星光斑的检测方法及装置、介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009009443A (ja) * | 2007-06-29 | 2009-01-15 | Mitsubishi Research Institute Inc | マップマッチング装置、マップマッチング方法及びそのプログラム |
| CN101383090A (zh) * | 2008-10-24 | 2009-03-11 | 北京航空航天大学 | 一种并行路网结构下的浮动车信息处理方法 |
| JP2012212320A (ja) * | 2011-03-31 | 2012-11-01 | Zenrin Datacom Co Ltd | 移動経路推定システム及び移動経路推定方法 |
| CN103162702A (zh) * | 2013-03-05 | 2013-06-19 | 中山大学 | 稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法 |
| CN103499828A (zh) * | 2013-10-22 | 2014-01-08 | 北京世纪高通科技有限公司 | 浮动车轨迹地图匹配的方法及装置 |
-
2016
- 2016-05-25 CN CN201610353075.7A patent/CN106023587B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009009443A (ja) * | 2007-06-29 | 2009-01-15 | Mitsubishi Research Institute Inc | マップマッチング装置、マップマッチング方法及びそのプログラム |
| CN101383090A (zh) * | 2008-10-24 | 2009-03-11 | 北京航空航天大学 | 一种并行路网结构下的浮动车信息处理方法 |
| JP2012212320A (ja) * | 2011-03-31 | 2012-11-01 | Zenrin Datacom Co Ltd | 移動経路推定システム及び移動経路推定方法 |
| CN103162702A (zh) * | 2013-03-05 | 2013-06-19 | 中山大学 | 稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法 |
| CN103499828A (zh) * | 2013-10-22 | 2014-01-08 | 北京世纪高通科技有限公司 | 浮动车轨迹地图匹配的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106023587A (zh) | 2016-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106023587B (zh) | 基于多信息融合的轨迹数据路网精确匹配方法 | |
| CN109405839B (zh) | 一种基于多路径的交通网络离线地图匹配算法 | |
| CN110648529B (zh) | 一种车辆行驶轨迹的渲染方法、装置、设备及存储介质 | |
| Ye et al. | Vehicle trajectory prediction based on Hidden Markov Model | |
| KR102282367B1 (ko) | 크라우드소싱을 이용한 위치 결정, 매핑 및 데이터 관리 시스템 및 방법 | |
| CN110095127A (zh) | 一种基于分段的隐马尔可夫模型地图匹配方法 | |
| CN105261034B (zh) | 一种高速公路上车流量的统计方法及装置 | |
| CN104156984B (zh) | 一种不均匀杂波环境下多目标跟踪的概率假设密度方法 | |
| CN105606102B (zh) | 一种基于格网模型的pdr室内定位方法及系统 | |
| CN105241465B (zh) | 一种道路更新的方法 | |
| CN109459045A (zh) | 一种针对低频gps轨迹的改进交互式投票匹配方法 | |
| Liu et al. | Calibrating large scale vehicle trajectory data | |
| CN102879003A (zh) | 基于gps终端的面向车辆位置跟踪的地图匹配方法 | |
| CN111694032A (zh) | 一种基于聚类的大规模轨迹数据的快速地图匹配方法 | |
| CN112101527B (zh) | 识别车道变化的方法和装置、电子设备和存储介质 | |
| Cathey et al. | Transit vehicles as traffic probe sensors | |
| CN109710714A (zh) | 一种隐马尔可夫模型改进的路网匹配方法 | |
| CN107944628A (zh) | 一种路网环境下的聚集模式发现方法及系统 | |
| CN107071721A (zh) | 基于手机定位数据的停留点提取方法 | |
| CN109523781A (zh) | 一种基于卫星定位的路口预测方法 | |
| Meng et al. | Trajectory prediction for automated vehicles on roads with lanes partially covered by ice or snow | |
| CN113611115B (zh) | 一种基于路网敏感特征的车辆轨迹聚类方法 | |
| CN109307513B (zh) | 一种基于行车记录的实时道路匹配方法及系统 | |
| CN113932821A (zh) | 基于连续窗口平均方向特征的轨迹地图匹配方法 | |
| Yu et al. | High-frequency trajectory map matching algorithm based on road network topology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180727 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |