CN108680174A - 一种基于机器学习算法改进地图匹配异常点的方法 - Google Patents

一种基于机器学习算法改进地图匹配异常点的方法 Download PDF

Info

Publication number
CN108680174A
CN108680174A CN201810443850.7A CN201810443850A CN108680174A CN 108680174 A CN108680174 A CN 108680174A CN 201810443850 A CN201810443850 A CN 201810443850A CN 108680174 A CN108680174 A CN 108680174A
Authority
CN
China
Prior art keywords
similarity
space
point
points
time
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
Application number
CN201810443850.7A
Other languages
English (en)
Other versions
CN108680174B (zh
Inventor
段宗涛
倪园园
杨云
张凯
陈柘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN201810443850.7A priority Critical patent/CN108680174B/zh
Publication of CN108680174A publication Critical patent/CN108680174A/zh
Application granted granted Critical
Publication of CN108680174B publication Critical patent/CN108680174B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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

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)

Abstract

一种基于机器学习方法改进地图匹配异常点的方法，获取一辆或多辆出租车匹配后的投影坐标点数据作为样本数据，然后从中筛选出匹配正常与异常的投影点；对于每个匹配异常的投影坐标点，从匹配正确的数据集中筛选出异常点的候选数据集；计算每个异常点与异常点的候选数据集中的投影点之间的时间相似度和空间相似度，得到时空相似度集合，进而根据时间相似度和空间相似度计算时空相似度的均值；比较时空相似度与时空相似度的均值的大小，获取时空相似度大于时空相似度均值的个数，并将满足条件的数据作为最终的候选数据集；在最终的候选数据集中，利用knn算法计算得到改进后的投影坐标点。本发明具有计算量较低，准确率更高的优点。

