CN108763558B - 一种基于地图匹配的众包地图道路质量改进方法 - Google Patents

Abstract

本发明涉及一种基于地图匹配的众包地图道路质量改进方法，包括提取OSM数据中的节点和道路信息，基于交叉口将道路打断成路段序列，构建出以路段为基本单位的路网结构；基于以路段为基本单位的路网结构，结合出租车GPS轨迹数据，进行基于隐马尔可夫模型的简化地图匹配；根据所得中断点类型和数量信息，判断是否存在道路错误以及道路错误的类型，对不同错误类型的问题路段进行相应的处理。本发明利用简单易获取的数据，不仅能发现路段缺失错误，也能发现路段拓扑错误，有利于提高众包地图路网的覆盖面和准确度。

Description

一种基于地图匹配的众包地图道路质量改进方法

技术领域

本发明属于地理空间信息系统技术领域，特别是涉及一种基于地图匹配的众包地图道路质量改进方法。

背景技术

数字道路信息是我国基础地理信息的重要组成部分，在城市规划、智能交通与位置服务等诸多领域扮演着至关重要的角色，这些应用系统运行的效率与效果和数字道路信息的准确性、详细程度及现势性息息相关。随着我国社会经济发展，城市建设日新月异，新道路不断布局修建，老道路也在不断升级改造，这对数字道路信息的快速准确获取与质量改进提出了严峻的考验。

众包地图是一种新型的网络地理信息服务，具有数据量大、信息丰富、现势性好、成本低廉等优点，已经发展成为一种重要的地理信息来源，是如今地理信息数据获取的新趋势，也是当下交通信息系统领域研究与应用的重要数据源。目前，国内外已有许多众包地图项目，例如OpenStreetMap、Wikimapia、Waze等。众包地图是非专业用户协同编辑的结果，受到贡献者能力与空间分布等因素的限制，其中的道路信息将不可避免地出现质量问题，如覆盖程度不够、道路拓扑错误等，严重制约了众包地图道路的应用范围和能力。王明等以导航地图为参考，对武汉市OpenStreetMap(以下简称为OSM)数据进行了质量评价，结果表明武汉市OSM数据的完整性不超过40％，准确性不超过60％。

在数字道路地图制作方面，传统方法是使用道路测量车等专业设备，通过实地测绘以获取道路信息，虽可实现路网的精准构建，但耗费大量人力、物力和财力，且工作周期长，难以保证路网构建的效率；基于遥感影像的道路提取虽然提高了获取效率，但受限于图像处理技术，一方面提取精度普遍不高，另一方面无法获取转向信息；从点云中提取道路信息同样需要专业的采集设备，且产生的数据量十分巨大，处理起来十分困难。相比之下出租车每天行驶在城市的大街小巷中，一旦有新小区或道路建成，即会有出租车穿梭其中。因此，利用易于采集且每天更新的出租车GPS轨迹数据来获取/改进城市路网信息具有低成本、高效率、高现势性等独特优势，吸引了学者们大量的工作，主要从以下两个方面开展工作。

路网重建方法不使用现有路网地图，完全根据所获取的GPS轨迹数据，使用一定的方法从中提取道路信息，并生成一定区域内的路网。如Brüntrup等基于“滑动窗口”思想，利用聚类算法将原始轨迹采样点逐个连接构成轨迹线，进一步通过连接多条轨迹线生成一定区域内的路网结构；唐炉亮等根据时空认知的一些规律，利用Delaunay三角网不断插入新轨迹来生成路网。论述了这类方法的还有以下论文：Schroedl S,Wagstaff K,Rogers S,etal.Mining GPS traces for map refinement.Data mining and knowledge Discovery,2004；Cao L,Krumm J.From GPS traces to a routable road map//Proceedings of the17th ACM SIGSPATIAL international conference on advances in geographicinformation systems.ACM,2009；孔庆杰,史文欢,刘允才.基于GPS轨迹的矢量路网地图自动生成方法.中国科学技术大学学报,2012。

