CN109059939A - 基于隐马尔科夫模型的地图匹配算法 - Google Patents
基于隐马尔科夫模型的地图匹配算法 Download PDFInfo
- Publication number
- CN109059939A CN109059939A CN201810681574.8A CN201810681574A CN109059939A CN 109059939 A CN109059939 A CN 109059939A CN 201810681574 A CN201810681574 A CN 201810681574A CN 109059939 A CN109059939 A CN 109059939A
- Authority
- CN
- China
- Prior art keywords
- point
- map
- gps
- hidden markov
- matching
- 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)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及地图定位纠错领域，尤其为基于隐马尔科夫模型的地图匹配算法，该算法包括以下几个步骤：(1)根据一份电子地图数据，将电子地图数据信息导入地图并生成网格矩阵；(2)对需要匹配的GPS组进行排序、学习和分类；(3)利用GPS点组初始化该匹配的隐马尔科夫概率矩阵；(4)以当前路段序列为候选点，进行迭代和寻优，寻找到最优的路段序列。本发明，部署方便，可扩展性强；匹配计算用时少，匹配效率高；占用机器性能少；匹配精度高；可与其他系统无缝衔接。
Description
技术领域
本发明涉及地图定位纠错领域，具体为基于隐马尔科夫模型的地图匹配算法。
背景技术
地图匹配是一种定位纠错的技术。其基本思想是根据车辆或其他方式提供的GPS定位信息，结合当前电子地图中的路网信息，将两者按照一定的逻辑进行比较和匹配，找到车辆所在的路段，根据一定的方法计算出车辆在路段上的准确位置，将车辆的定位点投放到路段上，从而改进定位不稳定或不准确所造成的误差。当前学术和工业界已经有很多相关方案，同时也有了许多应用实例。
当前地图匹配的主流思想和方法是百度/高德及其衍生的传统匹配，其核心思想是将电子地图按照网格划分，将GPS提供的定位数据和道路的虚拟网格做XY投影，将定位数据投影至道路上，然后把多个GPS点按照最短距离(最短路)的思想连接，同时基于最短距离权重、最短路径权重以及轨迹方向权重等来进行最短路径的取舍。
例如《廖佳，俞荐中，李俊峰.一种利用网格划分及方向加权的地图匹配算法[J].测绘通报，2017(3):124-127.》这篇文献，其利用了电子地图的网格划分和方向的加权，但是该文章中所描述的方法没有考虑每一条路径的权重，也就是有可能出现有大路有小道，大路相对于小路来说较远，所以匹配结果是车辆从小道行驶，这是有违常理的。
再如《汪洪涛，赵靖，冯文秀.考虑行驶路径的出租车GPS数据地图匹配算法[J].物流工程与管理，2017，39(5):82-85.》这篇文献，其有效结合了路段间距、车辆航向角、车辆速度、路网拓扑条件、交叉口转向以及相邻两点间最大行驶距离等因素，但是这种方法对于间隔距离较长的两个GPS点就会显得无能为力，会出现自动去除点或者随意导航路径(无规律)的状况。
综上来说，现在有的方法或者技术存在着匹配精度低、匹配效率差等缺点。因此研究低复杂度、低成本、高精度、高效率的地图匹配算法具有重要的现实意义。
发明内容
本发明的目的在于提供基于隐马尔科夫模型的地图匹配算法，以解决上述背景技术中提出的问题。所述基于隐马尔科夫模型的地图匹配算法具有部署方便，可扩展性强；匹配计算用时少，匹配效率高；占用机器性能少；匹配精度高；可与其他系统无缝衔接的特点。
为实现上述目的，本发明提供如下技术方案：
基于隐马尔科夫模型的地图匹配算法，该算法包括以下几个步骤：
(1)根据一份电子地图数据，将电子地图数据信息导入地图并生成网格矩阵；(2)对需要匹配的GPS组进行排序、学习和分类；
(3)利用GPS点组初始化该匹配的隐马尔科夫概率矩阵；
(4)以当前路段序列为候选点，进行迭代和寻优，寻找到最优的路段序列。
进一步的，隐马尔科夫概率矩阵包括建立一个实际状态和一个观测状态，其中：观测状态为设备采集得到的GPS坐标，以GPS点为中心，以指定或动态半径画圆，圆内所有道路在做一条垂线，垂线和道路的交点就是可能的实际位置，利用K-nearest最近邻方式可以估计出若干个可能的实际状态，和一个真正的观测状态，求出车辆的轨迹序列S。