Description

一种基于机器学习算法改进地图匹配异常点的方法
技术领域
本发明涉及地图匹配技术领域，具体为一种基于机器学习算法改进地图匹配异常点的方法。
背景技术
地图匹配是通过应用软件对导航定位误差进行修正的一种技术。地图匹配算法输出每个GPS点的投影矢量，从而将GPS点投影到交通路网中。由于GPS设备和采样间隔过长会导致GPS测量误差，从而使得投影点出现时序误差。目前，虽然通过普通的knn可以改进匹配结果的时序误差，但效果较差。
发明内容
针对现有技术中存在的难题，本发明的目的是提供一种基于机器学习算法改进地图匹配异常点的方法，在普通knn基础上，通过引入时空相似度理论，对异常点的候选的坐标集中的点进行时空相似度分析，将相似度较低的点滤除，同时将时空相似度较高的候选坐标点作为最终的候选数据集。对于匹配异常的坐标点，与普通knn的结果相比，本发明改进的knn算法可提高匹配点的精确度，该算法可以动态确定k值，准确率较高，计算量小。但目前此方法对单行道的异常点的改进效果较好，而对于双行道来说，此方法还需进一步完善和提高。
为实现上述目的，本发明采用以下技术方案来实现：
一种基于机器学习方法改进地图匹配异常点的方法，包括如下步骤：
步骤1：获取一辆或多辆出租车匹配后的投影坐标点数据作为样本数据，然后从中筛选出匹配正常与异常的投影点；
步骤2：对于每个匹配异常的投影坐标点，从匹配正确的数据集中筛选出异常点的候选数据集；
步骤3：计算每个异常点与异常点的候选数据集中的投影点之间的时间相似度和空间相似度，得到时空相似度集合，进而根据时间相似度和空间相似度计算时空相似度的均值；
步骤4：比较时空相似度与时空相似度的均值的大小，获取时空相似度大于时空相似度均值的个数，即所要求的动态k值，并将满足条件的数据作为最终的候选数据集；
步骤5：在最终的候选数据集中，利用knn算法计算得到改进后的投影坐标点。
本发明进一步的改进在于，将异常点与异常点的候选数据集作为一个集合，时间相似度如公式(1)所示：
其中，T为时间段，o1为异常点的候选集中的点，o2为异常点，t为该点所对应的时间戳。
本发明进一步的改进在于，时间段T所选取的是集合中任意两点之间的最大时间差。
本发明进一步的改进在于，空间相似度simS(o1,o2)如公式(2)所示：
其中，为异常点与异常点的候选数据集中任意一点的欧氏距离，将异常点与其候选数据集作为一个集合，dmin为该集合中任意两点的最小距离，dmax为集合中任意两点之间的最大距离，o1为异常点的候选集中的点，o2为异常点，x为点的横坐标，y为点的纵坐标。
本发明进一步的改进在于，时空相似度SimST(o1,o2)计算公式如(3)所示：
SimST(o1,o2)＝αSimS(o1,o2)+(1-α)SimT(o1,o2) (3)
其中，α为调节权重的参数，o1为异常点的候选集中的点，o2为异常点。
本发明进一步的改进在于，调节权重的参数α为0.5。
与现有技术相比，本发明具有以下有益的技术效果：本发明在普通knn算法基础上，通过引入时空相似度理论，对异常点的候选的坐标集中的点进行时空相似度分析，将相似度较低的点滤除，同时将时空相似度较高的候选坐标点作为最终的候选数据集。对于匹配异常的坐标点，与普通knn的结果相比，本发明改进的knn算法可提高匹配点的精确度，该算法可以动态确定k值，准确率较高，计算量小。但目前此方法对单行道的异常点的改进效果较好。
附图说明
图1为本发明实例中所述算法的流程框图。
图2为本发明的实现结果以西安城区的地图数据为背景，在ArcGIS软件上显示出来的小部分结果图。
图3为本发明的实现结果利用ArcGIS软件以西安城区的地图数据为背景所截取的部分实验结果图。
图4为本发明的实现结果利用ArcGIS软件，并结合西安城区的地图数据所显示的部分实验结果图。
具体实施方式
下面结合附图对本发明的实施方案进行详细阐述，以使本发明的优点和特征能易被本领域的技术人员理解，所述是对本发明的解释而不是限定。
本发明一种基于机器学习算法改进地图匹配异常点的方法，如图1所示，具体包括以下步骤：
步骤1：获取西安市的一辆或多辆出租车匹配后的投影坐标点数据作为样本数据，然后从中筛选出匹配正常与异常的投影点；本发明中获取一辆出租车匹配后的投影坐标点数据作为样本数据。
步骤2：从正确匹配的点集中筛选出异常点的候选数据集；
2.1)由于实验所采用数据的时间间隔30s，对数据的时间戳进行统计分析后发现，1min范围内平均有2.8个投影坐标点，实验所取得的时间范围为1min，本实验的对比试验，即普通knn中，k值取3；
2.2获取与异常点时间间隔不超过1min的所有点作为候选数据集。
步骤3：计算时空相似度；
3.1将异常点与其对应的候选数据集作为一个集合，分别计算每个异常点与其候选集中的投影点之间的时间相似度和空间相似度simS(o1,o2)，公式如下：
式中，T为合理的时间段，本发明中合理的时间段T所选取的是集合中任意两点之间的最大时间差o1为异常点的候选集中的点，o2为异常点，t为该点所对应的时间戳。
式中，为异常点与异常点的候选数据集中任意一点的欧氏距离，将异常点与其候选数据集作为一个集合，dmin为该集合中任意两点的最小距离，dmax为集合中任意两点之间的最大距离，o1为异常点的候选集中的点，o2为异常点，x为点的横坐标，y为点的纵坐标。
为了与空间相似度计算保持一致，本发明中的T为集合中两点之间的最大时间差，其中为异常点与候选集中任意一点的欧氏距离。dmin为集合中任意两点之间的最小距离，dmax为此集合中任意两点之间的最大距离；
3.2通过时间相似度和空间相似度，计算时空相似度，得到空间相似度集合，进而得到时空相似度的均值。时间相似度和空间相似度公式如下所示：
SimST(o1,o2)＝αSimS(o1,o2)+(1-α)SimT(o1,o2)
其中α为调节权重的参数，本发明取得的是0.5。
步骤4：选取最终的候选投影点集；
4.1比较空间相似度集合中的相似度与其均值的大小，获取满足时空相似度大于均值的个数，即所要求的动态k值；
4.2选取前k个投影坐标点作为最终的候选数据集。
步骤5：在最终的候选数据集中，利用knn算法计算改进后的投影坐标点。
步骤6：在ArcGIS上，以西安城区的地图数据为背景，观察并统计本方法与普通knn的改进结果图，对比结果如表1所示。
表1 不同K值与时间的结果对比
从表1可以看出，在实验条件相同的情况下，本发明改进GPS异常点的效果要明显优于普通的knn算法。
从图2、图3和图4，图中，×为普通的knn改进结果，o为本方法改进的结果。从图2、图3和图4可以看出，普通的knn算法改进后的结果仍然难以解决时序问题，并且难以匹配到路段上，而本发明不仅能较好地解决时序问题，还可匹配到路段上。
本发明的方法是在knn算法的基础上，加入了时空相似度的理论，将相似度较低的数据滤除，同时将时空相似度较高的候选坐标点作为最终的候选数据集，实现了动态确定k值。既减少无关数据的干扰，也为k值的选取提供了理论依据。对于匹配后的投影坐标点仍存在的时序问题，该算法相比普通的knn算法，计算量较低，准确率更高。此方法对单行道的异常点的改进效果较好，而对于双行道来说，此方法还需进一步完善和提高。

Claims (6)

1.一种基于机器学习方法改进地图匹配异常点的方法，其特征在于，包括如下步骤：
步骤1：获取一辆或多辆出租车匹配后的投影坐标点数据作为样本数据，然后从中筛选出匹配正常与异常的投影点；
步骤2：对于每个匹配异常的投影坐标点，从匹配正确的数据集中筛选出异常点的候选数据集；
步骤3：计算每个异常点与异常点的候选数据集中的投影点之间的时间相似度和空间相似度，得到时空相似度集合，进而根据时间相似度和空间相似度计算时空相似度的均值；
步骤4：比较时空相似度与时空相似度的均值的大小，获取时空相似度大于时空相似度均值的个数，即所要求的动态k值，并将满足条件的数据作为最终的候选数据集；
步骤5：在最终的候选数据集中，利用knn算法计算得到改进后的投影坐标点。
2.根据权利要求1所述的一种基于机器学习方法改进地图匹配异常点的方法，其特征在于，将异常点与异常点的候选数据集作为一个集合，时间相似度如公式(1)所示：
其中，T为合理的时间段，o1为异常点的候选集中的点，o2为异常点，t为该点所对应的时间戳。
3.根据权利要求2所述的一种基于机器学习方法改进地图匹配异常点的方法，其特征在于，合理的时间段T所选取的是集合中任意两点之间的最大时间差。
4.根据权利要求1所述的一种基于机器学习方法改进地图匹配异常点的方法，其特征在于，空间相似度simS(o1,o2)如公式(2)所示：
其中，为异常点与异常点的候选数据集中任意一点的欧氏距离，将异常点与其候选数据集作为一个集合，dmin为该集合中任意两点的最小距离，dmax为集合中任意两点之间的最大距离，o1为异常点的候选集中的点，o2为异常点，x为点的横坐标，y为点的纵坐标。
5.根据权利要求1所述的一种基于机器学习方法改进地图匹配异常点的方法，其特征在于，时空相似度SimST(o1,o2)计算公式如(3)所示：
SimST(o1,o2)＝αSimS(o1,o2)+(1-α)SimT(o1,o2) (3)
其中，α为调节权重的参数，o1为异常点的候选集中的点，o2为异常点。
6.根据权利要求5所述的一种基于机器学习方法改进地图匹配异常点的方法，其特征在于，调节权重的参数α为0.5。
CN201810443850.7A 2018-05-10 2018-05-10 一种基于机器学习算法改进地图匹配异常点的方法 Expired - Fee Related CN108680174B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810443850.7A CN108680174B (zh) 2018-05-10 2018-05-10 一种基于机器学习算法改进地图匹配异常点的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810443850.7A CN108680174B (zh) 2018-05-10 2018-05-10 一种基于机器学习算法改进地图匹配异常点的方法

Publications (2)

Publication Number Publication Date
CN108680174A true CN108680174A (zh) 2018-10-19
CN108680174B CN108680174B (zh) 2019-05-10

Family

ID=63805815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810443850.7A Expired - Fee Related CN108680174B (zh) 2018-05-10 2018-05-10 一种基于机器学习算法改进地图匹配异常点的方法

Country Status (1)

Country Link
CN (1) CN108680174B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110493581A (zh) * 2019-08-13 2019-11-22 苏州兆见智能科技有限公司 一种支持多人沉浸式体验的控制方法
CN110530371A (zh) * 2019-09-06 2019-12-03 电子科技大学 一种基于深度强化学习的室内地图匹配方法
CN110686686A (zh) * 2019-06-04 2020-01-14 北京嘀嘀无限科技发展有限公司 用于地图匹配的系统和方法
CN112559654A (zh) * 2020-11-27 2021-03-26 广州极飞科技有限公司 电子地图的生成方法、装置和通信系统
CN115798167A (zh) * 2023-01-05 2023-03-14 石家庄市惠源淀粉有限公司 用于淀粉葡萄糖生产工艺的设备异常报警方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070010941A1 (en) * 2005-07-07 2007-01-11 Marsh David C Land navigation system
CN102855638A (zh) * 2012-08-13 2013-01-02 苏州大学 基于谱聚类的车辆异常行为检测方法
CN103593430A (zh) * 2013-11-11 2014-02-19 胡宝清 一种基于移动对象时空信息轨迹分段聚类的方法
CN103605362A (zh) * 2013-09-11 2014-02-26 天津工业大学 基于车辆轨迹多特征的运动模式学习及异常检测方法
CN104657746A (zh) * 2015-01-29 2015-05-27 电子科技大学 一种基于车辆轨迹相似性的异常检测方法
CN105138779A (zh) * 2015-08-31 2015-12-09 武汉大学 车载gps时空轨迹大数据优选方法及系统
CN106383868A (zh) * 2016-09-05 2017-02-08 电子科技大学 一种基于道路网络的时空轨迹聚类方法
CN106970945A (zh) * 2017-02-24 2017-07-21 河海大学 一种出租车数据集的轨迹预处理方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070010941A1 (en) * 2005-07-07 2007-01-11 Marsh David C Land navigation system
CN102855638A (zh) * 2012-08-13 2013-01-02 苏州大学 基于谱聚类的车辆异常行为检测方法
CN103605362A (zh) * 2013-09-11 2014-02-26 天津工业大学 基于车辆轨迹多特征的运动模式学习及异常检测方法
CN103593430A (zh) * 2013-11-11 2014-02-19 胡宝清 一种基于移动对象时空信息轨迹分段聚类的方法
CN104657746A (zh) * 2015-01-29 2015-05-27 电子科技大学 一种基于车辆轨迹相似性的异常检测方法
CN105138779A (zh) * 2015-08-31 2015-12-09 武汉大学 车载gps时空轨迹大数据优选方法及系统
CN106383868A (zh) * 2016-09-05 2017-02-08 电子科技大学 一种基于道路网络的时空轨迹聚类方法
CN106970945A (zh) * 2017-02-24 2017-07-21 河海大学 一种出租车数据集的轨迹预处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
段宗涛等: "基于Spark平台城市出租车乘客出行特征分析", 《计算机系统应用》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110686686A (zh) * 2019-06-04 2020-01-14 北京嘀嘀无限科技发展有限公司 用于地图匹配的系统和方法
CN110493581A (zh) * 2019-08-13 2019-11-22 苏州兆见智能科技有限公司 一种支持多人沉浸式体验的控制方法
CN110530371A (zh) * 2019-09-06 2019-12-03 电子科技大学 一种基于深度强化学习的室内地图匹配方法
CN110530371B (zh) * 2019-09-06 2021-05-18 电子科技大学 一种基于深度强化学习的室内地图匹配方法
CN112559654A (zh) * 2020-11-27 2021-03-26 广州极飞科技有限公司 电子地图的生成方法、装置和通信系统
CN115798167A (zh) * 2023-01-05 2023-03-14 石家庄市惠源淀粉有限公司 用于淀粉葡萄糖生产工艺的设备异常报警方法及装置
CN115798167B (zh) * 2023-01-05 2023-04-21 石家庄市惠源淀粉有限公司 用于淀粉葡萄糖生产工艺的设备异常报警方法及装置

Also Published As

Publication number Publication date
CN108680174B (zh) 2019-05-10

Similar Documents

Publication Publication Date Title
CN108680174B (zh) 一种基于机器学习算法改进地图匹配异常点的方法
WO2021057315A1 (zh) 多目标跟踪方法及相关设备
CN109239653B (zh) 一种基于子空间分解的多辐射源被动直接时差定位方法
US9978131B2 (en) Video image denoising and enhancing method and device based on random spray retinex
WO2020093645A1 (zh) 降低定位穿戴设备功耗的方法、系统、设备及存储介质
CN105117725A (zh) 一种基于车牌可信度的车牌自纠正识别方法
CN105241472B (zh) 一种基于obd车速的车辆行驶里程统计方法及装置
CN114594495A (zh) 一种定位纠偏方法及装置
CN108414974B (zh) 一种基于测距误差矫正的室内定位方法
CN111105068A (zh) 基于序回归学习的数值模式订正的方法
CN107132526A (zh) 一种室内定位方法及定位系统
CN108021921A (zh) 图像特征点提取系统及其应用
US20140098879A1 (en) Method and apparatus for motion estimation in a video system
CN104050454A (zh) 一种运动手势轨迹获取方法及系统
CN103902954A (zh) 一种不良视频的鉴别方法和系统
CN109377475A (zh) 24色卡视频关键帧自动定位与色差时序变化分析方法
CN110035273A (zh) 一种畸变校正方法、装置及使用其的显示设备
CN113095232A (zh) 一种目标实时跟踪方法
CN116047404B (zh) 一种基于Pmusic谱峰图的到达角测量方法
CN109523571B (zh) 一种非特征匹配的运动轨迹优化方法及系统
CN113779012B (zh) 一种用于无人机的单目视觉slam尺度恢复方法
CN114690254A (zh) 一种地磁日变改正方法
CN112445879A (zh) 轨迹数据处理方法及装置、介质、终端、服务器
CN114285505B (zh) 一种自动噪底计算方法和系统
CN109887027A (zh) 一种基于图像的移动机器人定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20190510

CF01 Termination of patent right due to non-payment of annual fee