路网改进方法则根据所获取的GPS轨迹数据，使用一定的方法探测现有路网地图中的缺失，并使用轨迹数据进行改进。如Ahmed等以Frechet距离为依据，计算新插入轨迹与已有道路的相似部分，从而新增或者调整道路线；Zhang等通过获取与现有道路相交的轨迹作为候选，将其与道路进行匹配，并从这些轨迹中获取新的道路中心线。论述了这类方法的还有以下论文：Quddus M A,Ochieng W Y,Noland R B.Current map-matchingalgorithms for transport applications:State-of-the art and future researchdirections.Transportation research part c:Emerging technologies,2007；李清泉,黄练.基于GPS轨迹数据的地图匹配算法.测绘学报,2010；Li J,Qin Q,Xie C,etal.Integrated use of spatial and semantic relationships for extracting roadnetworks from floating car data.International Journal of Applied EarthObservation and Geoinformation,2012。

一方面，上述方法要求高质量的轨迹数据输入，即较高定位精度和较高采样频率，但是，出租车普遍配备低端GPS设备，其轨迹数据的定位精度偏低、采样频率不高，且采样间隔也不固定。另一方面，上述工作很少针对众包地图，难以同时发现道路缺失和路段连接错误。虽然一些方法在经过改造之后可能会支持缺失道路的更新，但几乎不能用于拓扑错误的纠正。众所周知，拓扑信息在道路导航、城市规划等方面起着至关重要的作用，在某些场景中比道路几何信息更为重要。例如，对于自动驾驶来说，一旦发生拓扑错误，其路径规划将导致失败，或者南辕北辙。

发明内容

本发明以OSM道路为例，提出一种基于出租车轨迹地图匹配的众包地图道路质量改进方法。

本发明技术方案提供一种基于地图匹配的众包地图道路质量改进方法，将地图匹配技术反向用于众包地图道路数据的更新之中，包括以下步骤：

步骤1，提取OSM数据中的节点和道路信息，基于交叉口将道路打断成路段序列，构建出以路段为基本单位的路网结构；

步骤2，基于以路段为基本单位的路网结构，结合出租车GPS轨迹数据，进行基于隐马尔可夫模型的简化地图匹配；实现方式为，逐条从出租车轨迹数据集中取出轨迹，基于隐马尔可夫模型的简化地图匹配算法逐点采样进行下述处理，

如果采样点p_i的候选路段集R_i为空，则将p_i加入中断点集F，记为中断类型I；

对于两相邻采样点p_i-1和p_i，将采样点p_i-1的候选路段集记为R_i-1，如果R_i-1中所有路段与R_i中所有路段均不连通，则将p_i加入中断点集F，记为中断类型II；

将R_i中与R_i-1相连通的路段集合记为R_i,j，R_i中与R_i+1相连通的路段集合记为R_i,k，如果R_i,j与R_i,k的交集为空，则将p_i加入中断点集F，记为中断类型III；

步骤3，根据步骤2所得中断点类型和数量信息，判断是否存在道路错误以及道路错误的类型，实现方式如下，

从中断点集F取出中断点信息，进行分析处理；

如果当前中断点的中断类型为II或III，则判定在中断点邻域内发生了路段拓扑错误；

如果为中断类型I，则提取时间上连续的I型中断点序列，如果该序列的第一个点到最后一个点的欧氏距离超过相应阈值，且连续中断点的数量超过相应阈值，那么判定在这些连续中断点的邻域内发生了路段信息缺失，否则判定这些中断点是由出租车GPS轨迹数据错误造成的；

步骤4，对不同错误类型的问题路段进行相应的处理。

而且，所述基于隐马尔可夫模型的简化地图匹配，是仅通过计算观测概率和转移概率来判断采样点是否为中断点，而不将采样点纠正到道路上；判断方式为，当观测概率或转移概率不满足阈值条件时，判断发生匹配中断，发生匹配中断的采样点为中断点。

而且，步骤4实现如下，

对于路段拓扑错误，选择相邻两采样点的候选路段集，选择概率最大的两条路段进行拉伸处理，得到拓扑相连的路段；

对于路段信息缺失，首先为连续中断点建立缓冲区，从而获取落入缓冲区内的所有采样点，然后采用基于多元自适应回归样条的拟合方法，计算出缺失路段的中心线，如果新增路段与原有路段间存在连通关系，则对新增路段的端点进行拉伸处理，建立其到已有路段的拓扑连接关系；

如果是出租车GPS轨迹数据的错误，则跳过这类中断点，不进行任何处理。

而且，通过将地图匹配技术反向用于众包地图道路数据的更新之中，迭代地实现对于OSM路网数据的质量改进。

与现有技术比，本发明的特点在于是将地图匹配技术反向用于众包地图道路数据的更新之中，其对于OSM路网数据的质量改进是一个螺旋式推进的迭代过程，即每次改进都建立在前一次的基础之上，从而不断提升OSM路网的质量。具体来说，本发明的有益效果为：

1.本发明所使用的数据为出租车GPS轨迹数据和OSM路网数据，都是简单易获取的数据，有利于降低众包地图路网质量改进的成本。

2.本发明提出的路网质量问题发现方法，不仅能发现路段缺失错误，也能发现路段拓扑错误，有利于提高众包地图路网的覆盖面和准确度。

3.本发明采用基于隐马尔可夫模型的简化匹配法来发现中断点，并使用少量轨迹的相关采样点进行道路质量改进，一方面也保证了路网错误发现的可靠性，另一方面降低了路网错误发现的计算量。

附图说明

图1本发明实施例的总体流程图；

图2本发明实施例的基于隐马尔可夫模型的简化地图匹配流程图；

图3本发明实施例的地图匹配中断条件示意图；

图4本发明实施例的问题路段处理流程图。

具体实施方法

下面结合附图对本发明的具体实施方式作进一步的详细说明。

本发明的技术方案中，将出租车GPS轨迹数据与OSM路网数据进行地图匹配来发现匹配中断点，根据匹配中断点发现错误路段，对错误路段进行处理以达到改进路网质量的目的，总体流程图参见图1，主要包括应用地图匹配方法发现匹配中断点，并通过检查中断点来探测OSM路网的问题路段；接着分析中断点的道路信息错误类型，并利用相关轨迹数据进行OSM道路数据的质量改进。本发明流程可采用计算机软件技术实现自动运行，实施例的总体流程如下：

步骤1，提取OSM数据中的节点和道路信息，基于交叉口将道路打断成路段序列，从而构建出以路段为基本单位的路网结构；

OSM数据中包括点元素Node、线元素Way、关系元素。其中，Node元素中包含编号、经纬度、编辑者、编辑时间等属性；Way元素涉及到道路、河流等线状要素，包含边编号、组成边的节点编号集、边类型、是否为单行道、边名称等。步骤1的实现包括以下信息提取与道路打断两大步骤：

步骤1.1，提取OSM数据中的Node信息，记录格式为：Node＝(id,lat,lon)，其中，id表示为Node编号，lat表示节点的纬度，lon表示节点的经度，从而形成节点信息集合N1；

步骤1.2，从OSM数据中提取道路信息，即含有“highway”属性的Way信息，其记录格式为：Way＝(id,name,oneway,type,node1,node2,…)，其中，id表示道路的编号，name表示道路名称，oneway表示是否为单行道，type表示道路的类型，node1,node2,…表示组成道路的节点编号及每个节点的经纬度。形成道路信息集合W1。

步骤1.3，遍历道路信息集合W1中组成道路的节点，如果某节点出现次数超过两次，则认为该节点为道路间的公共节点，即道路交叉口节点。统计W1中出现次数超过两次的节点，组成道路交叉口节点集合N2。

步骤1.4，逐一对W1的所有道路进行打断处理，即对于某条道路Rd来说，如果某个节点Is为N2中的元素，则将Is记为Rd的1个打断点，最后根据打断点集合将道路Rd分割成路段，并将路段信息保存到路段集合W2。

其中，路段信息的记录格式为：Link＝(id,startNode,endNode,name,oneway,type,lat1,lon1,lat2,lon2,…)，其中id表示路段编号，name表示所属道路名称，oneway表示是否为单行道，startNode表示路段起始节点的编号，endNode表示路段终止节点的编号，type表示道路类型，lat1,lon1,lat2,lon2,…等表示组成路段节点的纬度和经度。路段信息中起始节点到终止节点的方向即为该路段的方向，每条路段的方向组合形成路段间的转向关系。

步骤2，基于以路段为基本单位的路网结构，结合出租车GPS轨迹数据，进行基于隐马尔可夫模型的简化地图匹配；

本发明提出使用基于隐马尔可夫模型的简化地图匹配算法，将地图匹配算法的过程进行简化，仅将其用于中断点的发现。具体地，基于隐马尔可夫模型的简化地图匹配，仅通过计算观测概率和转移概率来判断采样点是否为中断点，而不将采样点纠正到道路上。当观测概率或转移概率不满足阈值条件时即发生匹配中断，发生匹配中断的采样点为中断点。基于隐马尔可夫模型的简化地图匹配的流程如图2所示，逐条从出租车轨迹数据集中取出轨迹，进行下述处理；

步骤A1，针对当前轨迹，实施基于隐马尔可夫模型的简化地图匹配算法，然后逐个取采样点分析匹配情况；

步骤A2，如果采样点p_i的候选路段集R_i为空，则将p_i加入中断点集F，记为中断类型I，并跳至步骤A5；

步骤A3，对于两相邻采样点p_i-1和p_i，将采样点p_i-1的候选路段集记为R_i-1，如果R_i-1中所有路段与R_i中所有路段均不连通，则将p_i加入中断点集F，记为中断类型II，并跳至步骤A5；

步骤A4，将R_i中与R_i-1相连通的路段集合记为R_i,j，R_i中与R_i+1相连通的路段集合记为R_i,k，如果R_i,j与R_i,k的交集为空，则将p_i加入中断点集F，记为中断类型III；

步骤A5，如果当前采样点为当前轨迹的最后一个采样点，取出下一条轨迹进行相同处理，否则取下一采样点，返回步骤A2继续判断。

其中采样点的候选路段集为：为采样点构建一定半径的缓冲区，与缓冲区相交的路段的集合。

观测概率的大小与采样点到路段的垂直距离呈负相关关系，即采样点到路段的垂直距离越小，观测概率越大。

观测概率的计算公式为：

其中σ_z表示GPS噪声数据的标准差，采用绝对标准偏差(Mean AbsoluteDeviation)进行估计，σ_z＝1.4826median_t(||z_t-x_t,i||_greatcircle)，i为采样点置信区间内道路的编号，median_t为取中值函数，即返回给定数组的中位数，下同。||z_t-x_t,i||_{great circle}表示采样点z_t与z_t在道路r_i上投影点x_t,i之间的欧氏距离。

转移概率的大小与在时间序列上相邻的采样点的欧氏距离与路径距离的差值呈负相关关系，即相邻采样点的欧氏距离与路径距离的差值越小，转移概率越大。

转移概率的计算公式为：

其中d_t表示相邻两个采样点之间的欧氏距离和路径距离之差，β用来描述两者之差，采用绝对标准偏差进行估计。d_t和β的计算公式为：

d_t＝|‖z_t-z_t+1‖_{great circle}-||x_t,i-x_t+1,j||_route|

其中，‖z_t-z_t+1‖_{great circle}表示相邻采样点z_t和z_t+1之间的欧氏距离，||x_t,i-x_t+1,j||_route表示采样点z_t在道路r_i上的投影点x_t,i与采样点z_t+1在道路r_j上投影点x_t+1,j之间的路径距离。

实施例中，步骤2的实现包括以下子步骤：

步骤2.1，读取轨迹集中的第一条轨迹作为当前轨迹，并将其中的第一个采样点作为当前采样点pPoint；

步骤2.2，对pPoint建立一定半径(具体实施时可以预先设置，优选设置为一倍GPS标准差)的缓冲区，获取与缓冲区相交的路段，将这些路段作为pPoint的候选路段，赋值给当前采样点候选路段集pRoads；

步骤2.3，如果pRoads为空集，则将pPoint计入中断点序列F并将中断点类型记为类型I，即pPoint无候选路段(参见图3(a)，采样点p_i无候选路段，图3中p_i-1,p_i,p_i+1为三个连续的采样点；

为p_i-1的候选路段；

为p_i的候选路段，

为p_i+1的候选路段，下同)，将轨迹中的下一个采样点赋值给pPoint，跳回步骤2.2，否则执行步骤2.4；

步骤2.4，如果pPoint是当前轨迹中第一个采样点，则计算pPoint到pRoads中所有道路的观测概率，将pPoint作为前一轨迹点赋值给prePoint，将pRoads作为前一轨迹点的候选路段集赋值给preRoads，清空pRoads，将下一个采样点赋值给pPoint，跳回步骤2.2，否则执行步骤2.5；

步骤2.5，计算preRoads中所有路段到pRoads中所有路段的转移概率，如preRoads中有n1条路段，pRoads中有n2条路段，则需计算n1×n2个转移概率。如果计算得到的所有转移概率均小于转移概率阈值TH_trans(具体实施时本领域技术人员可预设取值，具体实施时可以预先设置，优选设置为一个极小值)，则将pPoint计入中断点序列F并将中断类型记为类型II，即连续采样点的候选路段间均不连通(参见图3(b)，采样点p_i候选路段

与p_i+1的候选路段之间

均不连通)，并跳至步骤2.8，否则将pRoads中与preRoads中路段相连通的子集记为pRoads_i，执行步骤2.6；

步骤2.6，将轨迹中的下一采样点赋值给nextPoint，获取nextPoint的候选路段集nextRoads。如果pRoads中的所有路段到nextRoads中的所有路段的转移概率不都小于TH_trans，则将pRoads中与nextRoads中路段相连通的子集记为pRoads_j，进行下一步骤2.7，否则将nextPoint的值赋给pPoint，将nextRoads的值赋给pRoads，跳至步骤2.8；

步骤2.7，如果pRoads_i与pRoads_j的交集为空，则将pPoint加入中断点序列F并将中断类型记为类型III，即pPoint前后采样点的候选路段无法连通(参见图3(c))，执行步骤2.8，否则直接执行步骤2.8；

步骤2.8，判断pPoint是否为轨迹中最后一个采样点，如果是，则取出下一条轨迹进行相同处理，所有轨迹处理完后执行步骤3，否则基于新的当前采样点pPoint跳回步骤2.2。

本步骤计算相邻采样点候选段集之间的转移概率，当转移概率小于阈值时判断为中断。

步骤3，根据中断点序列中的中断点类型和数量等，判断是否存在道路错误以及道路错误的类型。具体包括以下步骤：

步骤3.1，依次读取中断点集F中的中断点，根据中断点的中断类型进行分析处理；

步骤3.2，如果当前中断点的中断类型为II或III，则判定在中断点邻域内发生了路段拓扑错误；

步骤3.3，如果为中断类型I，则提取时间上连续的I型中断点序列，如果该序列的第1个点到最后1个点的欧氏距离超过距离阈值TH_dist(具体实施时本领域技术人员可预设取值，一般采用自适应取值)，且连续中断点的数量超过数量阈值TH_num(具体实施时本领域技术人员可预设取值，具体实施时可以预先设置，优选设置为一个较大值)，那么判定在这些连续中断点的邻域内发生了路段信息缺失，否则判定这些中断点是由出租车GPS轨迹数据错误造成的。

步骤4，参见图4，对不同类型的问题路段进行相应的处理，

对于路段拓扑错误，选择相邻两采样点的候选路段集，选择概率最大的两条路段进行拉伸处理，使之成为拓扑相连的路段；

对于路段信息缺失，首先为连续中断点建立缓冲区，从而获取落入缓冲区内的所有采样点，然后采用基于多元自适应回归样条的拟合方法，计算出缺失路段的中心线。如果新增路段与原有路段间存在连通关系，则对新增路段的端点进行拉伸处理，建立其到已有路段的拓扑连接关系；

如果是出租车GPS轨迹数据的错误，则跳过这类中断点，不进行任何处理。

实施例中，具体包括以下步骤：

步骤4.1，对于路段拓扑错误，遍历中断点breakp_i的候选路段集R_i和中断点时间序列上的前一个采样点p_i-1的候选路段集R_i-1，对R_i-1到R_i中不连通的路段依次进行拓扑修正使其产生连通性，计算从p_i-1经过不同路径到breakp_i的概率。如p_i-1到R_i-1中的某条路段r_i-1,j的观测概率为P_observe(i-1,j)，breakp_i到R_i中的某条路段r_i,k的观测概率为P_observe(i,k)，从r_i-1,j到r_i,k的转移概率为P_trans(j,k)，则此时从p_i-1到breakp_i经过此路径的概率P＝P_observe(i-1,j)×P_trans(j,k)×P_observe(i,k)。选择概率最大时p_i-1匹配到的路段r_i-1,*和breakp_i匹配到的路段r_i,*，将r_i-1,*和r_i,*进行拓扑修正使其连通；

步骤4.2，对于路段信息缺失，为连续的中断点序列F_i中的每一个中断点建立一定半径的缓冲区(具体实施时可以预先设置，优选设置为一倍GPS标准差)，获取落入这些缓冲区中所有轨迹的采样点构建采样点集P_fit。使用这些采样点进行多元自适应回归样条拟合，拟合得到的曲线即为缺失路段的几何形状，并根据P_fit中采样点的时间序列方向确定拟合曲线的方向，形成新增路段r_new。将r_new加入到路网结构中。如果P_fit中的第一个点p_fit,1在时间序列上存在前一个采样点p_pre，并且p_pre匹配的路段r_pre处于r_new起点的邻域(邻域半径具体实施时可以预先设置，优选设置为一倍GPS标准差)内，则延伸r_new的起点使之与r_pre相交；如果P_fit中的最后一个点p_fit,n在时间序列上存在后一个采样点p_next，并且p_next匹配的路段r_next处于r_new终点的邻域内，则将r_new进行拉伸使之与r_pre相交；

步骤4.3，如果是出租车GPS轨迹数据错误，则跳过这类中断点，不进行任何处理；

步骤4.4，判断处理的轨迹是否为轨迹集中最后一条轨迹，如果不是则读取下一条轨迹并将轨迹中第一个采样点赋值给pPoint，跳回步骤2.2；否则输出改进后的路网地图，结束所有流程。

其中，步骤1用于构建地图匹配的输入路网结构，作为数据预处理过程，只需执行一次；步骤2中所述的基于隐马尔可夫模型的简化地图匹配算法，是指将地图匹配算法的过程进行简化，仅将其用于中断点的发现；步骤2中，采样点的候选路段集是与采样点一定半径的缓冲区相交的路段所组成的集合；步骤2中，路段连通关系依据路段间的转移概率来判断，当转移概率大于阈值时，两路段是连通的，否则为不连通；步骤4中，观测概率是根据轨迹采样点到路段的垂直距离来计算，二者具有负相关性，即垂直距离越小，观测概率越大。具体实施时，可采用计算机软件技术实现以上流程的自动运行。

本发明利用出租车GPS轨迹数据和已有众包路网地图的道路数据，通过一种基于隐马尔可夫模型的简化地图匹配方法，实现匹配中断点的可靠发现；通过分析轨迹匹配中断点发生的原因，将中断点细分为拓扑错误中断和道路缺失中断；通过拉伸已有路段来添加拓扑连接，使得众包地图中不应断开的路段重新相连接，从而实现众包地图路网信息的拓扑修正；通过多元自适应回归样条方法来拟合路段，在众包地图中添加缺失路段，并建立相关拓扑连接，从而实现众包地图路网信息的缺失修正。具体实施时，可以将地图匹配技术反向用于众包地图道路数据的更新之中，其对于OSM路网数据的质量改进是一个螺旋式推进的迭代过程，即每次改进都建立在前一次的基础之上，从而不断提升OSM路网的质量。

上述实施例描述仅为了清楚说明本发明的基本技术方案，但本发明并不仅限于上述实施例；凡是依据本发明的技术实质上实施例所作的任何简单修改、等同变化与修饰，均落入本发明的技术方案的保护范围之内。

Claims (3)

1.一种基于地图匹配的众包地图道路质量改进方法，其特征在于，将地图匹配技术反向用于众包地图道路数据的更新之中，包括以下步骤：

步骤1，提取OSM数据中的节点和道路信息，基于交叉口将道路打断成路段序列，构建出以路段为基本单位的路网结构；

步骤2，基于以路段为基本单位的路网结构，结合出租车GPS轨迹数据，进行基于隐马尔可夫模型的简化地图匹配；实现方式为，逐条从出租车轨迹数据集中取出轨迹，基于隐马尔可夫模型的简化地图匹配算法逐点采样进行下述处理，

如果采样点p_i的候选路段集R_i为空，则将p_i加入中断点集F，记为中断类型I；

对于两相邻采样点p_i-1和p_i，将采样点p_i-1的候选路段集记为R_i-1，如果R_i-1中所有路段与R_i中所有路段均不连通，则将p_i加入中断点集F，记为中断类型II；

将R_i中与R_i-1相连通的路段集合记为R_i，j，R_i中与R_i+1相连通的路段集合记为R_i，k，如果R_i，j与R_i，k的交集为空，则将p_i加入中断点集F，记为中断类型III；

步骤3，根据步骤2所得中断点类型和数量信息，判断是否存在道路错误以及道路错误的类型，实现方式如下，

从中断点集F取出中断点信息，进行分析处理；

如果当前中断点的中断类型为II或III，则判定在中断点邻域内发生了路段拓扑错误；

如果为中断类型I，则提取时间上连续的I型中断点序列，如果该序列的第一个点到最后一个点的欧氏距离超过相应阈值，且连续中断点的数量超过相应阈值，那么判定在这些连续中断点的邻域内发生了路段信息缺失，否则判定这些中断点是由出租车GPS轨迹数据错误造成的；

步骤4，对不同错误类型的问题路段进行相应的处理，实现如下，

对于路段拓扑错误，选择相邻两采样点的候选路段集，选择概率最大的两条路段进行拉伸处理，得到拓扑相连的路段；

对于路段信息缺失，首先为连续中断点建立缓冲区，从而获取落入缓冲区内的所有采样点，然后采用基于多元自适应回归样条的拟合方法，计算出缺失路段的中心线，如果新增路段与原有路段间存在连通关系，则对新增路段的端点进行拉伸处理，建立其到已有路段的拓扑连接关系；

如果是出租车GPS轨迹数据的错误，则跳过这类中断点，不进行任何处理。

2.根据权利要求1所述的一种基于地图匹配的众包地图道路质量改进方法，其特征在于：所述基于隐马尔可夫模型的简化地图匹配，是仅通过计算观测概率和转移概率来判断采样点是否为中断点，而不将采样点纠正到道路上；判断方式为，当观测概率或转移概率不满足阈值条件时，判断发生匹配中断，发生匹配中断的采样点为中断点。

3.根据权利要求1或2所述的一种基于地图匹配的众包地图道路质量改进方法，其特征在于：通过将地图匹配技术反向用于众包地图道路数据的更新之中，迭代地实现对于OSM路网数据的质量改进。

Images