进一步的，电子地图数据为POSTGIS数据库以及库表信息，读取到之后将对应数据保存成.bmap格式，方便下一次快速读取数据；网格矩阵是对电子地图网格化，同时对加载进内存的电子地图数据分块。
进一步的，GPS组排序首先按照传递过来每一个点的GPS时间进行排序，其次将数据进行格式化，并且使用前不定数量的点来进行初始候选点的生成，对道路的最大速度和时间进行计算，去除一些在间隔时间内使用最大道路速度也无法经过的点，确认为GPS误差，当绝对误差GPS点都被排除，同时按照时间顺序对点进行格式化之后，算法将会首先利用K-nearest，即K最近邻算法来对那些没有正好在道路上的GPS进行计算，按照K最近邻算法，这个GPS坐标点可以匹配到三个点，这三个点都会作为机器学习算法的候选点，等待进行下一轮迭代。
进一步的，车辆的轨迹序列S包括以下步骤：(a1)针对S中的每一个观测点si，估计si对应的实际位置集合Ni，这样就得到了实际状态集合和观测状态集合；(a2)估计生成概率，在Ni中的每一个点和si之间；(a3)估计转移概率，在Ni中的每个点和Ni+1的每个点之间；(a4)求解序列S对应的最可能的实际位置序列，这个实际位置序列就是匹配后的路径。
进一步的，根据观测点和对应的实际位置的具体位置和下一个需要计算的点的实际位置，来推测他的状态转移矩阵A：dt＝|||ot-ot+1||great circle-||ri-rj||route|；同时把所有计算出来的候选点和观测到的点进行计算，可以得到观测到的点实际位置在候选点中的概率矩阵B：bj(k)＝P
进一步的，利用Viterbi算法，针对于得到的每一个状态，最可能的路径被称为部分最优路径，通过计算出来t-1时刻的部分最优路径，然后利用这部分路径，计算出来t时刻的部分最优路径；以此类推，可以直到最后一个时刻也就是即计算的终点，得出出来全局最优路径，得到最终轨迹的匹配结果。
与现有技术相比，本发明的有益效果是：
1、部署方便，可扩展性强
本发明技术可以部署至一台或多台机器，同时多台机器之间可以共用同一套计算结果和地图数据，也可以随时分拆。可以将多个地图匹配序列集中到一台机器，也可以将一条非常多的匹配序列分拆到多台机器上。同时可以热扩容或减少机器节点，方便进行多种计算操作
2、匹配计算用时少，匹配效率高
相对于当前所存在或使用的地图匹配技术，本专利方案效率高，速度快。例如一条2000个GPS点的车辆轨迹数据，输入本系统计算匹配，历时6873ms。输入网上其他基于ArcGIS的GPS数据地图匹配系统，历时26117ms。效率和速度提升接近4倍。
3、占用机器性能少
本专利方案会将所有地图数据存入内存，其余运算基本不会大规模使用内存。在系统完全启动后，按照加载湖南省地图数据为例。本系统共占用内存433M,其他给予ArcGis的系统占用内存996M。将2000个GPS点输入地图匹配系统，本专利系统峰值占用内存603M，其他系统峰值占用内存2194M。
4、匹配精度高
使用长沙市市内一公交线路某日数据进行对比，共计6000+个GPS定位点。输入本专利系统后，共计返回26177个匹配道路点，输入其他系统后，共计返回11443个点。经过对比后发现其他系统在侯家塘立交桥处匹配混乱，无法处理车辆的正确走向，无法判断上下桥等状态。本系统针对转盘，立交桥、单行道双行道等情况都做了处理，匹配效果良好。
5、可与其他系统无缝衔接
本专利系统可以采用两种方式进行接入。一种为单独开进程(CMD窗口)的方式，该方式无需和现有系统进行接入，只需要现有系统按照指定数据格式向指定端口发送数据即可返回结果。同时本专利系统也支持代码层面接入，可以直接点用本系统的方法来计算和得到GPS的地图匹配结果。相对于其他地图匹配系统来说接入方式较为灵活。
附图说明
图1为本发明电子地图网格化示意图。
图2为本发明按照K最近邻算法，GPS坐标点匹配到三个点示意图。
图3为标准马尔科夫链式传导过程示意图。
图4为隐马尔科夫链式传导过程示意图。
图5为本发明通过t-1时刻的部分最优路径，计算出来t时刻的部分最优路径示意图。
图6为本发明计算出全局最优路径示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-6，本发明提供技术方案：
本方案不基于传统使用最短路的地图匹配算法，而是基于隐马尔科夫模型和机器学习的新型综合算法。
算法核心包括四部分：
1.将电子地图信息导入地图并生成网格矩阵；
2.对需要匹配的GPS组进行排序、学习和分类；
3.利用GPS点组初始化该匹配的隐马尔科夫概率矩阵；
4.以当前路段序列为候选点，进行迭代和寻优，寻找到最优的路段序列。
根据一份电子地图数据(通常为POSTGIS数据库以及库表信息)，读取到之后将对应数据保存成.bmap格式，方便下一次快速读取数据。如图1，将一份电子地图网格化。这一步操作同时对加载进内存的电子地图数据进行了分块，可以有效的加速匹配的效率和速度。
其次，需要先对需要计算的GPS进行排序，排序有两个方面，首先按照传递过来每一个点的GPS时间进行排序，这样可以有效的避免道路的重复折绕。其次将数据进行格式化，并且使用前不定数量的点来进行初始候选点的生成，在这一步中会对道路的最大速度和时间进行计算，可以通过计算去除一些在间隔时间内使用最大道路速度也无法经过的点，这些点可以确认为GPS误差。
当所有的绝对误差GPS点都被排除，同时按照时间顺序对点进行格式化之后，算法将会首先利用KNN(K-nearest)，即K最近邻算法来对那些没有正好在道路上的GPS进行计算。
如图2所示，A点为GPS实际位置，按照K最近邻算法，这个GPS坐标点可以匹配到三个点。那么这三个点都会作为机器学习算法的候选点。等待进行下一轮迭代。
如图3是一个标准马尔科夫链式传导过程。当前状态是多云，那么明天状态是雨天的概率是0.5，是晴天的概率是0.4，明天还是多云的概率是0.1，同理从雨天和晴天推导也一样。但是当实际状态并不是直接可以得到的，但是是可以推导出来的，只能观测到若干可观测状态，且每个实际状态有一定概率可以对应到可观测状态，这就叫隐马尔科夫链。
如图4，是一个隐马尔科夫链式传导过程。人们也许只能观测到好天气、坏天气这两种状态，想要推导出来是雨天、晴天、还是多云都有一个对应的概率。
那么如何把隐马尔科夫链应用到地图匹配中？
相对于模型来说，需要有一个实际状态和一个观测状态，并且可以通过观测状态推导出来实际状态。那么通过各种设备采集得到的GPS坐标就是观测状态，想要推导出来的实际状态就是车辆的实际位置。那么首先就需要根据GIS运算来猜测实际位置，因为所有的模型和判断都需要车辆在道路上，所以以GPS点为中心，以指定或动态半径画圆。园内所有道路在做一条垂线，垂线和道路的交点就是可能的实际位置，也就是隐马尔科夫链的实际位置。利用K-nearest最近邻方式可以估计出若干个可能的实际状态，和一个真正的观测状态。完成了初始点的估计，就可以进行隐马尔科夫状态转移。也就是求出来车辆的轨迹序列S。
1.针对S中的每一个观测点si(观测状态),估计si对应的实际位置(实际状态)集合Ni，这样就得到了实际状态集合和观测状态集合。
2.估计生成概率，在Ni中的每一个点和si之间。
3.估计转移概率，在Ni中的每个点和Ni+1的每个点之间。到现在为止，就有了一个隐马尔科夫模型所需的所有要素。
4.解决前面提到的HMM(隐马尔科夫链)相关问题，即求解序列S对应的最可能的实际位置序列，这个实际位置序列就是匹配后的路径。但是相对来说我们不可能知道实际的产生概率和转移概率，只能通过一些GIS操作去近似的估计。所以就需要用到一个算法
状态转移矩阵A：dt＝|||ot-ot+1||great circle-||ri-rj||route|
概率矩阵B：
根据前面两个点的具体位置和下一个需要计算的点的实际位置，来推测他的状态转移矩阵。同时把所有计算出来的候选点和观测到的点进行计算，可以得到观测到的点实际位置在候选点中的概率矩阵。
经过算法的计算之后我们可以得到数量不等的点的个数。那么我们怎么确定从近似的几个点中抽取那一个点？这有需要用的另外一个算法Viterbi算法。该算法的思路类似于动态规划，是一种递进式算法，针对于我们得到的每一个状态，最可能的路径被称为部分最优路径，这个路径不一定是一个全局最优的路径。如图5-6，我们可计算出来t-1时刻的部分最优路径，然后利用这部分路径，可以计算出来t时刻的部分最优路径。以此类推，可以直到最后一个时刻也就是我们计算的终点。这就计算出来了全局最优路径。得到最终轨迹的匹配结果。
本发明技术可以部署至一台或多台机器，同时多台机器之间可以共用同一套计算结果和地图数据，也可以随时分拆。可以将多个地图匹配序列集中到一台机器，也可以将一条非常多的匹配序列分拆到多台机器上。同时可以热扩容或减少机器节点，方便进行多种计算操作
2、匹配计算用时少，匹配效率高
