CN108061556A - 一种基于隐马尔可夫模型的地图匹配方法 - Google Patents
一种基于隐马尔可夫模型的地图匹配方法 Download PDFInfo
- Publication number
- CN108061556A CN108061556A CN201710977135.7A CN201710977135A CN108061556A CN 108061556 A CN108061556 A CN 108061556A CN 201710977135 A CN201710977135 A CN 201710977135A CN 108061556 A CN108061556 A CN 108061556A
- Authority
- CN
- China
- Prior art keywords
- msub
- map
- mrow
- road segment
- road
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于隐马尔可夫模型的地图匹配方法，包括以下步骤：步骤1：从初始定位结果中，依据距离阈值，获取沿着初始定位结果连线的道路路网数据，并基于四叉树架构进行网格划分；步骤2：以步骤1获取的所有道路段单元，作为隐马尔可夫模型的状态空间；步骤3：获取所有的原始定位数据，作为观测值序列；步骤4：基于初始定位结果与道路段单元之间的关联性，计算输出矩阵；步骤5：基于道路段单元之间的相关性，计算状态转换矩阵；步骤6：利用Viterbi算法，得到最为匹配的道路段单元序列。本发明的地图匹配方法能够基于低数据采用频率、初始定位精度差的定位数据进行精确的地图匹配，使移动目标在地图道路上的定位更加精准。
Description
技术领域
本发明涉及地理信息处理服务中的地图匹配方法，具体涉及一种基于隐马尔 可夫模型的地图匹配方法。
背景技术
根据Wikipedia的定义，地图匹配是将一系列有序的初始定位结果，关联到 电子地图的交通路网的过程。它的主要目的是校正定位结果、计算交通规划与导 航、交通信息统计与分析。
由于定位方法的误差、电子地图自身的误差，以及二者之间的坐标系统转换 误差，道路交通路线上的移动目标，其初始定位结果往往没有匹配到电子地图的 路网上。如果不进行专门的地图匹配，那么移动目标可能不显示路网上，而是出 现在路边的房屋里，或者池塘里。如图1所示，Pa、Pb、Pc是移动定位的初始结 果，根据最简单的匹配方法，点Pa、Pb、Pc会投影至距离其最近的道路，Pb与 Pa、Pc明显被投影至不同的道路上。根据图示信息，这种结果很可能与实际情况 不符合。由此得到的投影坐标，不能反映真实的交通路线轨迹。
与此同时，针对初始定位精度更差、数据采用频率更低的数据，地图匹配更 是容易出错。
发明内容
本发明的目的在于克服现有地图匹配技术的不足，提供一种能够应对低数据 采用频率、初始定位精度差的定位数据的基于隐马尔可夫模型(HMM)的地图匹配 方法，使得移动目标在地图道路上的定位更加精准。
本发明的目的通过以下的技术方案实现：
一种基于隐马尔可夫模型的地图匹配方法，其特征在于，包括以下步骤：
步骤1：从原初始定位结果中，依据距离阈值，获取沿着初始定位结果连线 的道路路网数据，并基于四叉树架构进行网格划分，进行编码；
步骤2：以步骤1获取的所有道路段单元，作为隐马尔可夫模型的状态空间；
步骤3：获取所有的原始定位数据，作为观测值序列；
步骤4：基于初始定位结果与道路段单元之间的关联性，来计算输出矩阵；
步骤5：基于道路段单元之间的相关性，计算状态转换矩阵；
步骤6：利用Viterbi算法，得到最为匹配的道路段单元序列。
2、根据权利要求1所述的基于隐马尔可夫模型的地图匹配方法，其特征在 于，其特征在于：
所述步骤1中，距离阈值的确定方法为：统计初始定位结果中相邻两点之间 的间距，以最大间距与系统安全系数相乘，得到安全距离D。
进一步地，所述步骤3中，获取所有的原始定位数据，并且按照时间顺序， 一一编号，作为观测值序列。
进一步地，所述步骤4中，初始定位结果与道路段单元之间的关联性因素包 括初始定位结果与道路段单元之间的距离。
进一步地，所述步骤5中：道路段单元之间的相关性因素包括网络连通性、 垂直投影距离、初始定位点的连线与道路方向。
进一步地，所述步骤5中，计算各道路段单元之间的网络连通性，计算方法 如下：
得到所有道路段单元的两端节点的坐标(x1，y1，x2，y2，x3，y3......xn，yn)， 计算坐标对，得到(p1x，p1y，p2x，p2y，pmx，pmy)；
其中，如果(ra，rb)拥有节点坐标(pkx，pky)，那么它们是直接相连接的；
同时，与rb直接相连接的有[ra，rc，rd，re]，那么ra与[rc，rd，re]相隔一条道路 段单元；
除此之外，其他道路段单元之间的关系，是相隔多于一条道路段单元。
进一步地，所述步骤6中：基于最大概率计算方法Viterbi算法，得到序列 排序概率，其中，排序概率最大组合，就是目标结果，表达为：
进一步地，还包括：
步骤7：基于地图网络优化算法，去掉冗余的道路，并修复由于初始定位数 据的缺失带来的道路连通性问题。
本发明与现有技术相比具有以下的有益效果：
本发明根据初始定位结果数据的特点，探索出其符合隐马尔可夫模型的特 征，并应用隐马尔可夫模型对初始定位结果数据进行分析处理，从而在初始定位 结果的基础上得出更加准确的地图匹配结果，解决了现有技术中地图匹配精度 差、容易的出错的问题。
附图说明
图1为现有地图匹配技术中出现匹配误差的示意图。
图2为发明的基于隐马尔可夫模型的地图匹配方法中所构建的基于隐马尔可 夫模型示意图。
图3为发明的基于隐马尔可夫模型的地图匹配方法的实施流程图。
图4为发明的基于隐马尔可夫模型的地图匹配方法中道路段单元的连接示意 图。
图5为发明的基于隐马尔可夫模型的地图匹配方法中对道路路网数据进行四 叉树结构建设的流程图。
图6为应用本发明的基于隐马尔可夫模型的地图匹配方法的测试区域地图。
图7为基于图6的测试地图，选取初始定位数据附近的道路路网，并构建四 叉树结构的道路结果。
图8为应用本发明的基于隐马尔可夫模型的地图匹配方法处理后的匹配结 果。
图9为在图8显示结果基础上，经过优化计算后的地图显示结果。
图10-图13分别是图8中A-E处的局部放大图。
具体实施方式
下面结合实施例和附图对发明作进一步描述，但发明的实施方式不仅限于 此。
参见图2，本发明的基于隐马尔可夫模型的地图匹配方法是隐马尔可夫模型 在地图匹配领域的具体应用，因此本发明的实施过程是搭建地图匹配的隐马尔可 夫模型并求解的过程。在本发明的面向地图匹配的隐马尔可夫模型中，主要包括 状态空间、状态、状态转换矩阵、输出矩阵以及观测值这几大部分，这也是隐马 尔可夫模型的基本特征。其中，所述状态空间是指初始定位原初始定位结果对应 的所有道路段单元序列集合，真值(意味着不可知)包含在其中。所述状态是指 与初始定位结果对应的道路段单元序列，所有这些道路段单元序列组合在一起构 成状态空间。所述状态转换矩阵是指基于与地图匹配相关的特征，不同时刻的状 态之间的转换概率，亦即对于某一个时刻，对应的初始定位结果的状态与上一个 时刻的初始定位结果的状态相关，表现在上一个时刻的初始定位结果的某个状态 转换到下一个时刻的初始定位结果的某个状态的概率。所述输出矩阵是指基于与 地图匹配相关的特征，初始定位结果指向某个状态的概率。所述观测值是指当前 的初始定位结果。
参见图3，下面对实现本发明的基于隐马尔可夫模型的地图匹配方法的实施 步骤做详细的介绍，具体包括以下步骤：
步骤1：从原始定位结果中，依据距离阈值，获取沿着初始定位结果连线的 道路路网数据，并基于四叉树架构进行网格划分，进行编码。所述原始定位结果 是指利用定位设备(可以是GPS、手机定位、RSSI定位)获得的定位数据，具 体表现在不同时刻移动目标在地图上的位置，是一个个位置点以及与之对应的位 置数据。道路路网数据是地图中的道路数据，地图中的道路数据是以一个个道路 段单元进行存储的，所有的道路段单元连接起来构成道路路网(如图4所示的道 路路网模型，图中r表示道路段单元)。本步骤的实施流程参见图5，所述分析 交通路网数据特征，计算地图网格间距x、y，是指路网数据预处理的计算流程。 首先，分析交通路网的空间信息特征，统计道路数据的最小外框矩阵的大小。基 于这组统计数据，计算地图网格的间距，记为X0、Y0；基于X0、Y0，对目标区 域建立地图网格，并对道路数据进行编码，及标定该道路所在的网格；分析原始 定位数据(可以是GPS、手机定位、RSSI定位)，计算其最大误差范围D(亦 即所述距离阈值)，确保在D范围内，总是包含所有的定位结果，距离其D距 离内，总是包含正确匹配的道路(具体计算方法为：统计初始定位结果中相邻两 点之间的间距，以最大间距与系统安全系数相乘，得到安全距离d)；基于D， 过滤得到地图匹配的最小搜索空间，得到最小的一组道路路网数据。
步骤2：以步骤1获取的所有道路段单元，作为隐马尔可夫模型的状态空间。
步骤3：获取所有的原始定位数据，并且按照时间顺序，一一编号，作为观 测值序列。
步骤4：基于初始定位结果与道路段单元之间的关联性，来计算输出矩阵。 对于初始定位结果中的一个个定位点来说，其真实位置究竟落入哪个道路段单元 存在概率差别，影响该概率大小的因素即为初始定位结果与道路段单元之间的关 联性，例如，该因素可以为初始定位结果与道路段单元之间的距离L0，初始定位 结果与道路段单元之间的距离L0越小，真实状态落入该道路段单元的概率就越 大，具体可用以下的公式表示：
其中，p(ri|ot)是指ot这个观测值的真实状态为ri(是指道路段单元，其中， 1＜＝i＜＝n)的概率。
综合考虑一个或多个上述关联因素，可计算获得所有初始定位结果落入对应 的道路段单元的概率，即计算获得输出矩阵。
步骤5：基于道路段单元之间的相关性，计算状态转换矩阵。在地图匹配中， T时刻的状态与T+1时刻的状态，是存在某种关联的，比如，前后时刻的位置， 必然与速度有关，这符合隐马尔可夫模型的基本特征。对于不同时刻的初始定位 结果来说，上一个时刻的初始定位结果从某个状态转换到下一个时刻的初始定位 结果的某个状态是有一定的概率的，影响该概率的因素就是上述的相关性，这些 因素通常基于两者之间的拓扑关系，包括但不限于网络连通性、垂直投影距离、 初始定位点的连线与道路方向。
图4表达了在具体的路网模型中，状态转换矩阵的定义和数学表达。下面表 格1表示的是路网拓扑关系、前后时刻观测值可能出现的状态，以及这些特征在 隐马尔可夫模型中的数学描述。具体而言，表格1就是图示4路网模型的状态转 换矩阵实例。
表格1状态转换矩阵实例
| r1 | r2 | r3 | r4 | r5 | r6 | r7 | r8 | r9 | r10 | |
| r1 | 3/5 | 1/5 | 2/5 | 1/5 | 2/5 | 2/5 | 1/5 | 0 | 0 | 2/5 |
| r2 | 1/5 | 3/5 | 2/5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| r3 | 2/5 | 2/5 | 3/5 | 0 | 1/5 | 1/5 | 0 | 0 | 0 | 1/5 |
| r4 | 1/5 | 0 | 0 | 3/5 | 2/5 | 1/5 | 0 | 0 | 0 | 1/5 |
| r5 | 2/5 | 0 | 1/5 | 2/5 | 3/5 | 2/5 | 1/5 | 0 | 0 | 2/5 |
| r6 | 2/5 | 0 | 1/5 | 1/5 | 2/5 | 3/5 | 2/5 | 1/5 | 0 | 2/5 |
| r7 | 1/5 | 0 | 0 | 0 | 1/5 | 2/5 | 3/5 | 2/5 | 1/5 | 1/5 |
| r8 | 0 | 0 | 0 | 0 | 0 | 1/5 | 2/5 | 3/5 | 2/5 | 0 |
| r9 | 0 | 0 | 0 | 0 | 0 | 0 | 1/5 | 2/5 | 3/5 | 0 |
| r10 | 2/5 | 0 | 1/5 | 1/5 | 2/5 | 2/5 | 1/5 | 0 | 0 | 3/5 |
其中，网络连通性是指道路段单元之间的连接关系，例如是两个道路段单元 之间是直接连接或相隔若干个道路段单元，具体的计算方法如下：
得到所有道路段单元的两端节点的坐标(x1，y1，x2，y2，x3，y3…xn，yn)，计算坐 标对，得到(p1x，p1y，p2x，p2y，pmx，pmy)；
其中，如果(ra，rb)拥有节点坐标(pkx，pky)，那么它们是直接相连接的；
同时，与rb直接相连接的有[ra，rc，rd，re]，那么ra与[rc，rd，re]相隔一条道路 段单元；
除此之外，其他道路段单元之间的关系，是相隔多于一条道路段单元。
网络连通性对状态转换的影响，可以用以下的方式来表达：
aij是状态转换矩阵与网络连通性相关的元素，ri和rj表示两个道路段单元， 数值“3/5、2/5、1/5、0”用于反映ri和rj两个道路段单元的网络连通性对状态 转换的影响。
步骤6：利用Viterbi算法，得到最为匹配的道路段单元序列。基于最大概 率计算方法Viterbi算法，得到序列排序概率，其中，排序概率最大组合，就是 目标结果，也即是“隐藏的真实状态”，用以下公式表示：
步骤7：基于地图网络优化算法，去掉冗余的道路，并修复由于初始定位数 据的缺失带来的道路连通性问题，使得最终显示的定位结果清晰准确。
下面结合具体定位效果图对本发明的基于隐马尔可夫模型的地图匹配方法 的实施过程作进一步验证。
在图6所示的区域中进行测试。图中显示了道路网，横坐标和纵坐标表示 经纬度，下同。
选取初始定位数据附近的道路路网，并构建四叉树结构。基于道路交通网络 的空间信息统计，计算道路格网的长宽间距，并划定每个格网的编号，再对每一 条道路经过的网格进行统计，并记录下来，便于后期的数据处理。
本发明的基于隐马尔可夫模型的地图匹配结果，显示在图示7中。从图中可 以看出，初始定位结果均能够正确匹配到相应的道路中，但是匹配得到的交通道 路外围，还有大量的冗余的道路数据。
基于地图网络优化算法，去掉冗余的道路，并修复由于初始定位数据的缺失 带来的道路连通性问题，得到最终的结果如图8-图13所示。
上述为发明较佳的实施方式，但发明的实施方式并不受上述内容的限制，其 他的任何未背离发明的精神实质与原理下所做的改变、修饰、替代、组合、简化， 均应为等效的置换方式，都包含在发明的保护范围之内。
Claims (8)
1.一种基于隐马尔可夫模型的地图匹配方法，其特征在于，包括以下步骤：
步骤1：从初始定位原初始定位结果中，依据距离阈值，获取沿着初始定位结果连线的道路路网数据，并基于四叉树架构进行网格划分，进行编码；
步骤2：以步骤1获取的所有道路段单元，作为隐马尔可夫模型的状态空间；
步骤3：获取所有的原始定位数据，作为观测值序列；
步骤4：基于初始定位结果与道路段单元之间的关联性，来计算输出矩阵；
步骤5：基于道路段单元之间的相关性，计算状态转换矩阵；
步骤6：利用Viterbi算法，得到最为匹配的道路段单元序列。
2.根据权利要求1所述的基于隐马尔可夫模型的地图匹配方法，其特征在于，其特征在于：
所述步骤1中，距离阈值的确定方法为：统计初始定位结果中相邻两点之间的间距，以最大间距与系统安全系数相乘，得到安全距离D。
3.根据权利要求1所述的基于隐马尔可夫模型的地图匹配方法，其特征在于，其特征在于：
所述步骤3中，获取所有的原始定位数据，并且按照时间顺序，一一编号，作为观测值序列。
4.根据权利要求1所述的基于隐马尔可夫模型的地图匹配方法，其特征在于，其特征在于：
所述步骤4中，初始定位结果与道路段单元之间的关联性因素包括初始定位结果与道路段单元之间的距离。
5.根据权利要求1所述的基于隐马尔可夫模型的地图匹配方法，其特征在于，
所述步骤5中：道路段单元之间的相关性因素包括网络连通性、垂直投影距离、初始定位点的连线与道路方向。
6.根据权利要求5所述的基于隐马尔可夫模型的地图匹配方法，其特征在于，
所述步骤5中，计算各道路段单元之间的网络连通性，计算方法如下：
得到所有道路段单元的两端节点的坐标(x1，y1，x2，y2，x3，y3......xn，yn)，计算坐标对，得到(p1x，p1y，p2x，p2y，pmx，pmy)；
其中，如果(ra，rb)拥有节点坐标(pkx，pky)，那么它们是直接相连接的；
同时，与rb直接相连接的有[ra，rc，rd，re]，那么ra与[rc，rd，re]相隔一条道路段单元；
除此之外，其他道路段单元之间的关系，是相隔多于一条道路段单元。
7.根据权利要求1所述的基于隐马尔可夫模型的地图匹配方法，其特征在于，其特征在于：
所述步骤6中：基于最大概率计算方法Viterbi算法，得到序列排序概率，其中，排序概率最大组合，就是目标结果，表达为：
<mrow>
<mi>M</mi>
<mi>A</mi>
<mi>X</mi>
<mo>{</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mn>.....</mn>
<msub>
<mi>r</mi>
<mi>t</mi>
</msub>
<mn>....</mn>
<msub>
<mi>r</mi>
<mi>m</mi>
</msub>
<mo>|</mo>
<msub>
<mi>o</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<msub>
<mi>o</mi>
<mi>t</mi>
</msub>
<mn>..</mn>
<mo>,</mo>
<msub>
<mi>o</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<mi>M</mi>
<mi>A</mi>
<mi>X</mi>
<mo>{</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<msubsup>
<mo>&Pi;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>t</mi>
</msub>
<mo>|</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
<mi>p</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>o</mi>
<mi>t</mi>
</msub>
<mo>|</mo>
<msub>
<mi>r</mi>
<mi>t</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>.</mo>
</mrow>
8.根据权利要求1所述的基于隐马尔可夫模型的地图匹配方法，其特征在于，还包括：
步骤7：基于地图网络优化算法，去掉冗余的道路，并修复由于初始定位数据的缺失带来的道路连通性问题。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710977135.7A CN108061556B (zh) | 2017-10-18 | 2017-10-18 | 一种基于隐马尔可夫模型的地图匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710977135.7A CN108061556B (zh) | 2017-10-18 | 2017-10-18 | 一种基于隐马尔可夫模型的地图匹配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108061556A true CN108061556A (zh) | 2018-05-22 |
| CN108061556B CN108061556B (zh) | 2021-07-09 |
Family
ID=62137781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710977135.7A Active CN108061556B (zh) | 2017-10-18 | 2017-10-18 | 一种基于隐马尔可夫模型的地图匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108061556B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110095127A (zh) * | 2019-04-08 | 2019-08-06 | 西北大学 | 一种基于分段的隐马尔可夫模型地图匹配方法 |
| CN110260870A (zh) * | 2019-07-18 | 2019-09-20 | 北京百度网讯科技有限公司 | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 |
| CN111177285A (zh) * | 2018-11-09 | 2020-05-19 | 厦门雅迅网络股份有限公司 | 一种电子地图精确定位方法、终端设备及存储介质 |
| CN111366157A (zh) * | 2018-12-26 | 2020-07-03 | 北京中交兴路信息科技有限公司 | 位置与道路的匹配方法及装置、设备及存储介质 |
| CN112084285A (zh) * | 2020-09-11 | 2020-12-15 | 北京百度网讯科技有限公司 | 用于地图匹配的方法、装置、电子设备以及可读介质 |
| CN113376668A (zh) * | 2021-05-07 | 2021-09-10 | 杭州数知梦科技有限公司 | 一种浮动车轨迹纠偏方法 |
| CN113465613A (zh) * | 2021-07-22 | 2021-10-01 | 全图通位置网络有限公司 | 一种城市轨道交通中隧道网络定位的地图匹配优化方法 |
| CN113645846A (zh) * | 2019-02-04 | 2021-11-12 | 路易斯安娜州立大学监测委员会, 农业和机械学院 | 检测胃肠道疾病的组合物和方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105203116A (zh) * | 2015-08-25 | 2015-12-30 | 浙江工业大学 | 一种基于条件随机场和低采样频率浮动车数据的地图匹配方法 |
| WO2016068807A1 (en) * | 2014-10-28 | 2016-05-06 | National University Of Singapore | Method and device for real-time error-bounded and delay-bounded map matching |
| CN106595680A (zh) * | 2016-12-15 | 2017-04-26 | 福州大学 | 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法 |
| CN106767873A (zh) * | 2016-12-30 | 2017-05-31 | 浙江大学 | 一种基于时空的地图匹配方法 |
-
2017
- 2017-10-18 CN CN201710977135.7A patent/CN108061556B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016068807A1 (en) * | 2014-10-28 | 2016-05-06 | National University Of Singapore | Method and device for real-time error-bounded and delay-bounded map matching |
| CN105203116A (zh) * | 2015-08-25 | 2015-12-30 | 浙江工业大学 | 一种基于条件随机场和低采样频率浮动车数据的地图匹配方法 |
| CN106595680A (zh) * | 2016-12-15 | 2017-04-26 | 福州大学 | 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法 |
| CN106767873A (zh) * | 2016-12-30 | 2017-05-31 | 浙江大学 | 一种基于时空的地图匹配方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王晓蒙等: "一种面向海量浮动车数据的地图匹配方法", 《地球信息科学》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177285B (zh) * | 2018-11-09 | 2022-11-08 | 厦门雅迅网络股份有限公司 | 一种电子地图精确定位方法、终端设备及存储介质 |
| CN111177285A (zh) * | 2018-11-09 | 2020-05-19 | 厦门雅迅网络股份有限公司 | 一种电子地图精确定位方法、终端设备及存储介质 |
| CN111366157A (zh) * | 2018-12-26 | 2020-07-03 | 北京中交兴路信息科技有限公司 | 位置与道路的匹配方法及装置、设备及存储介质 |
| CN113645846A (zh) * | 2019-02-04 | 2021-11-12 | 路易斯安娜州立大学监测委员会, 农业和机械学院 | 检测胃肠道疾病的组合物和方法 |
| CN110095127B (zh) * | 2019-04-08 | 2021-06-04 | 西北大学 | 一种基于分段的隐马尔可夫模型地图匹配方法 |
| CN110095127A (zh) * | 2019-04-08 | 2019-08-06 | 西北大学 | 一种基于分段的隐马尔可夫模型地图匹配方法 |
| CN110260870B (zh) * | 2019-07-18 | 2021-03-12 | 北京百度网讯科技有限公司 | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 |
| CN110260870A (zh) * | 2019-07-18 | 2019-09-20 | 北京百度网讯科技有限公司 | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 |
| CN112084285A (zh) * | 2020-09-11 | 2020-12-15 | 北京百度网讯科技有限公司 | 用于地图匹配的方法、装置、电子设备以及可读介质 |
| CN112084285B (zh) * | 2020-09-11 | 2023-08-08 | 北京百度网讯科技有限公司 | 用于地图匹配的方法、装置、电子设备以及可读介质 |
| CN113376668A (zh) * | 2021-05-07 | 2021-09-10 | 杭州数知梦科技有限公司 | 一种浮动车轨迹纠偏方法 |
| CN113465613A (zh) * | 2021-07-22 | 2021-10-01 | 全图通位置网络有限公司 | 一种城市轨道交通中隧道网络定位的地图匹配优化方法 |
| CN113465613B (zh) * | 2021-07-22 | 2023-12-26 | 全图通位置网络有限公司 | 一种城市轨道交通中隧道网络定位的地图匹配优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108061556B (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108061556A (zh) | 一种基于隐马尔可夫模型的地图匹配方法 | |
| US9534908B2 (en) | GPS data repair | |
| CN106781478B (zh) | 一种基于lte信令数据的轨迹跟踪方法 | |
| CN105718465A (zh) | 地理围栏生成方法及装置 | |
| CN110427360A (zh) | 轨迹数据的处理方法、处理装置、处理系统及计算机程序产品 | |
| CN110375753A (zh) | 地图匹配方法、装置、服务器及存储介质 | |
| CN111787488B (zh) | 一种用户定位方法及系统 | |
| CN109688532A (zh) | 一种划分城市功能区域的方法及装置 | |
| CN107036609A (zh) | 基于bim的虚拟现实导航方法、服务器、终端及系统 | |
| CN111121785A (zh) | 一种基于图搜索的无道路路径规划方法 | |
| CN113159362A (zh) | 一种森林火灾等级的预测方法及装置 | |
| CN106022470A (zh) | 一种基于bp-egnos融合模型的对流层延迟改正方法 | |
| CN107545318B (zh) | 公交线路优先级确定、公交换乘线路排序方法及装置 | |
| CN107484139A (zh) | 一种基于地理位置信息的车联网协作定位方法和装置 | |
| CN107968987A (zh) | 基于定积分结合环境参数的rssi加权质心定位方法 | |
| Yang et al. | An enhanced weight-based topological map matching algorithm for intricate urban road network | |
| CN107289973B (zh) | 一种重力匹配导航中的重力场适配性判断方法 | |
| CN111294841A (zh) | 一种无线网络问题的处理方法、装置及存储介质 | |
| CN109902391B (zh) | 一种基于随机挥发系数蚁群算法的油气管道规划方法 | |
| US10949682B2 (en) | Method for ascertaining a piece of topological information of an intersection | |
| CN107655490A (zh) | 基于移动用户轨迹分段和最热搜索的热点路径发现方法 | |
| CN107798182A (zh) | 一种基站辐射范围的快速计算与更新方法 | |
| CN105158731B (zh) | 一种基于路测功率值的信源定位方法 | |
| CN106197447B (zh) | 一种基于实时内涝数据的导航方法和装置 | |
| CN108171992A (zh) | 一种基于手机信令大数据的平行公路车辆速度计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |