CN106227726B - 一种基于车辆轨迹数据的路径提取方法 - Google Patents

Abstract

本发明公开了一种基于车辆轨迹数据的路径提取方法，该方法主要数据筛选和轨迹分割进行数据的预处理，之后通过聚类的方法并融合现有开源路网获得初始路网，最后提出一种基于LS‑SVM的道路中心线拟合方法以提高拟合精度。本发明可以利用大规模的商用GPS粗糙轨迹数据，并克服了采样率低，GPS精度低等挑战以成功提取出高精度的道路中心线，大大提高了所提取出路径的精度。

Description

一种基于车辆轨迹数据的路径提取方法

技术领域

本发明涉及车联网和位置数据处理技术，具体涉及一种基于车辆轨迹数据的路径提取方法，属于计算机技术领域。

背景技术

精度高更迭快的电子地图对于各种基于地图的应用(如导航系统等)来说是不可或缺的，然而现有的生成和更新高精度地图的方法主要依赖于地理调查与勘探，需要耗费极大的人力物力，导致更新成本巨大而更迭速度缓慢，造成出行成本的提高甚至是生命财产的损失。近年来，随着GPS设备在移动对象上的普及，带来了大量的包含位置，速度，时间等丰富GPS信息的数据，因此在过去的十年中，人们开始研究如何利用这些轨迹数据来进行数字地图的生成与更新，人们提出了利用轨迹融合，聚类等手段实现路径的提取，然而这些方法大多使用GPS精度高，采样率高的实验轨迹数据，并不符合现实中商业数据的特点，而使用这种粗糙数据的方法又在提取出的道路精度上有所欠缺。

发明内容

本发明的目的是为了解决上述问题，实现利用粗糙的GPS轨迹数据集完成高精度的路径提取，从而为相关的出行应用等提供精确的电子地图支持。在此背景下，本发明使用来自普通货车的粗糙轨迹数据集，普通车辆出于成本考虑所上传的GPS数据通常有着诸如采样率低，精度低等特点，本发明克服了这些挑战并利用大规模的轨迹数据成功提取出高精度的道路中心线，大大提高了所提取出路径的精度。

一种基于车辆轨迹数据的路径提取方法，具体的步骤包括：

步骤一：利用3σ法则筛选数据，得到更加可信的数据；

步骤二：利用轨迹分割的方法切分轨迹，得到关键的节点；

步骤三：将前一步得到的关键节点聚类并修剪聚类结果，得到粗糙的骨干路网；

步骤四：将上步得到的粗糙骨干路网与开源的路网融合得到新的粗糙骨干路网；

步骤五：利用LS-SVM处理数据，基于上述骨干路网拟合出最终的高精度道路中心线。

本发明的优点在于：

(1)本发明提出了一种基于模拟退火思想的轨迹分割方法，能够对车辆轨迹进行有效准确的分割。

(2)本发明提出一种利用生成的骨干路径与已有的开源路网融合方法，能够进一步提高识别准确率。

(3)本发明基于LS-SVM方法，提出一种道路中心线拟合的新方法，能够极大的提升识别路径的精度。

附图说明

图1为本发明的3σ原则筛选流程图。

图2为本发明的轨迹间距图。

图3为本发明的融合算法流程图。

图4为本发明的轨迹融合分类图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明的一种基于车辆轨迹数据的路径提取方法，包括以下几个步骤：

步骤1：利用3σ法则筛选数据，得到更加可信的数据；

车辆上传的轨迹数据中通常会存在因为诸如传感器偏差以及通信误差导致的干扰数据，如图1所示，本部分目的在于利用3σ原则筛选出有效的数据，而3σ原则主要适用于高斯分布中，因此需要对数据进行K-S检测是否满足高斯分布，并利用以下方法将数据转化为伪高斯分布：

其中：x^(γ)表示对x进行伪高斯分布转换后的结果，其中x^γ表示对x进行指数化处理，γ是参数；

γ的求解方法是计算能够使下式获得最优值的参数γ：

其中：M表示速度的数据集，x_j表示具体的节点的速率，f(γ)是优化函数，其中N表示数据集的个数，x_j ^(γ)如上式表示对具体的某一个节点x_j的高斯转化,

定义如下：

置信区间位于[x^(γ)-3σ^(γ)，x^(γ)+3σ^(γ)]的数据将被保留，由于P(μ-3σ≤x≤μ+3σ)＝99.7％，因此不满足伪高斯分布的数据的置信区间定义为[ε₁，ε₂]，其中P(ε₁≤x)＝99.85％，P(x≤ε₂)＝99.85％。

其中，P表示数据集落在置信区间的概率，3σ^(γ)表示对原始的数据集的标准差σ进行同样的高斯转化，μ为原始数据集的均值，ε₁、ε₂为置信区间的两端。

步骤2：利用轨迹分割的方法切分轨迹，得到关键的节点；

在大多数情况下，车辆经筛选后的原始轨迹可以被一些关键点进行划分，而寻找那些关键点的过程即为子轨迹划分，在进行后续的骨干网络形成时只使用这些关键点就可以很好的完成粗糙骨干网络的形成，为大规模的数据处理降低了时间和空间消耗。本部分具体流程如下：

(1)构建优化模型：在构建模型时引入了奥多姆法则，即子轨迹划分的结果需要有较高的准确度和较低的复杂性，目标函数如下：

H＝argmin(Leng₂(D|H)+Leng₁(H))，H∈W

其中Leng₂(D|H)与Leng₁(H)分别代表编码所需的长度以及描述模型的长度，H代表从假设集W中寻找二者和最小的假设。Leng₂(D|H)与Leng₁(H)具体定义如下：

其中{P₀，P₁，…P_n-1，P_n}代表整条轨迹，

代表其中的一段子轨迹,具体的:

其中：m表示子轨迹的个数，Path_r表示其中的一段子轨迹，i_r-1到i_r一段子轨迹所包含的节点数；

Leng₂(D|H)定义如下：

其中：P_j，P_j+1代表一段子轨迹

内相邻的两个节点；

如图2所示，d_m和d_n定义如下：

其中：设一段子轨迹为P₁P₂P₃P₄，P₁P₄分别代表起点和终点，P₂P₃代表轨迹内的两个相邻节点，L₁和L₂分别代表P₂P₃到

的垂线；

(2)引入模拟退火思想寻找关键节点:事实上，上述模型的全局最优解极难获得，因此，本文提出一种获得近似解的算法来寻找那些关键节点，我们发现，关键节点所在的位置通常会伴随着Leng₂(D|H)的剧变，因此算法旨在寻找Leng₂(D|H)发生剧变的位置，为防止因GPS偏差等导致的错误划分，引入了模拟退火的思想来寻找关键节点，算法流程如下：

算法输入为整条原始轨迹，然后从第一个点开始迭代并设置它为第一个关键点，计算当前点与前一个点之间的Leng₂(D|H)的差值x，计算概率P(x，r)，若是P大于0和1之间的某一个随机数，则把前一个点设置为关键点并加入数组中，并从它开始迭代，否则，就继续迭代寻找。最后将包含所有关键点的数组输出。

其中P定义如下：

P代表了随着退火温度的增加，迭代将趋近最优解，而跳转的概率也随之降低，r代表迭代步数，k(r)＝k₀×u^r,u决定了退火温度变化的速率并按照经验设置为常量，k₀和c是常数，相邻的Leng₂(D|H)的差值被定义为x。

步骤3：将前一步得到的关键节点聚类并修剪聚类结果，得到粗糙的骨干路网；

利用基于密度的聚类方法将所得的子轨迹聚类，这里采用经典的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法，在此，我们定义两条子轨迹上距离最近的点之间的距离为子轨迹之间的距离，当两条子轨迹之间的距离与夹角均小于给定的阈值时，算法将判定这两条轨迹互相密度可达。

聚类之后的结果往往会将多跳不同的路段聚为一类，而这并不是我们所想要的，因此必须对聚类后的结果进行修剪(采用Y-split方法)，将同一类中的不同路段分开，最终生成粗糙的骨干路网。

步骤4：将上步得到的粗糙骨干路网与开源的路网融合得到新的粗糙骨干路网；

将上面生成的粗糙骨干路网与现有的路网融合，使用现有的路网中最著名的开源路网OSM(OpenStreetMap)，下载指定区域的开源路网并进行xml解析，获得OSM的道路集合，定义OSM数据与上述粗糙骨干路网数据的数据格式：RdID作为道路的ID,Segid作为其中所在的某一段的ID,Pst是起点而Ped是终点，融合流程采用OSM数据作为基准，用所有的新生成的路网数据去匹配OSM路网，具体算法如图3所示：

(1)遍历每一条新生成的道路L，与整个OSM路网进行匹配

(2)若存在OSM中的某一条路与L之间的距离与夹角均小于给定的阈值时，启动融合程序

(3)融合程序将两条路进行接驳，找到两条路之间较长的作为基准，融合两条路两端的节点，以纵线为例，如图4所示，若是较短线的最低点低于长线，用短线的最低点取代长线的最低点并将原有长线的最低点与新最低点相连作为新融合道路中的一段，同理的，若是短线的最高点高于长线，用短线的最高点取代长线的最高点并将原有长线的最高点与新最高点相连作为新融合道路中的一段，若是短线的最高点与最低点均位于长线内，则不做改变。

(4)用融合程序新生成的道路取代原有的OSM道路。

(5)保留所有未能匹配的路径，连同融合后的OSM道路网一起输出，即本部分所产生的融合后的粗糙骨干路网。

步骤5：利用LS-SVM处理数据，基于上述骨干路网拟合出最终的高精度道路中心线；

首先定义上步之后新生成路网的数据格式：RdID作为道路的ID,Segid作为其中所在的某一段的ID,Pst是起点而Ped是终点，Sarr作为动态数组存储被加入的节点。之后将所有的步骤一之后的有效轨迹点匹配步骤4之后新生成的粗糙路网，填充Sarr，具体的步骤如下：

(1)将所有的原始轨迹线段与新生成的骨干路网中的路段进行匹配，若两条线之间的距离和夹角均小于给定的阈值，则进入节点的match程序；

(2)Match程序中将原始轨迹点N投影到新的路段上，投影点坐标定义如下：

其中P_st和P_ed代表路段两段的节点，S_P表示投影点的经纬度坐标，，t表示投影点坐标的参数化表示。

在节点的匹配程序中，若上式中的t在[0，1]且节点和投影点的距离小于给定的阈值，则把节点分配给此路段，即此路段的Sarr加入新节点S_P。

最后，新形成的粗糙骨干路网将包含许多被分配在自身上的节点，利用这些节点对每一段路径进行拟合以获得道路中心线，这里使用LS-SVM方法，定义最终的道路中心线函数如下：

其中c与d均可由LS-SVM算法求取，x_j代表Sarr数组中的一个节点的横坐标，n为数组长度。这里使用径向基函数作为本方法的核函数K(x，x_j)＝exp(-‖x-x_j‖²/σ²)，因为它能够满足复杂的道路类型需求。另外使用十倍交叉验证的方法求取σ等重要参数。此外，本方法的一个副产品在于可以借此求得大部分道路的边界线，基于大部分道路的边界线都是平行于道路中心线，因此道路边界线模型可在中心线基础上进行改造：

首先计算围绕在道路中心线周围的节点到中心线的投影点之间的纵坐标差值b，利用上述的3σ法则确定置信区间，即P(ε₁≤b)＝99.85％，P(b≤ε₂)＝99.85％,由此得出上下边界线的d′分别为ε₁与ε₂。

Claims (5)

1.一种基于车辆轨迹数据的路径提取方法，包括以下几个步骤：

步骤一：利用3σ法则筛选数据，得到可信的数据；

步骤二：利用轨迹分割的方法切分轨迹，得到关键的节点；

具体为：

(1)构建优化模型，设目标函数如下：

H＝argmin(Leng₂(D|H)+Leng₁(H)),H∈W

其中：Leng₂(D|H)与Leng₁(H)分别代表编码所需的长度以及描述模型的长度，H代表从假设集W中寻找二者和最小的假设；Leng₂(D|H)与Leng₁(H)具体为：

其中{P₀,P₁,…P_n-1,P_n}代表整条轨迹，

代表其中的一段子轨迹，n为数组长度，具体的：

其中：m表示子轨迹的个数，Path_r表示一段子轨迹，i_r-1到i_r为一段子轨迹所包含的节点数；

Leng₂(D|H)为：

其中：P_j，P_j+1代表一段子轨迹

内相邻的两个节点；

设d_m和d_n为：

其中：设一段子轨迹为P₁P₂P₃P₄，P₁P₄分别代表起点和终点，P₂P₃代表轨迹内的两个相邻节点，L₁和L₂分别代表P₂P₃到

的垂线；

(2)设输入为整条原始轨迹，然后从第一个点开始迭代并设置它为第一个关键点，计算当前点与前一个点之间的Leng₂(D|H)的差值x，计算概率P(x,r)，若是P大于0和1之间的某一个随机数，则把前一个点设置为关键点并加入数组中，并从它开始迭代，否则，就继续迭代寻找，最后将包含所有关键点的数组输出；

其中P为：

P表示拒绝当前解作为最终解的概率，r代表迭代步数，k(r)＝k₀×u^r，u决定了退火温度变化的速率，为常量，k₀和c是常数，x为相邻的Leng₂(D|H)的差值；

步骤三：对关键节点聚类并修剪聚类结果，得到粗糙的骨干路网；

步骤四：将粗糙骨干路网与开源的路网融合得到新的粗糙骨干路网；

将粗糙骨干路网与开源路网进行融合，下载指定区域的开源路网并进行xml解析，获得OSM的道路集合，设定OSM数据与粗糙骨干路网数据的数据格式：RdID作为道路的ID，Segid作为其中所在的某一段的ID，Pst是起点，Ped是终点，融合流程采用OSM数据作为基准，用所有的新生成的路网数据去匹配OSM路网，其中OSM表示OpenStreetMap，具体包括：

(1)遍历每一条新生成的道路L，与整个OSM路网进行匹配；

(2)若存在OSM中的某一条路与L之间的距离与夹角均小于给定的阈值时，启动融合程序；

(3)融合程序将两条路进行接驳，找到两条路之间较长的作为基准，融合两条路两端的节点；

(4)用融合程序新生成的道路取代原有的OSM道路；

(5)保留所有未能匹配的路径，连同融合后的OSM道路网一起输出，得到融合后的粗糙骨干路网；

步骤五：利用LS-SVM处理数据，基于步骤四骨干路网拟合出最终的高精度道路中心线。

2.根据权利要求1所述的一种基于车辆轨迹数据的路径提取方法，所述的步骤一具体为：

对数据进行K-S检测是否满足高斯分布，并利用以下方法将数据转化为伪高斯分布：

其中：x^(γ)表示对x进行伪高斯分布转换后的结果，其中x^γ表示对x进行指数化处理，γ是参数；

γ的求解方法是计算能够使下式获得最优值的参数γ：

其中：M表示速度的数据集，x_j表示具体的节点的速率，f(γ)是优化函数，N表示数据集的个数，x_j ^(γ)如上式表示对具体的某一个节点x_j的高斯转化,定义如下：

置信区间位于[x^(γ)-3σ^(γ)，x^(γ)+3σ^(γ)]的数据将被保留，由于P(μ-3σ≤x≤μ+3σ)＝99.7％，因此不满足伪高斯分布的数据的置信区间定义为[ε₁，ε₂]，其中P(ε₁≤x)＝99.85％，P(x≤ε₂)＝99.85％；

其中，P表示数据集落在置信区间的概率，3σ^(γ)表示对原始的数据集的标准差σ进行同样的高斯转化，μ为原始数据集的均值，ε₁、ε₂为置信区间的两端。

3.根据权利要求1所述的一种基于车辆轨迹数据的路径提取方法，所述的步骤三具体为：

利用基于密度的聚类方法将所得的子轨迹聚类，设两条子轨迹上距离最近的点之间的距离为子轨迹之间的距离，当两条子轨迹之间的距离与夹角均小于给定的阈值时，判定这两条轨迹互相密度可达；

对聚类后的结果进行修剪，将同一类中的不同路段分开，最终生成粗糙的骨干路网。

4.根据权利要求1所述的一种基于车辆轨迹数据的路径提取方法，所述的步骤五中新生成路网的数据格式：RdID作为道路的ID，Segid作为其中所在的某一段的ID，Pst是起点，Ped是终点，Sarr作为动态数组存储被加入的节点，之后将所有的步骤一之后的有效轨迹点匹配步骤四之后新生成的粗糙路网，填充Sarr，具体的步骤如下：

(1)将所有的原始轨迹线段与新生成的骨干路网中的路段进行匹配，若两条线之间的距离和夹角均小于给定的阈值，则进入节点的match程序；

(2)Match程序中将原始轨迹点N投影到新的路段上，投影点坐标为：

其中：P_st和P_ed代表路段两段的节点，S_P表示投影点的经纬度坐标，t表示投影点坐标的参数化表示；

在节点的匹配程序中，若上式中的t在[0,1]且节点和投影点的距离小于给定的阈值，则把节点分配给此路段，即此路段的Sarr加入新节点S_P；

采用LS-SVM方法，设最终的道路中心线函数如下：

其中：c与d均由LS-SVM算法获取，x_j代表Sarr数组中的一个节点的横坐标，n为数组长度；采用径向基函数作为核函数K(x,x_j)＝exp(-‖x-x_j‖²/σ²)，采用十倍交叉验证的方法求取o。

5.根据权利要求4所述的一种基于车辆轨迹数据的路径提取方法，所述的步骤五中，还可以获取道路的边界线，设道路边界线模型为：

首先计算围绕在道路中心线周围的节点到中心线的投影点之间的纵坐标差值b，利用3σ法则确定置信区间，即P(ε₁≤b)＝99.85％，P(b≤ε₂)＝99.85％，得出上下边界线的d^′分别为ε₁与ε₂。

Images