相对于当前所存在或使用的地图匹配技术，本专利方案效率高，速度快。例如一条2000个GPS点的车辆轨迹数据，输入本系统计算匹配，历时6873ms。输入网上其他基于ArcGIS的GPS数据地图匹配系统，历时26117ms。效率和速度提升接近4倍。
3、占用机器性能少
本专利方案会将所有地图数据存入内存，其余运算基本不会大规模使用内存。在系统完全启动后，按照加载湖南省地图数据为例。本系统共占用内存433M,其他给予ArcGis的系统占用内存996M。将2000个GPS点输入地图匹配系统，本专利系统峰值占用内存603M，其他系统峰值占用内存2194M。
4、匹配精度高
使用长沙市市内一公交线路某日数据进行对比，共计6000+个GPS定位点。输入本专利系统后，共计返回26177个匹配道路点，输入其他系统后，共计返回11443个点。经过对比后发现其他系统在侯家塘立交桥处匹配混乱，无法处理车辆的正确走向，无法判断上下桥等状态。本系统针对转盘，立交桥、单行道双行道等情况都做了处理，匹配效果良好。
5、可与其他系统无缝衔接
本专利系统可以采用两种方式进行接入。一种为单独开进程(CMD窗口)的方式，该方式无需和现有系统进行接入，只需要现有系统按照指定数据格式向指定端口发送数据即可返回结果。同时本专利系统也支持代码层面接入，可以直接点用本系统的方法来计算和得到GPS的地图匹配结果。相对于其他地图匹配系统来说接入方式较为灵活。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.基于隐马尔科夫模型的地图匹配算法，其特征在于，该算法包括以下几个步骤：
(1)根据一份电子地图数据，将电子地图数据信息导入地图并生成网格矩阵；
(2)对需要匹配的GPS组进行排序、学习和分类；
(3)利用GPS点组初始化该匹配的隐马尔科夫概率矩阵；
(4)以当前路段序列为候选点，进行迭代和寻优，寻找到最优的路段序列。
2.根据权利要求1所述的基于隐马尔科夫模型的地图匹配算法，其特征在于：隐马尔科夫概率矩阵包括建立一个实际状态和一个观测状态，其中：观测状态为设备采集得到的GPS坐标，以GPS点为中心，以指定或动态半径画圆，圆内所有道路在做一条垂线，垂线和道路的交点就是可能的实际位置，利用K-nearest最近邻方式可以估计出若干个可能的实际状态，和一个真正的观测状态，求出车辆的轨迹序列S。
3.根据权利要求1所述的基于隐马尔科夫模型的地图匹配算法，其特征在于：电子地图数据为POSTGIS数据库以及库表信息，读取到之后将对应数据保存成.bmap格式，方便下一次快速读取数据；网格矩阵是对电子地图网格化，同时对加载进内存的电子地图数据分块。
4.根据权利要求1所述的基于隐马尔科夫模型的地图匹配算法，其特征在于：GPS组排序首先按照传递过来每一个点的GPS时间进行排序，其次将数据进行格式化，并且使用前不定数量的点来进行初始候选点的生成，对道路的最大速度和时间进行计算，去除一些在间隔时间内使用最大道路速度也无法经过的点，确认为GPS误差，当绝对误差GPS点都被排除，同时按照时间顺序对点进行格式化之后，算法将会首先利用K-nearest，即K最近邻算法来对那些没有正好在道路上的GPS进行计算，按照K最近邻算法，这个GPS坐标点可以匹配到三个点，这三个点都会作为机器学习算法的候选点，等待进行下一轮迭代。
5.根据权利要求2所述的基于隐马尔科夫模型的地图匹配算法，其特征在于：车辆的轨迹序列S包括以下步骤：(a1)针对S中的每一个观测点si，估计si对应的实际位置集合Ni，这样就得到了实际状态集合和观测状态集合；(a2)估计生成概率，在Ni中的每一个点和si之间；(a3)估计转移概率，在Ni中的每个点和Ni+1的每个点之间；(a4)求解序列S对应的最可能的实际位置序列，这个实际位置序列就是匹配后的路径。
6.根据权利要求5所述的基于隐马尔科夫模型的地图匹配算法，其特征在于：根据观测点和对应的实际位置的具体位置和下一个需要计算的点的实际位置，来推测他的状态转移矩阵A：dt＝|||ot-ot+1||greatcircle-||ri-rj||route|；同时把所有计算出来的候选点和观测到的点进行计算，可以得到观测到的点实际位置在候选点中的概率矩阵B： 。
7.根据权利要求6所述的基于隐马尔科夫模型的地图匹配算法，其特征在于：利用Viterbi算法，针对于得到的每一个状态，最可能的路径被称为部分最优路径，通过计算出来t-1时刻的部分最优路径，然后利用这部分路径，计算出来t时刻的部分最优路径；以此类推，可以直到最后一个时刻也就是即计算的终点，得出出来全局最优路径，得到最终轨迹的匹配结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810681574.8A CN109059939A (zh) | 2018-06-27 | 2018-06-27 | 基于隐马尔科夫模型的地图匹配算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810681574.8A CN109059939A (zh) | 2018-06-27 | 2018-06-27 | 基于隐马尔科夫模型的地图匹配算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109059939A true CN109059939A (zh) | 2018-12-21 |
Family
ID=64818011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810681574.8A Pending CN109059939A (zh) | 2018-06-27 | 2018-06-27 | 基于隐马尔科夫模型的地图匹配算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109059939A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109974718A (zh) * | 2019-04-09 | 2019-07-05 | 百度在线网络技术（北京）有限公司 | 地图匹配方法、装置、设备和介质 |
| CN110011719A (zh) * | 2019-03-05 | 2019-07-12 | 上海卫星工程研究所 | 一种利用gps定轨数据的星上轨道获取控制方法 |
| CN110411450A (zh) * | 2019-07-29 | 2019-11-05 | 北京航空航天大学 | 一种用于压缩轨迹的地图匹配方法 |
| 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 |
| CN110631594A (zh) * | 2019-10-24 | 2019-12-31 | 成都大成均图科技有限公司 | 基于复杂轨迹网络划分模型的离线地图匹配方法和系统 |
| CN111811542A (zh) * | 2020-08-07 | 2020-10-23 | 中国矿业大学(北京) | 一种基于轨迹数据的寻路性能分布计算方法及系统 |
| CN112381906A (zh) * | 2020-10-13 | 2021-02-19 | 厦门市交通研究中心 | 一种公交模型基础线网自动绘制方法 |
| CN113723715A (zh) * | 2021-11-01 | 2021-11-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 公交线网自动匹配道路网络方法、系统、设备及存储介质 |
| CN114088101A (zh) * | 2022-01-14 | 2022-02-25 | 华清科盛(北京)信息技术有限公司 | 基于隐马尔可夫模型的已匹配定位点的矫正方法 |
| CN114993325A (zh) * | 2022-02-28 | 2022-09-02 | 浙江吉利控股集团有限公司 | 一种车辆gps地图道路匹配方法、装置及存储介质 |
| CN116383678A (zh) * | 2022-12-05 | 2023-07-04 | 吉林大学 | 一种营运客车异常变速行为常发性路段识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102929281A (zh) * | 2012-11-05 | 2013-02-13 | 西南科技大学 | 一种不完全感知环境下的机器人kNN路径规划方法 |
| 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 |
| US20170314938A1 (en) * | 2014-10-28 | 2017-11-02 | National University Of Singapore | Method and device for real-time error-bounded and delay-bounded map matching |
| CN107742126A (zh) * | 2017-09-26 | 2018-02-27 | 南京航空航天大学 | 一种基于隐马尔可夫模型的浮动车地图匹配方法 |
-
2018
- 2018-06-27 CN CN201810681574.8A patent/CN109059939A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102929281A (zh) * | 2012-11-05 | 2013-02-13 | 西南科技大学 | 一种不完全感知环境下的机器人kNN路径规划方法 |
| US20170314938A1 (en) * | 2014-10-28 | 2017-11-02 | 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 |
| CN107742126A (zh) * | 2017-09-26 | 2018-02-27 | 南京航空航天大学 | 一种基于隐马尔可夫模型的浮动车地图匹配方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孟凡林: "基于浮动车大数据的城市交通拥堵自动辨识与可视化系统", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技Ⅱ辑》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110011719A (zh) * | 2019-03-05 | 2019-07-12 | 上海卫星工程研究所 | 一种利用gps定轨数据的星上轨道获取控制方法 |
| CN110011719B (zh) * | 2019-03-05 | 2020-05-29 | 上海卫星工程研究所 | 一种利用gps定轨数据的星上轨道获取控制方法 |
| CN109974718A (zh) * | 2019-04-09 | 2019-07-05 | 百度在线网络技术（北京）有限公司 | 地图匹配方法、装置、设备和介质 |
| CN110411450A (zh) * | 2019-07-29 | 2019-11-05 | 北京航空航天大学 | 一种用于压缩轨迹的地图匹配方法 |
| CN110411450B (zh) * | 2019-07-29 | 2021-04-16 | 北京航空航天大学 | 一种用于压缩轨迹的地图匹配方法 |
| 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 |
| CN110631594B (zh) * | 2019-10-24 | 2021-03-26 | 成都大成均图科技有限公司 | 基于复杂轨迹网络划分模型的离线地图匹配方法和系统 |
| CN110631594A (zh) * | 2019-10-24 | 2019-12-31 | 成都大成均图科技有限公司 | 基于复杂轨迹网络划分模型的离线地图匹配方法和系统 |
| CN111811542A (zh) * | 2020-08-07 | 2020-10-23 | 中国矿业大学(北京) | 一种基于轨迹数据的寻路性能分布计算方法及系统 |
| CN111811542B (zh) * | 2020-08-07 | 2021-08-06 | 中国矿业大学(北京) | 一种基于轨迹数据的寻路性能分布计算方法及系统 |
| CN112381906A (zh) * | 2020-10-13 | 2021-02-19 | 厦门市交通研究中心 | 一种公交模型基础线网自动绘制方法 |
| CN112381906B (zh) * | 2020-10-13 | 2023-04-07 | 厦门市国土空间和交通研究中心(厦门规划展览馆) | 一种公交模型基础线网自动绘制方法 |
| CN113723715A (zh) * | 2021-11-01 | 2021-11-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 公交线网自动匹配道路网络方法、系统、设备及存储介质 |
| CN114088101A (zh) * | 2022-01-14 | 2022-02-25 | 华清科盛(北京)信息技术有限公司 | 基于隐马尔可夫模型的已匹配定位点的矫正方法 |
| CN114088101B (zh) * | 2022-01-14 | 2022-06-10 | 华清科盛(北京)信息技术有限公司 | 基于隐马尔可夫模型的已匹配定位点的矫正方法 |
| CN114993325A (zh) * | 2022-02-28 | 2022-09-02 | 浙江吉利控股集团有限公司 | 一种车辆gps地图道路匹配方法、装置及存储介质 |
| CN116383678A (zh) * | 2022-12-05 | 2023-07-04 | 吉林大学 | 一种营运客车异常变速行为常发性路段识别方法 |
| CN116383678B (zh) * | 2022-12-05 | 2024-05-03 | 吉林大学 | 一种营运客车异常变速行为常发性路段识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109059939A (zh) | 基于隐马尔科夫模型的地图匹配算法 | |
| CN109405839B (zh) | 一种基于多路径的交通网络离线地图匹配算法 | |
| CN105203116B (zh) | 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 | |
| US9482539B2 (en) | Probabilistic map matching from a plurality of observational and contextual factors | |
| CN105091889A (zh) | 一种热点路径的确定方法及设备 | |
| CN113447033B (zh) | 一种车道级地图匹配方法及系统 | |
| CN107195180B (zh) | 一种基于电警数据的交通出行轨迹提取方法和装置 | |
| 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 | |
| CN113191550B (zh) | 地图匹配方法及装置 | |
| CN111856521B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN110736471B (zh) | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 | |
| CN105674995A (zh) | 一种基于用户出行轨迹获取通勤路线的方法及装置 | |
| CN113029180A (zh) | 一种交通限制识别方法、装置、电子设备及存储介质 | |
| CN108253976A (zh) | 一种充分借助车辆航向的三阶段在线地图匹配算法 | |
| Blazquez et al. | Simple map-matching algorithm applied to intelligent winter maintenance vehicle data | |
| JP2010267000A (ja) | 経路推定装置、経路推定方法、およびプログラム | |
| US20240302172A1 (en) | Efficient map matching method for global positioning system (gps) trajectory | |
| CN104034337B (zh) | 一种浮动车地理位置点的地图匹配方法及装置 | |
| CN115265555A (zh) | 基于隐马尔科夫的多噪声感知的地图匹配校正方法及系统 | |
| Rahmani et al. | Path inference of low-frequency GPS probes for urban networks | |
| Wu et al. | A heuristic map-matching algorithm by using vector-based recognition | |
| Xi et al. | Map matching algorithm and its application | |
| CN117119586A (zh) | 一种基于uwb和imu室内定位融合算法 | |
| CN114663992B (zh) | 一种多源数据融合高速公路门架定位方法 | |
| CN112201041B (zh) | 融合电警数据和抽样轨迹数据的干道路径流量估计方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |