CN106767873A - 一种基于时空的地图匹配方法 - Google Patents

Abstract

本发明公开了一种基于时空的地图匹配方法，(1)获取数字地图数据，并对其进行处理，得到最短路径数据集；(2)接受数据终端的多个连续GPS数据信息序列，并计算车辆行驶GPS定位点的候选点，组成GPS定位点的候选点集；(3)根据GPS数据信息序列、GPS定位点的候选点集以及最短路径数据集计算得到空间分析方程和时间分析方程，并将这两个方程结合起来简称时空分析方程；(4)通过ST_Matching算法获得候选点中的最佳序列，得到最优的GPS定位候选数据。该方法综合考虑确定性算法与不确定性算法的优点，能够有效地解决地图匹配所存在的问题。

Description

一种基于时空的地图匹配方法

技术领域

本发明属于智能交通中的GPS定位技术领域，具体涉及到一种基于时空的地图匹配方法。

背景技术

利用智能交通系统来解决城市交通问题越来越受到人们的重视，其实智能交通的作用不仅体现在城市交通方面，在智慧景区中十分重要，如给特殊人群提供智能车租约服务、带领旅客浏览景区等等；将智能车与旅游服务结合在一起，对于构建智慧旅游具有重要的意义。为了在景区中能够进行较为准确的车辆位置定位，此时的地图匹配技术变成了一项十分重要的任务。尤其是在旅游景区道路复杂，景区人员较多容易导致车辆行驶较慢的情况下，地图匹配技术的性能会在很大程度上影响消费者乘坐智能车进行景区浏览的体验。

地图匹配(Map Matching)技术是一个不增加车辆导航系统硬件成本的软件技术，该技术是以模式识别的理论为基础，其基本假设是车辆始终行驶在道路上，同时需要高精度的电子地图。匹配的基本思路是通过车辆的轨迹与电子地图上矢量化的路段相近匹配，寻找当前行驶的道路，并将车辆当前的定位点投影到道路上。传统的地图匹配算法包含两种类型，确定性算法和不确定性算法。确定性算法的基本思路是查找离车辆位置最近的路段，然后将表示车辆位置定位点数据点投影到查到的路段对应点上，并将投影点定位为车辆匹配后的位置。不确定算法主要是运用概率统计、模糊逻辑、相关性分析等技术运用到地图匹配上。与确定性算法相比，不确定性算法考虑的因素比较多，确定性算法只考虑距离这一因素，而不确定性算法还将考虑行驶车辆的速度、航向、道路路宽、道路限速、道路的性状等等因素。所以，通常而言，不确定算法的匹配效果更好一点。但是从性能角度出发，确定性算法的计算时间比较短，而不确定算法计算时间比较长。

发明内容

鉴于上述，本发明提供了一种基于时空的地图匹配方法，该方法综合考虑确定性算法与不确定性算法的优点，能够有效地解决地图匹配所存在的问题。

一种基于时空的地图匹配方法，包括以下步骤：

(1)获取数字地图数据，并对其进行处理，得到最短路径数据集；

(2)接受数据终端的多个连续GPS数据信息序列，并计算车辆行驶GPS定位点的候选点，组成GPS定位点的候选点集；

(3)根据GPS数据信息序列、GPS定位点的候选点集以及最短路径数据集计算得到空间分析方程和时间分析方程，并将这两个方程结合起来简称时空分析方程，即ST方程；

(4)利用ST_Matching算法对候选点的时空分析方程进行优化求解，获得候选点中的最佳序列，得到最优的GPS定位候选数据。

步骤(1)的具体步骤为：

(1-1)获取数字地图数据，并根据其计算线路之间的最短路径长度，并记录路径轨迹；

(1-2)根据相邻时刻GPS定位点的距离阈值δ₁对最短路径长度及其路径轨迹进行剪枝，得到最短路径数据集。

在步骤(1-1)中，数字地图由n条线路组成，每一条数字地图数据包括路线id、起点id、终点id、限速、线路长度、线路GPS点数N、GPS点1、GPS点2、…GPS点N。

在步骤(1-1)中，可以采用Dijkstra算法或A^*算法计算线路之间的最短路径长度。

在步骤(1-2)中，δ₁的取值大小需要根据车辆的行驶速度、GPS数据信息序列的采样频率及GPS信号接收器所接收到的位置偏差来确定，如果δ₁的取值过小会导致候选数据的个数太少，从而增加误匹配的概率，反之会增加算法的计算时间。

通过步骤(1)提前将最短路径计算出来，给数字地图中任意两条线路建立最短路径索引，这将会大大减少接下来的算法重求最短路径长度的时间。

步骤(2)的具体步骤为：

(2-1)根据车辆的正常行驶车速和GPS定位点的采样频率确定接收到的GPS定位点序列中第一个定位点在附近道路的允许偏差δ₂；

(2-2)计算每个GPS定位点在允许偏差δ₂范围内道路上的投影，并将其作为GPS定位点的候选点组成每个GPS定位点的候选点集，称为GPS定位点数据p_i。

在步骤(3)中，计算每一个候选点的观察概率，并对第一个GPS数据点的观察概率进行修正；计算相邻时刻的候选点之间的转移概率；综合考虑观察概率和转移概率，作为候选点的空间权重；计算相邻时刻的候选点在最短路径上与平均速度的余弦相似性作为的时间权重；根据时空两个因素计算最佳候选点，以形成在地图上匹配的坐标结果。其具体步骤为：

(3-1)计算每个候选点的观察概率

(3-2)根据相邻两个GPS数据信息序列所在的路线最短路径距离与实际欧式距离，计算候选点的转移概率

(3-3)根据观察概率和转移概率计算每个候选点的空间分析方程：

(3-4)根据最短路径数据集计算每个候选点的时间分析方程：

其中，e′_u.v表示序号为u最短路径线路的限速，k为最短路径的总条数；表示候选点到候选点之间最短路径上的平均速度，此处，表示第i-1个GPS定位点数据p_i-1中第t个候选点，表示第i个GPS定位点数据p_i中第j个候选点；

的计算公式为：

l_u表示序号为u最短路径线路的长度，△t_i-1→i表示GPS定位点数据p_i-1和GPS定位点数据p_i之间的时间间隔；

(3-5)根据空间分析方程和时间分析方程计算每个候选点的时空分析方程：

在步骤(3-1)中，采用正态分布的统计手段，计算每个GPS定位点数据p_i中每个候选点的观察概率具体为：

其中，表示车辆行驶的第i个GPS数据p_i与其第j个候选点之间的欧氏距离，μ₁为正态分布的均值，一般取0；σ₁为正态分布的方差，与车辆的物理性能相关，具体的说，方差根据车辆历史的行驶速而定，一般而言，车辆的历史行驶速度快，方差的取值越大；历史行驶速度越慢，方差的取值越小。车辆行驶的GPS点与其候选点之间的距离越短，是该点在地图上的坐标可能性越大。

在步骤(3-1)中，由于第一个定位点没有转移概率，如果第一个GPS定位点的位置与实际行驶时的位置相差太大，会降低到下一个点的转移概率。为减少第一个GPS定位点数据p₁中的每个候选点对以后时刻的候选点的影响；因此，需要对第一个GPS定位点数据p₁中的每个候选点的观察概率进行再处理，处理方法为：

(a)对前λ个GPS定位点数据进行类聚，聚类中心点为：

其中，t_m为第m个GPS定位点的采样时间间隔，v_n为第n条路段的限速；δ表示匹配时所允许的最大偏差距离。

(b)根据聚类中心点采用正态分布方法计算第一个GPS定位点数据p₁的候选点的经验观测概率

其中，表示聚类中心点与第一个GPS定位点数据p₁中的每个候选点之间的欧式距离；μ₂为正态分布的均值，σ₂为正态分布的方差；

(c)将第一个GPS定位点数据p₁中的每个候选点的观察概率乘上其经验观测概率，作为第一个GPS定位点数据p₁的每个候选点的观察概率

在步骤(b)中，因为此处初始点的候选点集的数据分布情况和其他定位点的候选数据的分布情况不同，所以使用不同的正态方程，即这里的期望μ₂和μ₁，σ₁和σ₂取不同的值。

步骤(3-2)的具体步骤为：

(3-2-1)计算相邻两个GPS定位点数据p_i和p_i-1之间的实际欧式距离：

d_(i-1)→i＝dist(p_i-1,p_i)

(3-2-2)计算两个候选点和之间的最短路径距离w_{(i-1,t)→(i,j)}；

(3-2-3)根据实际欧式距离与最短路径距离计算候选点转移概率其计算公式为：

此处，相邻候选点的实际欧式距离与其最短路径距离的比值越高，这两个候选点之间的转移概率越高。

本发明基于时空的地图匹配方法，基本思想是利用隐马尔科夫模型进行地图匹配，具有以下优势：

(1)对特定的应用场景如校园、旅游景区，构建了一种简单、有效的数字地图，包括路线id、起点id、终点id、限速、线路长度、线路GPS点数N、GPS点1、GPS点2、…GPS点N。

(2)在算法匹配之前，提前计算好地图中的任意两条线路的距离，同时在计算的过程中，若两条线路之间的距离超过一定的阈值便进行剪枝，从而缩短地图匹配的时间。

(3)在计算隐马尔科夫模型中的转移矩阵时使用时空分析方程。即不仅考虑到GPS定位点的候选点集的观察概率、转移概率建立空间分析方程，还利用速度信息建立时间分析方程。

(4)因为隐马尔科夫受到初始值的影响比较大，所以对GPS定位点序列的初始定位点，进行了进一步处理，以提高匹配的准确度。

附图说明

图1是本发明地图匹配方法中获得最短路径数据集过程的流程图；

图2是本发明地图匹配方法中地图匹配过程的流程图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及车辆在旅游景区的情境下对本发明的技术方案进行详细说明。

实施例中智能车是一种低速、接受GPS数据且容易受到GPS信号漂移影响的电动车辆。

假设旅游景区的数字地图已经存在，该数字地图由n条线路组成，每一条数字地图数据包括路线id、起点id、终点id、限速、线路长度、线路GPS点数N、GPS点1、GPS点2、…GPS点N。

如图1所示，根据数字地图数据计算得到最短路径数据集，具体步骤如下：

步骤1，获取数字地图数据，采用Dijkstra算法计算线路之间的最短路径长度，并记录路径轨迹；

步骤2，根据相邻GPS定位点的距离阈值δ₁对最短路径长度及其路径轨迹进行剪枝，得到最短路径数据集。

在地图匹配之前，通过以上两步骤提前将最短路径计算出来，给数字地图中任意两条线路建立最短路径索引，这将会大大减少接下来的算法重求最短路径长度的时间。

在获得最短路径数据集后，进行地图匹配过程，如图2所示，具体步骤如下：

步骤1，智能车将一段时间内的车辆行驶数据发送到后台服务器。

步骤2，服务器根据车辆行驶数据计算得到智能车行驶GPS定位点数据p_i，具体过程为：

首先，根据车辆的正常行驶车速v和GPS定位点的采样频率△t确定初始点在附近道路的允许偏差δ₂＝2v△t米；

然后，计算每个GPS定位点在允许偏差δ₂范围内道路上的投影，并将其作为GPS定位点的候选点组成每个GPS定位点的候选点集，称为GPS定位点数据p_i。

步骤3，服务器计算智能车每个候选点的观察概率具体过程为：采用正态分布的统计手段，计算每个GPS定位点数据p_i中每个候选点的观察概率具体为：

其中，表示车辆行驶的第i个GPS数据p_i与其第j个候选点之间的欧氏距离，μ₁取0；σ₁取20；车辆行驶的GPS定位点与其候选点之间的距离越短，是该点在地图上的坐标可能性越大。

为减少第一个GPS定位点数据p₁中的每个候选点对以后时刻的候选点的影响；因此，需要对第一个GPS定位点数据p₁中的每个候选点的观察概率进行再处理，处理方法为：

(a)对前λ个GPS定位点数据进行类聚，聚类中心点为：

其中，t_m为第m个GPS定位点的采样时间间隔，v_n为第n条路段的限速；δ表示匹配时所允许的最大偏差距离，p_i为GPS定位点数据；

(b)根据聚类中心点采用正态分布方法计算第一个GPS定位点数据p₁的候选点的经验观测概率

其中，表示聚类中心点与第一个GPS定位点数据p₁中的每个候选点之间的欧式距离；μ₂为正态分布的均值，σ₂为正态分布的方差；

因为此处初始点的候选点集的数据分布情况和其他定位点的候选数据的分布情况不同，所以使用不同的正态方程，即这里的期望μ₂和μ₁，σ₁和σ₂取不同的值。

(c)将第一个GPS定位点数据p₁中的每个候选点的观察概率乘上其经验观测概率，作为第一个GPS定位点数据p₁的每个候选点的观察概率

步骤4，服务器根据相邻两个GPS数据所在的路线最短路径距离与实际欧式距离，计算每个候选点转移概率具体过程为：

首先，计算相邻两个GPS定位点数据p_i和p_i-1之间的实际欧式距离：

d_(i-1)→i＝dist(p_i-1,p_i)

然后，计算两个候选点和之间的最短路径距离w_{(i-1,t)→(i,j)}；

最后，根据实际欧式距离与最短路径距离计算候选点转移概率其计算公式为：

步骤5，服务器根据观察概率和转移概率计算每个GPS候选点的空间分析方程：

此处，的转移概率和观察概率的乘积越大，说明是i时刻在地图上的坐标可能性越大。

步骤6，服务器根据地图匹配前计算好的最短路径数据集，计算每个候选点的时间分析方程：

其中，e_u′.v表示序号为u最短路径线路的限速，k为最短路径的总条数；表示候选点到候选点之间最短路径上的平均速度，此处，表示第i-1个GPS定位点数据p_i-1中第t个候选点，表示第i个GPS定位点数据p_i中第j个候选点；

的计算公式为：

l_u表示序号为u最短路径线路的长度，△t_i-1→i表示GPS定位点数据p_i-1和GPS定位点数据p_i之间的时间间隔；

步骤7，服务器根据空间分析方程和时间分析方程计算每个候选点的ST方程：

步骤8，通过ST_Matching算法获得候选点中的最佳序列，得到最优的GPS定位候选数据，采用以下算法进行求解：

步骤9，通过以上算法寻优得到N个最优的GPS定位候选数据，将其返回至智能车，通过显示屏上的地图显示智能车的行驶轨迹。

以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于时空的地图匹配方法，包括以下步骤：

(1)获取数字地图数据，并对其进行处理，得到最短路径数据集；

(2)接受数据终端的多个连续GPS数据信息序列，并计算车辆行驶GPS定位点的候选点，组成GPS定位点的候选点集；

(3)根据GPS数据信息序列、GPS定位点的候选点集以及最短路径数据集计算得到候选点的空间分析方程和时间分析方程，并将这两个方程结合起来简称时空分析方程；

(4)利用ST_Matching算法对候选点的时空分析方程进行优化求解，获得候选点中的最佳序列，得到最优的GPS定位候选数据。

2.根据权利要求1所述基于时空的地图匹配方法，其特征在于：步骤(1)的具体步骤为：

(1-1)获取数字地图数据，并根据其计算线路之间的最短路径长度，并记录路径轨迹；

(1-2)根据相邻时刻GPS定位点的距离阈值δ₁对最短路径长度及其路径轨迹进行剪枝，得到最短路径数据集。

3.根据权利要求2所述基于时空的地图匹配方法，其特征在于：在步骤(1-1)中，采用Dijkstra算法或A^*算法计算线路之间的最短路径长度。

4.根据权利要求1所述基于时空的地图匹配方法，其特征在于：步骤(2)的具体步骤为：

(2-1)根据车辆的正常行驶车速和GPS定位点的采样频率确定接收到定位点序列中第一个定位点在附近道路的允许偏差δ₂；

(2-2)计算每个GPS定位点在允许偏差δ₂范围内道路上的投影，并将其作为GPS定位点的候选点组成每个GPS定位点的候选点集，称为GPS定位点数据p_i。

5.根据权利要求1所述基于时空的地图匹配方法，其特征在于：步骤(3)的具体步骤为：

(3-1)计算每个候选点的观察概率

(3-2)根据相邻两个GPS数据信息序列所在的路线最短路径距离与实际欧式距离，计算候选点的转移概率

(3-3)根据观察概率和转移概率计算每个候选点的空间分析方程：

(3-4)根据最短路径数据集计算每个候选点的时间分析方程：

$F_t(c_{i-1}^t\→c_i^j)=\frac{\underset{u=1}{\overset{k}{\mathrm{\Σ}}}(e_u^{\′}.v*{\stackrel{\‾}{v}}_{(i-1,t)\→(i,j)})}{\sqrt{\underset{u=1}{\overset{k}{\mathrm{\Σ}}}{(e_u^{\′}.v)}^2}*\sqrt{\underset{u=1}{\overset{k}{\mathrm{\Σ}}}{\left({\stackrel{\‾}{v}}_{(i-1,t)\→(i,j)}\right)}^2}}$

其中，e′_u.v表示序号为u最短路径线路的限速，k为最短路径的总条数；表示候选点到候选点之间最短路径上的平均速度，此处，表示第i-1个GPS定位点数据p_i-1中第t个候选点，表示第i个GPS定位点数据p_i中第j个候选点；

的计算公式为：

l_u表示序号为u最短路径线路的长度，△t_i-1→i表示GPS定位点数据p_i-1和GPS定位点数据p_i之间的时间间隔；

(3-5)根据空间分析方程和时间分析方程计算每个候选点的时空分析方程：

$F(c_{i-1}^t\→c_i^j)=F_j(c_{i-1}^t\→c_i^j)*F_t(c_{i-1}^t\→c_i^j).$

6.根据权利要求1所述基于时空的地图匹配方法，其特征在于：在步骤(3-1)中，采用正态分布的统计手段，计算每个GPS定位点数据p_i中每个候选点的观察概率具体为：

$N\left(c_i^j\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_1}\exp (-\frac{{(x_i^j-{\mathrm{\μ}}_1)}^2}{2{{\mathrm{\σ}}_1}^2})$

其中，表示车辆行驶的第i个GPS定位点数据p_i与其第j个候选点之间的欧氏距离，μ₁为正态分布的均值，σ₁为正态分布的方差。

7.根据权利要求6所述基于时空的地图匹配方法，其特征在于：对第一个GPS定位点数据p₁中的每个候选点的观察概率进行再处理的方法为：

(a)对前λ个GPS定位点数据进行类聚，聚类中心点为：

${\hat{p}}_1=\frac{1}{\mathrm{\λ}}\underset{i=1}{\overset{\mathrm{\λ}}{\mathrm{\Σ}}}{p}_i$

其中，t_m为第m个GPS定位点的采样时间间隔，v_n为第n条路段的限速；δ是表示匹配时所允许的最大偏差距离，p_i为GPS定位点数据；

(b)根据聚类中心点采用正态分布方法计算第一个GPS定位点数据p₁的候选点的经验观测概率

$O\left(c_1^j\right)=\frac{1}{\sqrt{2{\mathrm{\π\σ}}_2}}\exp (-\frac{{(x_1^j-{\mathrm{\μ}}_2)}^2}{2{\mathrm{\σ}}_2^2})$

其中，表示聚类中心点与第一个GPS定位点数据p₁中的每个候选点之间的欧式距离；μ₂为正态分布的均值，σ₂为正态分布的方差；

(c)将第一个GPS定位点数据p₁中的每个候选点的观察概率乘上其经验观测概率，作为第一个GPS定位点数据p₁的每个候选点的观察概率

$N\left(c_1^j\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_1}\exp (-\frac{{(x_1^j-{\mathrm{\μ}}_1)}^2}{2{\mathrm{\σ}}_1^2})*O\left(c_i^j\right).$

8.根据权利要求1所述基于时空的地图匹配方法，其特征在于：步骤(3-2)的具体步骤为：

(3-2-1)计算相邻两个GPS定位点数据p_i和p_i-1之间的实际欧式距离：

d_(i-1)→i＝dist(p_i-1,p_i)

(3-2-2)计算两个候选点和之间的最短路径距离w_{(i-1,t)→(i,j)}；

(3-2-3)根据实际欧式距离与最短路径距离计算候选点转移概率其计算公式为：

$v(c_{i-1}^t\→c_i^j)=\frac{d_{(i-1)\→i}}{w_{(i-1,t)\→(i,j)}}.$