CN109270563A - 一种基于增强型隐马尔可夫模型的地图匹配方法 - Google Patents
一种基于增强型隐马尔可夫模型的地图匹配方法 Download PDFInfo
- Publication number
- CN109270563A CN109270563A CN201811189092.7A CN201811189092A CN109270563A CN 109270563 A CN109270563 A CN 109270563A CN 201811189092 A CN201811189092 A CN 201811189092A CN 109270563 A CN109270563 A CN 109270563A
- Authority
- CN
- China
- Prior art keywords
- probability
- confidence
- candidate
- map
- observation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000007704 transition Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 230000008439 repair process Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 abstract description 4
- 238000004904 shortening Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004919 topotaxy Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/03—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明提供一种基于增强型隐马尔可夫模型的地图匹配方法,以解决现有的地图匹配方法存在无法保证匹配结果的准确性及有效降低运行时间的技术问题。通过引入交通规则,能够有效地降低浮动车轨迹点在逆行路段上的误匹配率;提高轨迹点在复杂路段上的匹配准确度;缩短轨迹点的匹配时间,有效降低匹配过程的总体运行时间;实现匹配误差的自行校正;可为后期的基于浮动车数据的应用提供准确的轨迹点纠偏数据。
Description
技术领域
本发明属于地图匹配技术领域,尤其涉及一种基于增强型隐马尔可夫模型的地图匹配方法。
背景技术
车辆位置在辅助驾驶、路线导航、车辆监控及调度、交通管理等方面是一个关键的地理要素。为了实时获取位置数据及辅助信息,浮动车技术被广泛应用,基于浮动车技术收集到的车辆信息被称为浮动车数据(FCD,Floating Car Data)。根据FCD,车辆位置可以被标记至数字地图上。然而,FCD是一个粗数据,由于卫星定位存在测量误差以及FCD存在采样误差,致使FCD的精度具有很大不确定性。另外,数字地图本身也存在一定的误差。这使得浮动车位置并不能准确地显示在数字地图的相应道路上。
为了解上述技术问题,相关科研技术人员从数据处理层面提出并设计了地图匹配方法。在现有的地图匹配方法中,基于隐马尔科夫模型构建了许多应用较广的地图匹配方法,如Lou模型、Newson模型、Goh模型以及Jagadeesh模型等。然而这些方法存在显著不足:首先,这些方法没有关注交通规则问题,这会导致匹配后的轨迹点出现在逆行路段上;其次,这些方法在估算下一时刻状态时,仅依靠当前状态,而不能利用历史数据,这会导致轨迹点在复杂路段具有较高的误匹配率;最后这些方法多使用隐式拓扑表达,即采用最短路径算法,这会显著增加轨迹点匹配的运行时间。
发明内容
有鉴于此,本发明提供一种基于增强型隐马尔可夫模型的地图匹配方法,以解决现有的地图匹配方法存在无法保证匹配结果的准确性及有效降低运行时间的技术问题。
本发明采用如下技术方案:
在一些可选的实施例中,提供一种基于增强型隐马尔可夫模型的地图匹配方法,包括:
以第二个观测点为中心,以动态候选半径为缓冲区距创建点缓冲区,并且自第二个观测点开始,落入所述点缓冲区内部的路段构成候选要素集合;
判断所述候选要素集合是否有效;
若是所述候选要素集合有效,则分别计算当前观测点相对候选要素的观测概率和置信要素到候选要素的转移概率。
在一些可选的实施例中,该方法之前还包括:将轨迹数据按采集时间顺序进行升序排序,修补位置及航向角属性缺失数据并去除无效的轨迹数据,以获取观测点;所述轨迹数据包括:浮动车数据及位置数据。
在一些可选的实施例中,所述修补位置及航向角属性缺失数据的过程为当采样间隔小于30s时,按照线性插值法修补位置及航向角属性缺失数据;所述无效的轨迹数据是指超过30s的属性缺失数据。
在一些可选的实施例中,所述的一种基于增强型隐马尔可夫模型的地图匹配方法,还包括:依据观测概率计算第一个观测点的最佳匹配路段,并根据观测概率最大者返回置信列表;所述观测概率包括:距离约束概率、航向约束概率及交通规则约束概率,且所述观测概率为所述距离约束概率、航向约束概率及交通规则约束概率的概率积;所述置信列表包括:置信要素列表及置信点列表。
在一些可选的实施例中,所述动态候选半径为前后观测点时间差与平均车速的乘积;当所述轨迹数据的速度项缺失时,可将速度设定为经验常数10m/s,同时使得所述动态候选半径的最小值不小于50m,最大值不超过1500m。
在一些可选的实施例中,判断所述候选要素集合是否有效的过程包括:判断所述置信要素列表中的最后一个要素是否在所述候选要素集合中,如果在则表明当前构建的候选要素集合有效,否则无效。
在一些可选的实施例中,所述转移概率包括:拓扑约束概率、方位约束概率和形状约束概率,且所述转移概率为所述拓扑约束概率、方位约束概率及形状约束概率的概率积。
在一些可选的实施例中,所述的一种基于增强型隐马尔可夫模型的地图匹配方法,还包括:依据当前观测点的观测概率及转移概率,并根据维特比算法估算当前观测点的置信要素和置信点,并将估算出的置信要素和置信点追加至所述置信列表中。
在一些可选的实施例中,所述的一种基于增强型隐马尔可夫模型的地图匹配方法,还包括:当所有观测点被处理后,将最终的置信列表输出,即作为最终的匹配路段和匹配点。
本发明所带来的有益效果:通过引入交通规则,能够有效地降低浮动车轨迹点在逆行路段上的误匹配率;提高轨迹点在复杂路段上的匹配准确度;缩短轨迹点的匹配时间,有效降低匹配过程的总体运行时间;实现匹配误差的自行校正;可为后期的基于浮动车数据的应用提供准确的轨迹点纠偏数据。
为了上述以及相关的目的,一个或多个实施例包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明某些示例性方面,并且其指示的仅仅是各个实施例的原则可以利用的各种方式中的一些方式。其它的益处和新颖性特征将随着下面的详细说明结合附图考虑而变得明显,所公开的实施例是要包括所有这些方面以及它们的等同。
附图说明
图1是本发明基于增强型隐马尔可夫模型的地图匹配方法的流程示意图;
图2是本发明双向时轨迹点的航向和路段的通行方向关系图;
图3是本发明单向时轨迹点的航向和路段的通行方向关系图;
图4是本发明轨迹点和相应候选点的形状关系图;
图5是本发明和现有匹配方法在不同采样间隔上的匹配准确率对比图;
图6是本发明和现有匹配方法在不同采样间隔上的匹配效率对比图;
图7是本发明进行地图匹配的实际效果图。
具体实施方式
以下描述和附图充分地展示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围,以及权利要求书的所有可获得的等同物。
在一些说明性的实施例中,如图1所示,提供一种基于增强型隐马尔可夫模型的地图匹配方法,包括:
101:轨迹数据预处理。
具体为,将轨迹数据按采集时间顺序进行升序排序,对位置及航向角属性缺失数据进行修补,并去除无效的轨迹数据,经轨迹数据预处理后得到的轨迹点称为观测点。
其中,轨迹数据包括:FCD及位置数据。位置数据是指采用载有卫星导航定位模块的智能设备采集的数据,卫星导航定位模块可为GPS或BDS,智能设备可为智能手机,但并不仅限于此。
步骤101中,对位置及航向角属性缺失数据进行修补的过程为当采样间隔小于30s时,按照线性插值法修补位置及航向角属性缺失数据;无效的轨迹数据是指超过30s的属性缺失数据。
位置数据的属性信息包括:时间戳、经度、纬度、航向角和速度,因此只要包含这五项属性的位置数据均适用于步骤101的处理范围,其中速度为可选项。
102:初始化。
依据观测概率计算第一个观测点的最佳匹配路段,并根据观测概率最大者返回置信列表,置信列表包括:置信要素列表及置信点列表。
观测概率包括:距离约束概率、航向约束概率及交通规则约束概率,且观测概率为距离约束概率Pdis、航向约束概率Paci及交通规则约束概率Ptraf的概率积Pobs,如下式:
Pobs=Pdis·Pazi·Ptraf。
距离约束概率Pdis由观测点与候选要素的最小距离构建的指数函数,计算方法如下:
Pdis=exp(-βdis·dis);
式中,Pdis为距离约束概率,βdis为调整系数,dis为观测点与候选点的球面距离。
航向约束概率Paci为由观测点的航向角与路段的方位角的角度差构建的余弦绝对值函数,计算方法如下:
Pazi=|cos(αobs-αcandi)|;
式中,Pazi为航向约束概率,αobs为观测点的航向角,αcandi为候选要素的方位角。
交通规则约束概率Ptraf为由观测点的航向角与路段的通行方向构成的二值函数,计算过程如下:
δdir=|min(|αdir1-αobs|,|αdir2-αobs|)-180|);
式中,Ptraf为交通规则约束概率,δ0为方位角阈值,αdir1和αdir2为路段通行方向,αobs为观测点的航向角,如图2和3所示。
步骤102提供的观测概率计算方法,充分利用了距离和航向角信息,通过引入交通规则,可有效降低轨迹点在逆行路段上的误匹配率。
103:识别候选要素。
以第二个观测点为中心,以动态候选半径为缓冲区距创建点缓冲区,并且自第二个观测点开始,落入所述点缓冲区内部的路段构成候选要素集合,创建候选要素集合后计算出当前观测点的最佳匹配路段。
候选要素集合是指所有落入点缓冲区的路段的集合,候选路段相比点缓冲区外面的路段更有可能成为最佳匹配路段,候选要素集合会保留原始路段的几何拓扑关系和属性,根据候选要素集合,再从中筛选最佳匹配路段。
每个观测点都要计算出最佳匹配路段,但在计算前为了降低计算量或提高计算效率,即剔除无效计算,所以自第二个观测点开始,首先创建一个候选要素集合。
步骤103中,动态候选半径为采样间隔与相应平均车速的乘积;当轨迹数据的速度项缺失时,可将速度设定为经验常数10m/s,同时使得动态候选半径的最小值不小于50m,最大值不超过1500m。
步骤103提供的基于动态候选半径的候选要素筛选方法,可最大程度保证置信要素和候选要素的空间拓扑关系,同时减少无效候选要素的数量,从而降低该方法的总体匹配时间。
104:判断候选要素集合是否有效。具体为,判断置信要素列表中的最后一个要素是否在候选要素集合中,如果在则表明当前构建的候选要素集合有效,否则无效。若是候选要素集合有效,则进行步骤105,否则进行步骤102的初始化过程,以此校正匹配误差。
步骤104提供的候选要素集合有效性判断,可使本发明有效避免匹配误差的累积,能够在一定程度上实现匹配误差的自行校正。
105:计算匹配概率。具体为,分别计算当前观测点相对候选要素的观测概率和置信要素到候选要素的转移概率。
步骤105中,计算当前观测点相对候选要素的观测概率与步骤102中的一致。
步骤105中,置信要素到候选要素的转移概率包括:拓扑约束概率、方位约束概率和及形状约束概率,且转移概率为所述拓扑约束概率Ptopo、方位约束概率Pasp及形状约束概率Pshp的概率积Ptrans,如下式:
Ptrans=Ptopo·Pasp·Pshp。
拓扑约束概率Ptopo为由置信要素和候选要素的空间拓扑关系,即相邻关系、同一路段和其他关系构成的指数函数,计算过程如下:
Ptopo=exp(-r);
式中,Ptopo为拓扑约束概率,fea1为置信要素,fea2为候选要素。
方位约束概率Pasp为由观测点的航向角与路段的相对方位角的角度差的绝对值构成的指数函数,计算方法表示如下:
Pasp=exp(-βasp·|αobs-αcandi|);
式中,Pasp为方位约束概率,βasp为调整系数,αobs为观测点的航向角,αcandi为候选要素的相对方位角。
形状约束概率Pshp为由观测点集合和相应候选点集合的夹角余弦构成的指数函数,计算方法如下:
式中,Pshp为形状约束概率,βshp为调整系数,αi为前后观测点和相应候选点构成的向量夹角余弦,如图4所示,m为前推的轨迹点个数。
转移概率大部分情况下适用于非低频轨迹数据,因此,为兼容低频轨迹数据,还包括:对转移概率的修正过程,转移概率采用如下计算方法进行修正:
式中,βsp为调整系数,dis为相邻两观测点,或两候选点的最短路径距离。
步骤105提供的转移概率计算过程,充分考虑了待匹配点与路段的方位关系,相邻要素的空间拓扑关系,以及历史数据信息,也即观测点和候选点的形状比特征。
106:依据当前观测点相对候选要素的观测概率和置信要素到候选要素的转移概率,并根据维特比算法估算当前观测点的置信要素和置信点,并将估算出的置信要素和置信点追加至置信列表中。
根据观测概率和转移概率,可计算当前观测点的路段输出概率,如下:
式中,P(X)为当前观测点的路段输出概率,X为观测点对应的路段事件,n为观测点序号。
应用维特比算法,可估算最大可能的路段序列,然后将当前的最大可能路段作为置信要素追加到置信列表中,并将相应的候选点作为置信点也加入到置信列表中。
107:重复步骤103至步骤106,对所有观测点进行步骤103至步骤106的处理,将最终的置信列表输出,即作为最终的匹配路段和匹配点。其中,若是在步骤104中,判断结果若是候选要素集合无效,则步骤104执行后需返回步骤102,此时步骤107执行的过程是重复步骤102至步骤106,对所有观测点进行处理。
如图5和6所示,采用本发明的基于增强型隐马尔可夫模型的地图匹配方法与现有的地图匹配方法在不同采样间隔上的匹配性能对比,可见,本发明不仅在匹配准确率方面明显高于对比模型,且在匹配效率方面也占有优势。
如图7所示,采用本发明的基于增强型隐马尔可夫模型的地图匹配方法进行地图匹配,有效地降低浮动车轨迹点在逆行路段上的误匹配率,提高轨迹点在复杂路段上的匹配准确度。
本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。
Claims (9)
1.一种基于增强型隐马尔可夫模型的地图匹配方法,其特征在于,包括:
以第二个观测点为中心,以动态候选半径为缓冲区距创建点缓冲区,并且自第二个观测点开始,落入所述点缓冲区内部的路段构成候选要素集合;
判断所述候选要素集合是否有效;
若是所述候选要素集合有效,则分别计算当前观测点相对候选要素的观测概率和置信要素到候选要素的转移概率。
2.根据权利要求1所述的一种基于增强型隐马尔可夫模型的地图匹配方法,其特征在于,该方法之前还包括:
将轨迹数据按采集时间顺序进行升序排序,修补位置及航向角属性缺失数据并去除无效的轨迹数据,以获取观测点;
所述轨迹数据包括:浮动车数据及位置数据。
3.根据权利要求2所述的一种基于增强型隐马尔可夫模型的地图匹配方法,其特征在于,
所述修补位置及航向角属性缺失数据的过程为当采样间隔小于30s时,按照线性插值法修补位置及航向角属性缺失数据;
所述无效的轨迹数据是指超过30s的属性缺失数据。
4.根据权利要求2所述的一种基于增强型隐马尔可夫模型的地图匹配方法,其特征在于,还包括:
依据观测概率计算第一个观测点的最佳匹配路段,并根据观测概率最大者返回置信列表;
所述观测概率包括:距离约束概率、航向约束概率及交通规则约束概率,且所述观测概率为所述距离约束概率、航向约束概率及交通规则约束概率的概率积;
所述置信列表包括:置信要素列表及置信点列表。
5.根据权利要求4所述的一种基于增强型隐马尔可夫模型的地图匹配方法,其特征在于,所述动态候选半径为前后观测点时间差与平均车速的乘积;当所述轨迹数据的速度项缺失时,可将速度设定为经验常数10m/s,同时使得所述动态候选半径的最小值不小于50m,最大值不超过1500m。
6.根据权利要求5所述的一种基于增强型隐马尔可夫模型的地图匹配方法,其特征在于,判断所述候选要素集合是否有效的过程包括:
判断所述置信要素列表中的最后一个要素是否在所述候选要素集合中,如果在则表明当前构建的候选要素集合有效,否则无效。
7.根据权利要求6所述的一种基于增强型隐马尔可夫模型的地图匹配方法,其特征在于,所述转移概率包括:拓扑约束概率、方位约束概率和形状约束概率,且所述转移概率为所述拓扑约束概率、方位约束概率及形状约束概率的概率积。
8.根据权利要求7所述的一种基于增强型隐马尔可夫模型的地图匹配方法,其特征在于,还包括:
依据当前观测点的观测概率及转移概率,并根据维特比算法估算当前观测点的置信要素和置信点,并将估算出的置信要素和置信点追加至所述置信列表中。
9.根据权利要求8所述的一种基于增强型隐马尔可夫模型的地图匹配方法,其特征在于,还包括:当所有观测点被处理后,将最终的置信列表输出,即作为最终的匹配路段和匹配点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811189092.7A CN109270563A (zh) | 2018-10-12 | 2018-10-12 | 一种基于增强型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 |
---|---|---|---|
CN201811189092.7A CN109270563A (zh) | 2018-10-12 | 2018-10-12 | 一种基于增强型隐马尔可夫模型的地图匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109270563A true CN109270563A (zh) | 2019-01-25 |
Family
ID=65196497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811189092.7A Pending CN109270563A (zh) | 2018-10-12 | 2018-10-12 | 一种基于增强型隐马尔可夫模型的地图匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109270563A (zh) |
Cited By (5)
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 |
CN110174110A (zh) * | 2019-05-28 | 2019-08-27 | 北京百度网讯科技有限公司 | 地图对应的方法和装置、电子设备、计算机可读介质 |
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 |
CN112989223A (zh) * | 2021-03-22 | 2021-06-18 | 杭州电子科技大学 | 基于轨迹的修正与简化的电动自行车轨迹地图匹配方法 |
CN114394088A (zh) * | 2021-12-28 | 2022-04-26 | 北京易航远智科技有限公司 | 泊车循迹轨迹生成方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105091889A (zh) * | 2014-04-23 | 2015-11-25 | 华为技术有限公司 | 一种热点路径的确定方法及设备 |
CN105448108A (zh) * | 2015-12-30 | 2016-03-30 | 上海经达信息科技股份有限公司 | 一种基于隐马尔科夫路网匹配的超速判别方法 |
CN105444769A (zh) * | 2015-11-26 | 2016-03-30 | 北京百度网讯科技有限公司 | 地图匹配方法及装置 |
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
- 2018-10-12 CN CN201811189092.7A patent/CN109270563A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105091889A (zh) * | 2014-04-23 | 2015-11-25 | 华为技术有限公司 | 一种热点路径的确定方法及设备 |
CN105444769A (zh) * | 2015-11-26 | 2016-03-30 | 北京百度网讯科技有限公司 | 地图匹配方法及装置 |
CN105448108A (zh) * | 2015-12-30 | 2016-03-30 | 上海经达信息科技股份有限公司 | 一种基于隐马尔科夫路网匹配的超速判别方法 |
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 |
---|
MINGLIANG CHE等: "An Enhanced Hidden Markov Map Matching Model for Floating Car Data", 《SENSORS》 * |
Cited By (9)
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 |
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 |
CN110174110A (zh) * | 2019-05-28 | 2019-08-27 | 北京百度网讯科技有限公司 | 地图对应的方法和装置、电子设备、计算机可读介质 |
CN110174110B (zh) * | 2019-05-28 | 2021-05-14 | 北京百度网讯科技有限公司 | 地图对应的方法和装置、电子设备、计算机可读介质 |
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 |
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 |
CN112989223A (zh) * | 2021-03-22 | 2021-06-18 | 杭州电子科技大学 | 基于轨迹的修正与简化的电动自行车轨迹地图匹配方法 |
CN112989223B (zh) * | 2021-03-22 | 2022-03-01 | 杭州电子科技大学 | 基于轨迹的修正与简化的电动自行车轨迹地图匹配方法 |
CN114394088A (zh) * | 2021-12-28 | 2022-04-26 | 北京易航远智科技有限公司 | 泊车循迹轨迹生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109270563A (zh) | 一种基于增强型隐马尔可夫模型的地图匹配方法 | |
CN109241069B (zh) | 一种基于轨迹自适应聚类的路网快速更新的方法及系统 | |
EP3483555B1 (en) | Mapping system and method for identifying a parking lot from probe data | |
JP5833567B2 (ja) | デジタル地図におけるネットワーク生成のための時間および/または正確度に依存した重み | |
CN110095127B (zh) | 一种基于分段的隐马尔可夫模型地图匹配方法 | |
Bo et al. | Smartloc: Push the limit of the inertial sensor based metropolitan localization using smartphone | |
US20190360819A1 (en) | Method and apparatus for path based map matching | |
CN105606102B (zh) | 一种基于格网模型的pdr室内定位方法及系统 | |
CN107764274B (zh) | 一种判别车辆是否行驶在高架道路的方法 | |
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 | |
CN104330089A (zh) | 一种利用历史gps数据进行地图匹配的方法 | |
CN109059939A (zh) | 基于隐马尔科夫模型的地图匹配算法 | |
CN108171529A (zh) | 一种地址相似度评估方法 | |
US11353328B2 (en) | Navigation system, apparatus and method for associating a probe point with a road segment | |
Blazquez et al. | Simple map-matching algorithm applied to intelligent winter maintenance vehicle data | |
CN115265555B (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 | |
CN109101743A (zh) | 一种高精度路网模型的构建方法 | |
CN102168979B (zh) | 一种基于三角形约束模型的无源导航的等值线匹配方法 | |
Qiu et al. | Automatic extraction of road networks from GPS traces | |
Phuyal | Method and use of aggregated dead reckoning sensor and GPS data for map matching | |
Xi et al. | Map matching algorithm and its application | |
CN114663992B (zh) | 一种多源数据融合高速公路门架定位方法 | |
CN113686336B (zh) | 基于格网拓扑结构迭代最佳环域点提高水下导航精度方法 | |
US20230063809A1 (en) | Method for improving road topology through sequence estimation and anchor point detetection | |
CN113465613B (zh) | 一种城市轨道交通中隧道网络定位的地图匹配优化方法 |
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: 20190125 |