CN107742126A - 一种基于隐马尔可夫模型的浮动车地图匹配方法 - Google Patents

Abstract

本发明公开了一种基于隐马尔可夫模型的浮动车地图匹配方法，属于数据处理的技术领域，该方法首先对每一个观测点以预订的误差半径选定其候选匹配点集，其次对每一个观测点，利用观测点与其候选点间距离符合高斯分布的特征建模观测概率，再次利用前后观测点与对应的前后候选点的距离相似度特征以及平均速度相似度特征计算前后观测点对应的前后候选匹配点之间的转移概率，最后可以根据所计算获得的观测概率以及转移概率确定给定的浮动车轨迹数据在电子地图上相匹配的正确的路段序列。本发明实施方案中的浮动车地图匹配方法，可以快速、准确的将定位精度不高的浮动车轨迹数据匹配到电子地图上。

Description

一种基于隐马尔可夫模型的浮动车地图匹配方法

技术领域

本发明公开了一种基于隐马尔可夫模型的浮动车地图匹配方法，属于数据处理的技术领域。

背景技术

浮动车系统是伴随着智能交通系统新技术应用而发展起来的新型交通信息采集技术。浮动车利用GPS装置将车辆信息如时间、速度和位置等信息实时传送到信息处理中心。信息中心通过对浮动车传回信息的分析为相关部门提供道路交通状况，而且可作为拥堵缓解、城市道路规划等各项工作定量数据分析的基础。

由于GPS采样误差的影响，浮动车传回的位置信息通常会偏离行驶轨迹，因此，浮动车数据在进行分析应用前需要进行地图匹配，即将浮动车轨迹数据正确的匹配到其行驶的路网上。传统的几何分析方法实现简单、效率高，但面对复杂路网时，无法保障匹配精度以及匹配路段的连续性。

现有基于隐马尔可夫模型的地图匹配算法根据马尔可夫链的特性将浮动车地图匹配问题转换为而马尔可夫序列解码问题，获得了较为满意的匹配准确度。但是使用隐马尔可夫模型进行浮动车地图匹配时，首先观测点的候选匹配点选择算法不当容易造成算法时间复杂度急剧上升，其次模型中在建模观测点观测概率时分布模型以参数的选择不当会造成错误的匹配，最后，建模前后候选匹配点转移概率时，匹配特征不足或者特征选择错误都会显著影响模型对于匹配上下文的描述能力从而导致匹配准确度的显著下降。综上，利用隐马尔可夫模型进行浮动车地图匹配时，候选点选择算法、观测点观测概率建模以及前后候选点转移概率建模中三个环节中任一环节不精确都无法保证匹配的准确度。

发明内容

本发明主要解决的技术问题是提供一种基于隐马尔可夫模型的浮动车地图匹配方法，能够改进模型中的候选点选择算法，减小了匹配的时间复杂度，同时改进了观测概率模型以及采用了更加合理的匹配特征，改进了转移概率模型，保证了匹配的准确度，同时减小了匹配的时间复杂度。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于隐马尔可夫模型的浮动车地图匹配方法，主要包括如下步骤：

一、输入待匹配的浮动车轨迹数据；

二、对每一个观测点以预定的误差半径选定其候选匹配点集；

三、对每一个观测点，利用观测点与其候选点间距离符合高斯分布的特征建模观测概率；

四、利用前后观测点与对应的前后候选点的距离相似度特征以及平均速度相似度特征计算前后观测点对应的前后候选匹配点之间的转移概率；

五、根据所计算获得的观测概率以及转移概率确定给定的浮动车轨迹数据在电子地图上相匹配的正确的路段序列。

优选的，步骤二中对每一个观测点，以预定的GPS采样误差半径R将观测点附近的路段划入该圆内，划入的路段集为该观测点的候选匹配路段集，同时观测点与路段垂直相交的垂足为候选匹配点，由该规则可获得每个观测点的候选匹配点集。

优选的，一个观测点可对应多个候选匹配点集。

优选的，步骤三的具体方法为：计算观测点和其各个候选匹配点间的直线距离，根据所计算的直线距离，计算观测点和其任一候选匹配点的观测概率。

优选的，步骤四的具体方法为：

C1：获取前后观测点之间的地表距离以及它们所对应的前后候选点之间的地表距离，计算上述所获得的地表距离两者之间的距离差，根据该距离差，计算前后两个候选匹配点之间的转移概率，此转移概率为前后匹配点间转移概率的其中一项；

C2、计算前后观测点之间的平均速度以及它们所对应的前后候选点之间的平均速度，计算上述所获得的平均速度两者之间的平均速度之差，根据该平均速度之差，计算前后两个候选匹配点之间的转移概率，此转移概率为前后匹配点间转移概率的另一项；

C3、将步骤C1和C2获得的两个转移概率项作乘积运算，获得前后观测点对应的前后候选匹配点的最终转移概率。

本发明的有益效果是：本发明提供了一种基于隐马尔可夫模型的浮动车地图匹配方法，提供的候选点选取方法缩小了待匹配的匹配点数量，从而减小了匹配的时间复杂度；提供的观测概率计算方法以及基于距离相似度特征和平均速度相似度特征的转移概率计算方法，使得前后匹配点间的上下文信息描述更全面，建模更合理，从而提高了匹配的精确度，为后期的基于浮动车数据的应用提供了准确的交通流信息。

附图说明

图1是本发明一种基于隐马尔可夫模型的浮动车地图匹配方法一较佳实施

例中候选匹配点集选取图；

图2是本发明涉及的匹配算法流程图；

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

请参阅图1和图2，本发明实施例包括：

一种基于隐马尔可夫模型的浮动车地图匹配方法，主要包括如下步骤：

一、输入待匹配的浮动车轨迹数据；

二、对每一个观测点以预定的误差半径选定其候选匹配点集；

三、对每一个观测点，利用观测点与其候选点间距离符合高斯分布的特征建模观测概率；

四、利用前后观测点与对应的前后候选点的距离相似度特征以及平均速度相似度特征计算前后观测点对应的前后候选匹配点之间的转移概率；

五、根据所计算获得的观测概率以及转移概率确定给定的浮动车轨迹数据在电子地图上相匹配的正确的路段序列。

如图1所示，步骤二中，以每个观测点pt为圆心，50米为半径将该点附近的路段划归入圆内，则与圆相交的路段为该候选点的候选匹配路段，同时pt与各个候选路段垂直相交的垂足为候选匹配点。一个观测点可能对应多个候选匹配点集。

参照图1，在本实施例中，观测概率用来衡量在任一观测点候选路段上观测到该观测点的概率。为获得观测概率，需要考虑轨迹点与候选路段之间的距离。

具体的，计算观测点pt和其候选匹配点ct，i间的直线距离dist(pt,ct,i)，并以0-均值高斯分布建模ct,i到pt的距离dist(pt,ct,i)从而可得到ct,i到pt的观测概率p(pt|ct,i)如下所示

其中高斯分布GPS采样误差噪声的标准差σ采用绝对离差中位数估计方法进行估计，过程如下：

首先使用手工正确匹配的浮动车轨迹数据，对每个观测点计算其到正确候选匹配点间直线距离di，由此获得一组GPS采样误差距离集合D＝(di|i＝1,2,…N),N是浮动车轨迹数据的数据点个数。

然后对于获得的GPS采样误差距离集合，使用绝对离差中位数估计方法计算σ，计算方法如下所示：

在本实施例中，在获得步骤三中的各个观测点的观测概率之后，还需要计算前后观测点对应的前后候选点之间的转移概率。转移概率可以根据前后两个候选点可达性分配到相应的概率值，从而可以剔除不可达或者不合理的转移路径，保证匹配的准确性和合理性。

在本实施例中，计算转移概率用到两个特征：距离相似度特征和平均速度相似度特征。

计算前后候选匹配点间的转移概率时，首先利用距离相似度特征获得转移概率的第一项。方法为：获取前后观测点之间的地表距离以及它们所对应的前后候选点之间的地表距离，通过计算上述所获得的地表距离两者之间的距离差，根据所述距离差，计算前后两个候选匹配点之间的转移概率，作为转移概率的第一项。具体的，在本实施例中，对于前后观测点pt，pt+1与对应的前后候选点ct,i，ct+1,j的距离相似度，首先计算pt，pt+1之间的距离dist(pt→pt+1)，其次执行Dijkstra(迪杰斯特拉)算法计算从ct,i到ct+1,j的最短路径的距离dist(ct,i,ct+1,j)，将获取的两个距离相减并取绝对值得到距离相似度特征，最后使用指数分布建模该距离相似度特征获得候选匹配点ct,i到ct+1,j的转移概率的其中一个概率项pd(ct,i→ct+1,j).如下所示：

p_d(c_t,i→c_t+1,j)＝λ₁exp(-λ₁|dist(c_t,i,c_t+1,j)-dist(p_tp_t+1)|) (3)

其中指数分布中参数λ1的值为1.5。

其次利用距离相似度特征获得转移概率的另一项。方法为：获取前后观测点之间的平均速度以及它们所对应的前后候选点之间的平均速度，计算上述所获得的平均速度两者之间的平均速度之差，根据所述平均速度之差，计算前后两个候选匹配点之间的转移概率，此转移概率为所述前后匹配点间转移概率的另一项。具体的，在本实施方案中，对于前后观测点pt，pt+1与对应的前后候选匹配点ct,i，ct+1,j的平均速度相似度，首先利用步骤C1获取的dist(ct,i,ct+1,j)除以pt，pt+1的采样间隔Δt获得从ct,i到ct+1,j的平均速度如下所示：

其次计算从pt到pt+1的平均速度如下所示：

然后计算与之差的绝对值获得平均速度相似度特征，最后使用指数分布建模该平均速度相似度特征获得候选匹配点ct,i到ct+1,j的转移概率的另一个概率项pv(ct,i→ct+1,j)如下所示：

其中指数分布中参数λ2的值为2.3。

将上述获得的两个特征作乘积运算，则可获得前后观测点的对应的前后候选匹配点的转移概率p(ct,i→ct+1,j)如下所示：

p(c_t,i→c_t+1,j)＝p_d(c_t,i→c_t+1,j)p_v(c_t,i→c_t+1,j)(7)。

步骤五中计算给定浮动车轨迹数据匹配后的候选点转移序列即匹配结果，具体流程如图2所示：

1、使用步骤二所述方法获得各个观测点的候选匹配点集；

2、根据公式(1)计算第一个观测点的观测概率；

3、从第二个观测点开始到最后一个观测点，迭代进行如下步骤：

首先使用公式(7)计算前一观测点的候选匹配点到当前匹配点各个候选匹配点的转移概率p(ct-1,i→ct,j)，其次计算该步骤各个转移概率与该观测点观测概率的乘积如下所示

p(p_t|c_t,i)p(c_t-1,i→c_t,j)

比较乘积结果选择最大值项所对应的前后候选匹配点对顺序存入队列。然后进入下一个观测点的处理，如果此时观测点是最后一个，则结束迭代进入步骤4，否则采用和上一个观测点相同的处理方法进行处理。

4、将步骤3中所获得的所有前后候选匹配点对队列依次出队，则出队结果为最终匹配结果。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种基于隐马尔可夫模型的浮动车地图匹配方法，其特征在于，主要包括如下步骤：

一、输入待匹配的浮动车轨迹数据；

二、对每一个观测点以预定的误差半径选定其候选匹配点集；

三、对每一个观测点，利用观测点与其候选点间距离符合高斯分布的特征建模观测概率；

四、利用前后观测点与对应的前后候选点的距离相似度特征以及平均速度相似度特征计算前后观测点对应的前后候选匹配点之间的转移概率；

五、根据所计算获得的观测概率以及转移概率确定给定的浮动车轨迹数据在电子地图上相匹配的正确的路段序列。

2.根据权利要求1所述的一种基于隐马尔可夫模型的浮动车地图匹配方法，其特征在于，步骤二中对每一个观测点，以预定的GPS采样误差半径R将观测点附近的路段划入该圆内，划入的路段集为该观测点的候选匹配路段集，同时观测点与路段垂直相交的垂足为候选匹配点，由该规则可获得每个观测点的候选匹配点集。

3.根据权利要求2所述的一种基于隐马尔可夫模型的浮动车地图匹配方法，其特征在于，一个观测点可对应多个候选匹配点集。

4.根据权利要求1所述的一种基于隐马尔可夫模型的浮动车地图匹配方法，其特征在于，步骤三的具体方法为：计算观测点和其各个候选匹配点间的直线距离，根据所计算的直线距离，计算观测点和其任一候选匹配点的观测概率。

5.根据权利要求1所述的一种基于隐马尔可夫模型的浮动车地图匹配方法，其特征在于，步骤四的具体方法为：

C1：获取前后观测点之间的地表距离以及它们所对应的前后候选点之间的地表距离，计算上述所获得的地表距离两者之间的距离差，根据该距离差，计算前后两个候选匹配点之间的转移概率，此转移概率为前后匹配点间转移概率的其中一项；

C2、计算前后观测点之间的平均速度以及它们所对应的前后候选点之间的平均速度，计算上述所获得的平均速度两者之间的平均速度之差，根据该平均速度之差，计算前后两个候选匹配点之间的转移概率，此转移概率为前后匹配点间转移概率的另一项；

C3、将步骤C1和C2获得的两个转移概率项作乘积运算，获得前后观测点对应的前后候选匹配点的最终转移概率。