CN109029472A - 基于低采样率gps轨迹点的地图匹配方法 - Google Patents
基于低采样率gps轨迹点的地图匹配方法 Download PDFInfo
- Publication number
- CN109029472A CN109029472A CN201810748288.9A CN201810748288A CN109029472A CN 109029472 A CN109029472 A CN 109029472A CN 201810748288 A CN201810748288 A CN 201810748288A CN 109029472 A CN109029472 A CN 109029472A
- Authority
- CN
- China
- Prior art keywords
- point
- candidate
- road
- probability
- tracing
- 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.)
- Pending
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及移动智能交通领域。为提出一个基于时空分析的地图匹配框架,为各类基于轨迹的应用程序提供精确快速的地图匹配功能。本发明采用的技术方案是,基于低采样率GPS轨迹点的地图匹配方法,各类基于轨迹的应用程序从自身服务中提取出轨迹点信息,然后将这些轨迹点作为框架系统的输入条件,接着对这些轨迹点进行时空分析处理,最终得到每一个轨迹位置最佳匹配的位置坐标,反馈给相应的应用程序,并利用现有的地图服务商提供的API进行可视化呈现。本发明主要应用于智能交通场合。
Description
技术领域
本发明涉及移动智能交通领域。具体讲,涉及基于低采样率GPS轨迹点的地图匹配方法。
背景技术
地图匹配技术,就是将GPS(Global Positioning System,是全球定位系统的简称)轨迹点对齐到数字地图上的道路网络的过程。近年来,伴随着互联网技术的成熟化发展,智慧交通系统在我们生活中越来越重要。不管是车辆导航系统、交通流分析技术,还是目前在国内尚未展开深入研究的基于卫星定位的不停车收费系统都包含于智慧交通系统的构建范畴中。而以上所提到的应用程序均有一个共同点:都是基于轨迹的应用程序,其核心步骤都是地图匹配技术。
现如今,伴随着各类导航系统,GPS嵌入式系统数量的急剧的增长与扩散,使得能够获取到大量的全球定位系统的轨迹数据。但是在生活实践中,由于能源消耗、成本消耗等问题,获取到的大都是低采样率的GPS轨迹。因此,如何将这些采样率较低的轨迹点精确地对齐到数字路网上是现在智能交通领域面临的不可回避的核心问题。
发明人在实现本发明的过程中,发现现有技术至少存在以下缺点:
首先,目前现有的大多数算法都是针对于采样率较高的轨迹点,当用这些算法去处理那些低采样率的轨迹点时,现有算法的匹配精度将会大大降低;另外,对于现今那些专门处理低采样率轨迹点的算法而言,由于他们都是考虑全局的路网及轨迹趋势,当采样规模较大时,算法的时间复杂度会很高。
针对以上的问题,本专利提出一种基于低采样率GPS轨迹点的地图匹配方法(本文认为采样频率在1~1.5分钟的轨迹点为低采样率轨迹点),通过充分考虑道路路网的几何结构、拓扑结构以及相邻轨迹点之间的时间、速度信息,同时在匹配过程中不断地抽样,使得对于低采样率轨迹点能够精确、快速的匹配到数字地图上。
发明内容
为克服现有技术的不足,本发明旨在提出一个基于时空分析的地图匹配框架,为各类基于轨迹的应用程序提供精确快速的地图匹配功能。在该框架下,各类基于轨迹的应用程序可以从自身服务中提取出轨迹点信息,然后将这些轨迹点作为框架系统的输入条件,接着对这些轨迹点进行时空分析处理,最终得到每一个轨迹位置最佳匹配的位置坐标,反馈给相应的应用程序,并利用现有的地图服务商提供的API进行可视化呈现。为此,本发明采用的技术方案是,基于低采样率GPS轨迹点的地图匹配方法,各类基于轨迹的应用从自身服务中提取出轨迹点信息,然后将这些轨迹点作为框架系统的输入条件,接着对这些轨迹点进行时空分析处理,最终得到每一个轨迹位置最佳匹配的位置坐标,反馈给相应的应用,并利用现有的地图服务商提供的API进行可视化呈现。
具体步骤细化如下:
1)基于轨迹的应用程序发送请求,包括当前位置和时间;
2)对请求进行解析并转发到轨迹预处理模块处理,若请求合法,便执行3);
3)接收请求,将传入的轨迹点转化为百度地图坐标,将预处理过的轨迹点发送到候选点预测及初次抽样模块处理;
4)候选点预测及初次抽样模块接受请求,利用算法得到每个轨迹点的候选点以及候选路段,并将原始轨迹点以及所对应的候选点、对应的候选路段封装,转发至候选点空间分析模块处理;
5)由候选点空间分析模块接受请求,利用道路路网的几何拓扑信息,计算每一个候选点对应的几何概率和拓扑概率,封装后转发至候选点时间分析模块处理;
6)利用候选点时间分析模块接收到请求,利用轨迹点的时间速度信息,计算得到每一个候选点对应的时间速度概率,封装后转发至候选点筛选模块处理;
7)由候选点筛选模块接收到请求,将轨迹点的空间分析结果和时间分析结果线性组合,得到候选点的最终概率,并按照概率大小进行排序;
8)将排序后的top-one候选点及对应候选路段输出给发送请求的应用软件;
候选点的预测及初次抽样模块处理步骤:
(1)首先定义一种规则,在该规则下,用一个字符串来表示经度和纬度两个坐标,该规则满足:距离越近的两个点,他们所对应的字符串匹配程度越高;
(2)接着,将轨迹点和路网都按照(1)中的规则进行字符串化,按照字符串匹配结果,找出轨迹点可能真正处于的各条路段,即候选路段;
(3)然后,由轨迹点向候选路段做垂线,若垂足点在候选路段上,则该垂足点即为候选点,若垂足点不在候选路段上,则选择此路段上与候选点距离最近的路段端点作为候选点;
(4)最后,为了降低时间复杂度,需要对候选点和候选路段进行初次抽样,抽样规则为从上述所有候选点中只选择与轨迹点之间的距离最小的前五个候选点,并将其所在路段作为候选路段;
候选点的空间分析模块处理步骤:
(1)首先考虑道路路网的几何信息,将道路路网的几何信息抽象模型化从而定量的计算道路的几何概率,通过利用几何概率的计算结果来表示道路路网的几何信息对候选点最终选择结果的影响;
(2)道路几何概率的计算被定义为轨迹点与它的候选点之间匹配的可能性,这种可能性是基于轨迹点与它的候选点之间的最短距离,利用正态分布公式表示几何概率,即当轨迹点与候选点的距离越近时,则此候选点对应的道路几何概率越大;
(3)然后考虑道路路网的拓扑信息,将道路路网的拓扑信息抽象模型化从而定量的计算道路的拓扑概率,通过利用拓扑概率的计算结果来表示道路路网的拓扑信息对于候选点选择结果的影响;
(4)道路拓扑概率的计算被定义为相邻两个轨迹点的运动趋势与对应候选路段所在道路之间的相似性,这种相似性被表示为相邻两个轨迹点之间的距离与他们对应的候选点之间距离的比值,比值越接近1的时候,说明相似度越高,与之对应的道路拓扑概率也越大;
候选点的时间分析模块处理步骤:
(1)通过考虑轨迹的时间、速度因素,将轨迹点自身的运动特征考虑到对候选点匹配的影响中,定量定义为轨迹时间速度概率的计算;
(2)轨迹时间速度概率的计算被表示为相邻轨迹点的平均速度与对应候选路段速度限制之间的相似度,这种相似度被表示为是相邻两个轨迹点之间的平均速度与对应的候选路段的道路最大限速之间的比值,其中分子表示相邻两个轨迹点之间比值越接近1的时候,说明相似度越高,与之对应的轨迹时间速度概率也越大。
本发明的特点及有益效果是:
本发明通过对采样间隔较高的轨迹数据进行分析,提出了一种基于时空分析的地图匹配的方法,首先得到轨迹点的对应的候选点及候选路段,然后结合道路的拓扑几何信息以及轨迹的时间速度信息,得到概率最高的候选点作为匹配点,对应的候选路段作为匹配路段。各类基于轨迹的应用程序都可以通过发送请求到该系统,并能快速的得到系统返回的最佳匹配结果,从而帮助各类应用程序快速的完成作为核心步骤的地图匹配功能,大大提升用户的体验。
附图说明:
图1为本发明所述地图匹配方法的总体框架图。
图2为本发明所述地图匹配方法详细流程图。
图3为本发明所述轨迹数据格式示意图。
图4为本发明所述道路路网数据格式示意图。
图5为本发明所述原生的GPS路网点加载示意图。
图6为本发明所述经过偏移算法之后的GPS路网点加载示意图。
图7为本发明所述字符串化的编码示意图。
图8为本发明所述预测轨迹点的候选点示意图。
图9为本发明所述道路拓扑结构对轨迹点匹配影响的示意图。
图10为本发明所述轨迹时间、速度信息对轨迹点匹配影响的示意图。
图11为本发明所述的地图匹配算法实现流程图。
图12为本发明所述地图匹配算法匹配的整体结果可视化效果。
图13为本发明所述地图匹配算法匹配的局部放大结果可视化效果。
具体实施方式
本发明涉及移动智能交通领域。具体来说,本发明提供了一种方法通过充分考虑道路路网的几何结构、拓扑结构以及相邻点之间的相互影响(时间、速度信息),从而使得采样率较低的GPS轨迹点能精确地对齐到数字地图上的道路网络。
车辆GPS轨迹由具有时间连续性的大量的离散坐标点组成,本文定义当采样间隔达到一分钟甚至以上时,就认为是采样率低的轨迹点。为达到上述目的,本发明主要的步骤有三个重要技术实现,具体来说,一是提出一种地图匹配算法基于低采样率的轨迹点;二是通过抽样来降低地图匹配过程中的时间复杂度;三是开发一个可视化的原型系统来验证方法的有效性。
候选点的预测及初次抽样方法:
(5)首先定义一种规则,在该规则下,可以用一个字符串来表示经度和纬度两个坐标,该规则满足:距离越近的两个点,他们所对应的字符串匹配程度越高,例如满足该规则的GeoHash算法;
(6)接着,将轨迹点和路网都按照(1)中的规则进行字符串化,按照字符串匹配结果,找出轨迹点可能真正处于的各条路段,即候选路段;
(7)然后,由轨迹点向候选路段做垂线,若垂足点在候选路段上,则该垂足点即为候选点,若垂足点不在候选路段上,则选择此路段上与候选点距离最近的路段端点作为候选点;
(8)最后,为了降低时间复杂度,需要对候选点和候选路段进行初次抽样,抽样规则为从上述所有候选点中只选择与轨迹点之间的距离最小的前五个候选点,并将其所在路段作为候选路段。
候选点的空间分析法:
(5)候选点的空间分析法首先考虑道路路网的几何信息,将道路路网的几何信息抽象模型化从而定量的计算道路的几何概率,通过利用几何概率的计算结果来表示道路路网的几何信息对候选点最终选择结果的影响;
(6)道路几何概率的计算被定义为轨迹点与它的候选点之间匹配的可能性,这种可能性是基于轨迹点与它的候选点之间的最短距离。利用正态分布公式表示几何概率,即当轨迹点与候选点的距离越近时,则此候选点对应的道路几何概率越大;
(7)然后考虑道路路网的拓扑信息,将道路路网的拓扑信息抽象模型化从而定量的计算道路的拓扑概率,通过利用拓扑概率的计算结果来表示道路路网的拓扑信息对于候选点选择结果的影响;
(8)道路拓扑概率的计算被定义为相邻两个轨迹点的运动趋势与对应候选路段所在道路之间的相似性,这种相似性被表示为相邻两个轨迹点之间的距离与他们对应的候选点之间距离的比值,比值越接近1的时候,说明相似度越高,与之对应的道路拓扑概率也越大。
候选点的时间分析法:
(3)候选点的时间分析法是通过考虑轨迹的时间、速度因素,将轨迹点自身的运动特征考虑到对候选点匹配的影响中,即可定量定义为轨迹时间速度概率的计算;
(4)轨迹时间速度概率的计算被表示为相邻轨迹点的平均速度与对应候选路段速度限制之间的相似度,这种相似度被表示为是相邻两个轨迹点之间的平均速度与对应的候选路段的道路最大限速之间的比值。其中分子表示相邻两个轨迹点之间比值越接近1的时候,说明相似度越高,与之对应的轨迹时间速度概率也越大。
发明方法的详细执行流程如下:
9)基于轨迹的应用程序向系统发送请求,包括当前location和time;
10)系统对请求进行解析并转发到轨迹预处理模块,若请求合法,便执行3);
11)接收请求,将传入的轨迹点转化为百度地图坐标,将预处理过的轨迹点发送到候选点预测及初次抽样模块;
12)候选点预测及初次抽样模块接受请求,利用算法得到每个轨迹点的候选点以及候选路段,并将原始轨迹点以及所对应的候选点、对应的候选路段封装,转发至候选点空间分析模块;
13)候选点空间分析模块接受请求,利用道路路网的几何拓扑信息,计算每一个候选点对应的几何概率和拓扑概率,封装后转发至候选点时间分析模块;
14)候选点时间分析模块接收到请求,利用轨迹点的时间速度信息,计算得到每一个候选点对应的时间速度概率,封装后转发至候选点筛选模块;
15)候选点筛选模块接收到请求,将轨迹点的空间分析结果和时间分析结果线性组合,得到候选点的最终概率,并按照概率大小进行排序;
16)将排序后的top-one候选点及对应候选路段输出给发送请求的应用软件。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明提出了一种基于低采样率GPS轨迹点的地图匹配方法,总体框架图见图1,总体流程图见图2,详见下文描述
(1)在国际上,采集GPS点时需要采用WGS-84国际经纬度坐标标准;但是在国内为了保密,要求至少使用由中国国家测绘局制订的地理信息系统的坐标系统GCJ-02;而百度地图又在GCJ-02基础上进行了第二次加密,所以必须首先对所有GPS点进行偏移计算。如图3所示,是对轨迹数据格式的说明,图4所示是对道路路网数据格式的说明,图5是原生的部分GPS路网点加载到百度地图上;图6所示是经过偏移算法之后的部分路网点加载到百度地图上;
(2)在寻找轨迹点的候选点之前,需要先对轨迹点和路段进行编码,本文利用GeoHash算法进行编码,图7是字符串化的编码示意图;
(3)预测轨迹点的候选点,即进行字符串匹配,从而得到最佳匹配候选路段,接着将轨迹点到候选路段垂足点或路段端点作为候选点,见图8;
(4)如果没有考虑道路路网的拓扑关系,极可能导致错误的匹配结果,如图9所示。这里,如果只考虑道路路网的几何信息,则Pi对应的候选点是而实际情况应该是因为根据Pi前一个坐标Pi-1的位置关系,可将考虑在内,而排除
(5)在大多数情况下,算法可以通过空间分析来找到轨迹点的最佳候选点,从而就在候选路径中{Pi-1,Pi,…Pn}选取到真实的路径Pi。然而,有一种特殊的情况却是空间分析所不能解决的,如图10所示:较粗的黄线表示高速公路,较细的蓝线表示普通道路。由于两条道路非常接近,所以如果通过空间分析来计算Pi-1和Pi的候选点时,对于这两条道路算法可能会得到相同的空间分析结果。但是如果计算出从Pi-1到Pi行驶时的平均速度是85km/h,由于道路速度的限制条件,就会将两个轨迹点匹配到高度公路上了。因此,就需要对轨迹点的时间、速度信息进行分析。
(6)用轨迹点结合道路路网的几何结构、拓扑结构以及轨迹点本身的时间速度信息,就可以使每个轨迹点得到最佳匹配候选点以及对应的匹配路段。即给定空间中一个轨迹数据点集合,能够得到该数据点所有可能存在的位置,计算每个点的存在概率,概率最高的即为最终匹配结果,算法实现见图11。
(7)假设给定的轨迹点数目为n,路网中路段的数目为m,用k表示每一个轨迹点最多拥有的候选点数目。那么候选图中最短路径的最大数目为(n-1)k2,因此构建候选图的时间复杂度就是O(nk2mlogm)。在寻找匹配序列的过程中,对于候选图G'中的每一条边都会被访问一次,所以这个过程的时间复杂度为O(nk2)。因此,O(nk2mlogm+nk2)就是本算法整体的时间复杂度。但是,由于对任意给定的轨迹点而言,该轨迹点的候选点数目k是一个极小的值,所以,本文的时间复杂度接近于O(nmlogm)。
(8)在实验中,路网数据由OpenStreetMap下载,路网本身不完整且存在误差。在采用OpenStreetMap路网数据不完整的情况下匹配精度达到80%以上,且匹配有偏差的地方大部分分布于交叉路段。
可视化阶段:
(1)预处理处理基于轨迹的应用程序发送的包含轨迹点位置(经纬度)和时间的轨迹点信息,将轨迹点信息转发至候选点计算模块;
(2)根据算法得到每个轨迹点的可能候选点,并计算每个候选点匹配概率值;
(3)对匹配概率值进行排序,得到top-one概率对应的候选点即为匹配结果;
(4)调用地图服务商的API对预测结果进行可视化呈现,紫色的点表示原始轨迹点,红色点表示经偏移算法处理的轨迹点,蓝色的点表示本文算法处理后的轨迹点,蓝色的线表示路网线,如图12为匹配前后轨迹点的对比图,图13为局部放大图。
Claims (5)
1.一种基于低采样率GPS轨迹点的地图匹配方法,其特征是,各类基于轨迹的应用从自身服务中提取出轨迹点信息,然后将这些轨迹点作为框架系统的输入条件,接着对这些轨迹点进行时空分析处理,最终得到每一个轨迹位置最佳匹配的位置坐标,反馈给相应的应用,并利用现有的地图服务商提供的API进行可视化呈现。
2.如权利要求1所述的基于低采样率GPS轨迹点的地图匹配方法,其特征是,具体步骤细化如下:
1)基于轨迹的应用程序发送请求,包括当前位置和时间;
2)对请求进行解析并转发到轨迹预处理模块处理,若请求合法,便执行3);
3)接收请求,将传入的轨迹点转化为百度地图坐标,将预处理过的轨迹点发送到候选点预测及初次抽样模块处理;
4)候选点预测及初次抽样模块接受请求,利用算法得到每个轨迹点的候选点以及候选路段,并将原始轨迹点以及所对应的候选点、对应的候选路段封装,转发至候选点空间分析模块处理;
5)由候选点空间分析模块接受请求,利用道路路网的几何拓扑信息,计算每一个候选点对应的几何概率和拓扑概率,封装后转发至候选点时间分析模块处理;
6)利用候选点时间分析模块接收到请求,利用轨迹点的时间速度信息,计算得到每一个候选点对应的时间速度概率,封装后转发至候选点筛选模块处理;
7)由候选点筛选模块接收到请求,将轨迹点的空间分析结果和时间分析结果线性组合,得到候选点的最终概率,并按照概率大小进行排序;
8)输出排序后的top-one候选点及对应候选路段结果。
3.如权利要求2所述的基于低采样率GPS轨迹点的地图匹配方法,其特征是,候选点的预测及初次抽样模块处理步骤:
(1)首先定义一种规则,在该规则下,用一个字符串来表示经度和纬度两个坐标,该规则满足:距离越近的两个点,他们所对应的字符串匹配程度越高;
(2)接着,将轨迹点和路网都按照(1)中的规则进行字符串化,按照字符串匹配结果,找出轨迹点可能真正处于的各条路段,即候选路段;
(3)然后,由轨迹点向候选路段做垂线,若垂足点在候选路段上,则该垂足点即为候选点,若垂足点不在候选路段上,则选择此路段上与候选点距离最近的路段端点作为候选点;
(4)最后,为了降低时间复杂度,需要对候选点和候选路段进行初次抽样,抽样规则为从上述所有候选点中只选择与轨迹点之间的距离最小的前五个候选点,并将其所在路段作为候选路段。
4.如权利要求2所述的基于低采样率GPS轨迹点的地图匹配方法,其特征是,候选点的空间分析模块处理步骤:
(1)首先考虑道路路网的几何信息,将道路路网的几何信息抽象模型化从而定量的计算道路的几何概率,通过利用几何概率的计算结果来表示道路路网的几何信息对候选点最终选择结果的影响;
(2)道路几何概率的计算被定义为轨迹点与它的候选点之间匹配的可能性,这种可能性是基于轨迹点与它的候选点之间的最短距离,利用正态分布公式表示几何概率,即当轨迹点与候选点的距离越近时,则此候选点对应的道路几何概率越大;
(3)然后考虑道路路网的拓扑信息,将道路路网的拓扑信息抽象模型化从而定量的计算道路的拓扑概率,通过利用拓扑概率的计算结果来表示道路路网的拓扑信息对于候选点选择结果的影响;
(4)道路拓扑概率的计算被定义为相邻两个轨迹点的运动趋势与对应候选路段所在道路之间的相似性,这种相似性被表示为相邻两个轨迹点之间的距离与他们对应的候选点之间距离的比值,比值越接近1的时候,说明相似度越高,与之对应的道路拓扑概率也越大。
5.如权利要求2所述的基于低采样率GPS轨迹点的地图匹配方法,其特征是,候选点的时间分析模块处理步骤:
(1)通过考虑轨迹的时间、速度因素,将轨迹点自身的运动特征考虑到对候选点匹配的影响中,定量定义为轨迹时间速度概率的计算;
(2)轨迹时间速度概率的计算被表示为相邻轨迹点的平均速度与对应候选路段速度限制之间的相似度,这种相似度被表示为是相邻两个轨迹点之间的平均速度与对应的候选路段的道路最大限速之间的比值,其中分子表示相邻两个轨迹点之间比值越接近1的时候,说明相似度越高,与之对应的轨迹时间速度概率也越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810748288.9A CN109029472A (zh) | 2018-07-10 | 2018-07-10 | 基于低采样率gps轨迹点的地图匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810748288.9A CN109029472A (zh) | 2018-07-10 | 2018-07-10 | 基于低采样率gps轨迹点的地图匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109029472A true CN109029472A (zh) | 2018-12-18 |
Family
ID=64640610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810748288.9A Pending CN109029472A (zh) | 2018-07-10 | 2018-07-10 | 基于低采样率gps轨迹点的地图匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109029472A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815993A (zh) * | 2019-01-03 | 2019-05-28 | 西北大学 | 基于gps轨迹的区域特征提取、数据库建立及路口识别方法 |
CN109885635A (zh) * | 2019-02-14 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 地图关联方法、装置、存储介质及计算机设备 |
CN109916413A (zh) * | 2019-03-18 | 2019-06-21 | 华南师范大学 | 基于网格划分的道路匹配方法、系统、装置和存储介质 |
CN110031011A (zh) * | 2019-04-17 | 2019-07-19 | 首都师范大学 | 集成时空邻近与改进权重圆的车载实时地图匹配计算方法 |
CN110427360A (zh) * | 2019-06-28 | 2019-11-08 | 东软集团股份有限公司 | 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 |
CN111189459A (zh) * | 2020-01-10 | 2020-05-22 | 成都信息工程大学 | 一种定位信息与道路匹配的方法和装置 |
CN111307164A (zh) * | 2020-02-25 | 2020-06-19 | 西北大学 | 一种低采样率轨迹地图匹配方法 |
CN111982141A (zh) * | 2020-07-31 | 2020-11-24 | 长安大学 | 一种面向低频车辆轨迹数据进行路径推断的方法、设备及存储介质 |
CN112131327A (zh) * | 2020-08-12 | 2020-12-25 | 当家移动绿色互联网技术集团有限公司 | 一种运动轨迹的生成方法及装置 |
CN112309118A (zh) * | 2020-11-03 | 2021-02-02 | 广州市交通规划研究院 | 一种基于时空相似度的车辆轨迹推算方法 |
CN112330056A (zh) * | 2020-11-23 | 2021-02-05 | 北京嘀嘀无限科技发展有限公司 | 路线确定方法、装置、电子设备和计算机可读存储介质 |
CN112344947A (zh) * | 2020-11-23 | 2021-02-09 | 北京嘀嘀无限科技发展有限公司 | 地图匹配方法、装置、电子设备和计算机可读存储介质 |
CN112487114A (zh) * | 2020-11-10 | 2021-03-12 | 电子科技大学 | 一种城市交叉口地图匹配方法 |
WO2024019810A1 (en) * | 2022-07-21 | 2024-01-25 | Qualcomm Incorporated | Usage of transformed map data with limited third party knowledge |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130097163A1 (en) * | 2011-10-18 | 2013-04-18 | Nokia Corporation | Methods and apparatuses for facilitating interaction with a geohash-indexed data set |
CN104197945A (zh) * | 2014-08-27 | 2014-12-10 | 浙江工业大学 | 一种基于低采样率浮动车数据的全局投票地图匹配方法 |
CN105628033A (zh) * | 2016-02-26 | 2016-06-01 | 广西鑫朗通信技术有限公司 | 一种基于道路连通关系的地图匹配方法 |
CN107330761A (zh) * | 2017-06-29 | 2017-11-07 | 北京三快在线科技有限公司 | 基于地理位置的服务信息提供方法和装置以及计算设备 |
-
2018
- 2018-07-10 CN CN201810748288.9A patent/CN109029472A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130097163A1 (en) * | 2011-10-18 | 2013-04-18 | Nokia Corporation | Methods and apparatuses for facilitating interaction with a geohash-indexed data set |
CN104197945A (zh) * | 2014-08-27 | 2014-12-10 | 浙江工业大学 | 一种基于低采样率浮动车数据的全局投票地图匹配方法 |
CN105628033A (zh) * | 2016-02-26 | 2016-06-01 | 广西鑫朗通信技术有限公司 | 一种基于道路连通关系的地图匹配方法 |
CN107330761A (zh) * | 2017-06-29 | 2017-11-07 | 北京三快在线科技有限公司 | 基于地理位置的服务信息提供方法和装置以及计算设备 |
Non-Patent Citations (2)
Title |
---|
DONG WANG,ET AL: "TIVMM: An effective map algorithm for low-sampling-rate GPS trajectories in road networks", 《2017 13TH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION, FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY (ICNC-FSKD)》 * |
蒋宗礼等: "基于Openstreet Map的地图匹配算法研究", 《软件导刊》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815993B (zh) * | 2019-01-03 | 2023-05-23 | 西北大学 | 基于gps轨迹的区域特征提取、数据库建立及路口识别方法 |
CN109815993A (zh) * | 2019-01-03 | 2019-05-28 | 西北大学 | 基于gps轨迹的区域特征提取、数据库建立及路口识别方法 |
CN109885635B (zh) * | 2019-02-14 | 2021-04-06 | 腾讯科技(深圳)有限公司 | 地图关联方法、装置、存储介质及计算机设备 |
CN109885635A (zh) * | 2019-02-14 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 地图关联方法、装置、存储介质及计算机设备 |
CN109916413A (zh) * | 2019-03-18 | 2019-06-21 | 华南师范大学 | 基于网格划分的道路匹配方法、系统、装置和存储介质 |
CN110031011A (zh) * | 2019-04-17 | 2019-07-19 | 首都师范大学 | 集成时空邻近与改进权重圆的车载实时地图匹配计算方法 |
CN110031011B (zh) * | 2019-04-17 | 2021-05-11 | 首都师范大学 | 集成时空邻近与改进权重圆的车载实时地图匹配计算方法 |
CN110427360A (zh) * | 2019-06-28 | 2019-11-08 | 东软集团股份有限公司 | 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 |
CN110427360B (zh) * | 2019-06-28 | 2022-02-11 | 东软集团股份有限公司 | 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 |
CN111189459A (zh) * | 2020-01-10 | 2020-05-22 | 成都信息工程大学 | 一种定位信息与道路匹配的方法和装置 |
CN111189459B (zh) * | 2020-01-10 | 2023-12-22 | 成都信息工程大学 | 一种定位信息与道路匹配的方法和装置 |
CN111307164B (zh) * | 2020-02-25 | 2022-12-02 | 西北大学 | 一种低采样率轨迹地图匹配方法 |
CN111307164A (zh) * | 2020-02-25 | 2020-06-19 | 西北大学 | 一种低采样率轨迹地图匹配方法 |
CN111982141B (zh) * | 2020-07-31 | 2022-09-13 | 长安大学 | 一种面向低频车辆轨迹数据进行路径推断的方法、设备及存储介质 |
CN111982141A (zh) * | 2020-07-31 | 2020-11-24 | 长安大学 | 一种面向低频车辆轨迹数据进行路径推断的方法、设备及存储介质 |
CN112131327A (zh) * | 2020-08-12 | 2020-12-25 | 当家移动绿色互联网技术集团有限公司 | 一种运动轨迹的生成方法及装置 |
CN112309118A (zh) * | 2020-11-03 | 2021-02-02 | 广州市交通规划研究院 | 一种基于时空相似度的车辆轨迹推算方法 |
CN112487114A (zh) * | 2020-11-10 | 2021-03-12 | 电子科技大学 | 一种城市交叉口地图匹配方法 |
CN112487114B (zh) * | 2020-11-10 | 2021-08-31 | 电子科技大学 | 一种城市交叉口地图匹配方法 |
CN112344947A (zh) * | 2020-11-23 | 2021-02-09 | 北京嘀嘀无限科技发展有限公司 | 地图匹配方法、装置、电子设备和计算机可读存储介质 |
CN112330056A (zh) * | 2020-11-23 | 2021-02-05 | 北京嘀嘀无限科技发展有限公司 | 路线确定方法、装置、电子设备和计算机可读存储介质 |
CN112344947B (zh) * | 2020-11-23 | 2023-05-16 | 北京嘀嘀无限科技发展有限公司 | 地图匹配方法、装置、电子设备和计算机可读存储介质 |
CN112330056B (zh) * | 2020-11-23 | 2024-06-07 | 北京嘀嘀无限科技发展有限公司 | 路线确定方法、装置、电子设备和计算机可读存储介质 |
WO2024019810A1 (en) * | 2022-07-21 | 2024-01-25 | Qualcomm Incorporated | Usage of transformed map data with limited third party knowledge |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109029472A (zh) | 基于低采样率gps轨迹点的地图匹配方法 | |
Yin et al. | A generative model of urban activities from cellular data | |
CN108959466B (zh) | 基于bcs-dbscan的出租车载客热点可视化方法及系统 | |
Ding et al. | Network-matched trajectory-based moving-object database: Models and applications | |
CN105678412A (zh) | 面向多人乘车的路线规划方法和装置 | |
CN108170793A (zh) | 基于车辆语义轨迹数据的停留点分析方法及其系统 | |
Zhang et al. | Recommending pick-up points for taxi-drivers based on spatio-temporal clustering | |
CN103906993A (zh) | 用于基于感兴趣点(poi)信息构造道路网络的方法和设备 | |
US20210019425A1 (en) | Quantification of privacy risk in location trajectories | |
CN114998744B (zh) | 基于运动与视觉双特征融合的农机轨迹田路分割方法及装置 | |
CN105913668A (zh) | 一种基于海量交通数据统计的定向套牌车检测方法 | |
CN110532340A (zh) | 空间信息时空元数据构建方法 | |
CN113932821A (zh) | 基于连续窗口平均方向特征的轨迹地图匹配方法 | |
CN111916218A (zh) | 一种新型冠状病毒肺炎疫情多级预警方法及系统 | |
CN112000755A (zh) | 一种基于手机信令数据的区域出行廊道识别方法 | |
CN109147322B (zh) | 一种城市交通大数据处理中多源数据自适应融合方法 | |
CN114993325A (zh) | 一种车辆gps地图道路匹配方法、装置及存储介质 | |
Yao et al. | Goal-lbp: Goal-based local behavior guided trajectory prediction for autonomous driving | |
CN113483729A (zh) | 一种基于隐私保护和机器负载平衡的经纬测距方法 | |
CN108520028A (zh) | 基于dpi数据的用户地理位置特征提取方法及系统 | |
Hu et al. | A novel method for the detection of road intersections and traffic rules using big floating car data | |
Xie et al. | High-accuracy off-line map-matching of trajectory network division based on weight adaptation HMM | |
CN111783739A (zh) | 一种通信辐射源相似运动轨迹比较方法 | |
Gui et al. | Vehicle Movement Analyses Considering Altitude Based on Modified Digital Elevation Model and Spherical Bilinear Interpolation Model: Evidence from GPS‐Equipped Taxi Data in Sanya, Zhengzhou, and Liaoyang | |
CN114630269B (zh) | 信号处理方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |
|
RJ01 | Rejection of invention patent application after publication |