CN110285817A - 基于自适应d-s证据理论的复杂路网地图匹配方法 - Google Patents
基于自适应d-s证据理论的复杂路网地图匹配方法 Download PDFInfo
- Publication number
- CN110285817A CN110285817A CN201910627004.5A CN201910627004A CN110285817A CN 110285817 A CN110285817 A CN 110285817A CN 201910627004 A CN201910627004 A CN 201910627004A CN 110285817 A CN110285817 A CN 110285817A
- Authority
- CN
- China
- Prior art keywords
- road
- probability
- section
- evidence
- adaptive
- 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
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
Abstract
本发明针对现有D‑S证据理论地图匹配算法在面对城市密集路网时匹配点易出现波动、准确率下降等问题,公开了一种基于自适应D‑S证据理论的复杂路网地图匹配方法,通过对不同路段进行多场景实验,确定与之相对应的自适应权重参数,进而完善了候选路段概率公式。可针对不同道路类型自适应调整其权重参数,其定位点匹配准确率较其它算法有所提高,并且单点匹配时间减少,能高效快捷实现复杂城市路网的定位点精准匹配。具有科学合理,适用性强,准确率和实时性高等优点。
Description
技术领域
本发明涉及到地图匹配领域,具体涉及到一种基于自适应D-S证据理论的复杂路网地图匹配方法。
背景技术
随着嵌入有GPS的移动设备(例如,智能电话、个人导航设备)的普及,越来越多的应用(例如,路线规划者、交通流量分析、地理社交网络分析和自动驾驶汽车)根据这些设备收集的大量GPS轨迹数据提供基于位置的服务。然而,周围环境,尤其在城市,可能会影响GPS数据的产生并使数据不准确。由于这些GPS定位错误,可能存在如果直接使用这些轨迹数据则结果不准确的情况。因此,需要对这些轨迹数据进行处理,地图匹配就是将电子地图与描述移动对象移动的时间轨迹数据相结合的一种定位修正技术,被认为是许多应用的基本预处理步骤。常用地图匹配算法主要包括基于隐马尔可夫模型的地图匹配算法、基于D-S证据推理的地图匹配算法、基于曲线拟合的地图匹配算法以及基于拓扑约束的地图匹配算法等,其基本思想都是按照一定条件筛选候选道路,再通过具体判断规则得到最佳的匹配道路。但现有的算法各有优缺点,在复杂的城市路网中准确率都不高并且匹配时间上开销较大。因此,对地图匹配算法匹配准确率和匹配效率方面进行改进是本领域技术人员渴望解决,但至今尚未解决的技术难题。
发明内容
针对现有D-S证据理论地图匹配算法在面对城市密集路网时匹配点易出现波动、准确率下降以及匹配时间开销较大等问题,本发明的目的是,提出一种科学合理,适用性强,准确率和实时性高的基于自适应D-S证据理论的复杂路网地图匹配方法。
为实现上述目的所采用的技术方案是:一种基于自适应D-S证据理论的复杂路网地图匹配方法,其特征是,它包括以下步骤:
1)通过剔除经纬度或速度突变数据并插值补全缺失数据的插值法,对GPS数据进行预处理,并生成网格索引;
2)通过改进的误差公式确定以定位点为圆心,R为半径呈圆形的误差区域及其候选路段,误差区域是区域内以不固定概率包含车辆位置;所述误差区域是指根据定位数据信息来确定实际道路所在的大致区域,其中:σX是车辆定位信息经度的标准差,σY是车辆定位信息纬度的标准差,σXY是协方差;
3)定义距离的基本概率分配函数和方向的基本概率分配函数并进行改进的D-S证据融合;所述距离的基本概率分配函数是指根据最短距离的远近给定位点的所有候选路段分配不同的概率,因为某一定位点最有可能的真实位置就是在距离其最近的道路上,即最短距离越小,位置信息越可信;所述方向的基本概率分配函数是指根据车辆行进方向与所属道路方向夹角的大小给定位点的所有候选路段分配不同的概率;所述的候选路段概率公式是指对距离的基本概率分配函数和方向的基本概率分配函数进行合成,合成后的函数分为四部分:距离与方向证据下均匹配到道路Si的概率;仅距离证据下匹配到道路Si的概率;仅方向证据下匹配到道路Si的概率;距离与方向证据下均不能匹配到道路Si的概率,给每部分一个权重参数。
4)针对不同道路类型,通过仿真模拟实验确定其相应的最优权重参数;
5)根据融合结果选择概率最大值对应路段为匹配路段。
步骤1)所述网格索引是将整个电子地图划分为大小相等或不等的格网,预先算出每个网格中所包含或相交的路段,当进行查询时,首先计算出查询对象所在格网,然后再在该网格中快速查询所选网格所包含的候选路段;将整个电子地图划分为1000×1000个小矩形网格,每个网格区域为一个索引项,并分配一个存储区用以存储。
步骤2)所述候选路段是指所述误差区域内所包含的、或者与误差区域相切的路段。
对于步骤3)所述方向的基本概率分配函数在考虑方向时,将前一时刻定位点与当前定位点做连线从而判断车辆行进方向;将车辆行驶方向和道路方向分别与正北方向作夹角差,从而得出车辆行驶方向与道路方向的夹角,根据夹角的大小给每个候选路段Si一定的概率。
步骤3)所述候选路段概率公式合成后的函数分为四部分:距离与方向证据下均匹配到道路Si的概率;仅距离证据下匹配到道路Si的概率;仅方向证据下匹配到道路Si的概率;距离与方向证据下均不能匹配到道路Si的概率。给每部分一个权重参数。
步骤4)所述确定其相应的最优权重参数是依据车辆在城市复杂路网环境行驶过程中会遇到平行路段、交叉路段、立交桥路段,不同路段对于距离信息证据较可靠,还是方向信息证据较可靠的实际道路拓扑结构,选取相应的权重参数值以适应不同类型的道路。
步骤5)所述匹配路段,对每个真实GPS点对应的所有候选路段的概率进行排序,选取概率最大的候选路段作为该GPS点的匹配路段,即认为当前时刻车辆在该路段上。
针对现有D-S证据理论地图匹配算法在面对城市密集路网时匹配点易出现波动、准确率下降等问题,本发明提出了一种基于自适应D-S证据理论的复杂路网地图匹配方法,通过对不同路段进行多场景实验,确定与之相对应的自适应权重参数,进而完善了候选路段概率公式;可针对不同道路类型自适应调整其权重参数,其定位点匹配准确率较其它算法有所提高,并且单点匹配时间减少,能高效快捷实现复杂城市路网的定位点精准匹配。具有科学合理,适用性强,准确率和实时性高等优点。
附图说明
图1为本发明的一种基于自适应D-S证据理论的复杂路网地图匹配方法流程图;
图2为城市路网平行路段权重参数分析示意图;
图3为城市路网交叉路口路段权重参数分析示意图;
图4为城市路网立交桥路段权重参数分析示意图;
图5为不同算法匹配准确率示意图;
图6为各算法单点匹配时间示意图。
具体实施方式
下面利用附图和实施例对本发明作出进一步说明。
参照图1,本发明的一种基于自适应D-S证据理论的复杂路网地图匹配方法,包括以下步骤:
1)通过剔除经纬度或速度突变数据并插值补全缺失数据的插值法,对GPS数据进行预处理,并生成网格索引;所述网格索引是将整个电子地图划分为大小相等或不等的格网,预先算出每个网格中所包含或相交的路段,当进行查询时,首先计算出查询对象所在格网,然后再在该网格中快速查询所选网格所包含的候选路段;将整个电子地图划分为1000×1000个小矩形网格,每个网格区域为一个索引项,并分配一个存储区用以存储。
2)通过改进的误差公式确定以定位点为圆心,R为半径呈圆形的误差区域及其候选路段,误差区域是区域内以不固定概率包含车辆位置;所述误差区域是指根据定位数据信息来确定实际道路所在的大致区域,其中:σX是车辆定位信息经度的标准差,σY是车辆定位信息纬度的标准差,σXY是协方差;所述候选路段是指所述误差区域内所包含的、或者与误差区域相切的路段。
3)定义距离的基本概率分配函数和方向的基本概率分配函数并进行改进的D-S证据融合;所述距离的基本概率分配函数是指根据最短距离的远近给定位点的所有候选路段分配不同的概率,因为某一定位点最有可能的真实位置就是在距离其最近的道路上,即最短距离越小,位置信息越可信;距离的基本概率分配函数为:其中,di为GPS定位点到候选路段Si的最短距离;所述方向的基本概率分配函数是指根据车辆行进方向与所属道路方向夹角的大小给定位点的所有候选路段分配不同的概率。在考虑方向时,将前一时刻定位点与当前定位点做连线从而判断车辆行进方向,然后分别将车辆行驶方向和道路方向与正北方向做差,从而得出车辆行驶方向与道路方向的夹角,根据夹角的大小给每个候选路段Si一定的概率。方向的基本概率分配函数为其中:方向证据函数θi为车辆行驶方向与道路方向的夹角。所述的候选路段概率公式是指对距离的基本概率分配函数和方向的基本概率分配函数进行合成,合成后的函数分为四部分:距离与方向证据下均匹配到道路Si的概率;仅距离证据下匹配到道路Si的概率;仅方向证据下匹配到道路Si的概率;距离与方向证据下均不能匹配到道路Si的概率,给每部分一个权重参数。候选路段概率公式为:,其中ω0,ω1,ω2,ω3是权重参数,m1(Si)是距离的基本概率分配函数,m2(Si)是方向的基本概率分配函数,m(Si)是候选路段概率。
4)针对不同道路类型,通过仿真模拟实验确定其相应的最优权重参数;所述确定其相应的最优权重参数是依据车辆在城市复杂路网环境行驶过程中会遇到平行路段、交叉路段、立交桥路段,不同路段对于距离信息证据较可靠,还是方向信息证据较可靠的实际道路拓扑结构,选取相应的权重参数值以适应不同类型的道路。
5)根据融合结果选择概率最大值对应路段为匹配路段;所述匹配路段,对每个真实GPS点对应的所有候选路段的概率进行排序,选取概率最大的候选路段作为该GPS点的匹配路段,即认为当前时刻车辆在该路段上。
本发明的效果还可以通过以下实验进一步说明:
参照图2-图4,车辆在城市环境行驶的过程中会遇到平行路段、交叉路口以及立交桥等特殊路段,对于这些路段的处理是目前匹配算法面对的难点。一般考虑车辆轨迹曲线与路网路径的曲线相似性等约束条件,通过一系列规则实现地图匹配。本发明根据实际道路拓扑结构的特点,选取相应的权重参数值以适应不同类型的道路,权重参数值越大,表示其参考的价值越可靠。取值时考虑车辆定位点所处路网,分为“距离信息证据较可靠”与“方向信息证据较可靠”两种情况,因此本发明选取权重参数ω0=0.9、ω3=0.1。根据此思路,针对平行路段、交叉路口和立交桥等分口较多的路段进行仿真实验,得出权重的最优取值。平行路段是指有n条(n>=2)路段平行的道路,车辆的定位数据有可能连续落在n条道路之间。此时n条道路的方向角是相等的,方向信息的可靠性相对较弱,应当选取“距离信息较可靠”的取值方案。为了验证改进型地图匹配算法在平行路段的有效性,选取上述路网中一平行路段进行模拟实测验证。本发明用匹配正确的定位点数与获得的总定位点数的比值来衡量算法的准确率。仿真实验结果如图2所示,当权重参数ω1=0.9,ω2=0.8时准确率最高,为97.8%。当车辆驶入交叉路口时,定位点有可能在各条道路之间,由于道路之间的方向角相差较大,因此相对位置信息而言,方向信息的可靠性较强,应当选取“方向信息较可靠”的取值方案。为了验证改进型地图匹配算法在交叉路段的有效性,选取路网中一交叉路段进行进行模拟实测验证。仿真结果如图3,可以看出,在权重参数ω1=0.8,ω2=0.9时准确率最高,为96.5%。当车辆驶入立交桥等分口较多的路段时,是地图匹配中最为复杂的情况,此时GPS定位点有可能在n条较为密集的道路间,权重参数细微的变化将直接影响匹配结果。此种情况与交叉路口类似,因此相对位置证据而言,方向信息的可靠性较强,应当选取“方向信息较可靠”的取值方案。为了验证改进型地图匹配算法在立交桥路段的有效性,选取上述路网中一立交桥路段进行模拟实测验证。仿真结果如图4,当权重参数ω1=0.8,ω2=0.9时准确率最高,为96.8%。
参照图5,图5为直接投影算法、传统D-S证据理论算法、曲线拟合匹配算法和本发明算法四种不同地图匹配算法在相同条件下的各自匹配准确率仿真图。可以看出不论是在平行路段、交叉路段、立交桥路段,还是几种路段组合起来的混合路段,本发明提出的基于自适应D-S证据理论的复杂路网地图匹配方法都比其它现有技术在准确率上具有一定优势。
参照图6,图6为四种算法在不同候选区域的单点匹配时间仿真图。其中匹配时间为从获取定位点到确定候选路段所需的平均时间。由四幅图比较来看,随着候选区域中的候选路段的不断增加,四种算法的匹配时间是逐渐增加的,并且改进后的D-S证据理论匹配算法所用时间的增幅最少,而且在整个匹配过程中时间的浮动相对平稳。因此,本发明提出的复杂路网的自适应的D-S证据理论匹配算法在时间上相比其它算法也是具有一定优势的。
本发明具体实施例并非穷举,对于本领域普通技术人员来说,在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明权利要求所保护的范围。
Claims (9)
1.一种基于自适应D-S证据理论的复杂路网地图匹配方法,其特征是,它包括以下步骤:
1)通过剔除经纬度或速度突变数据并插值补全缺失数据的插值法,对GPS数据进行预处理,并生成网格索引;
2)通过改进的误差公式确定以定位点为圆心,R为半径呈圆形的误差区域及其候选路段,误差区域是区域内以不固定概率包含车辆位置;所述误差区域是指根据定位数据信息来确定实际道路所在的大致区域,其中:σX是车辆定位信息经度的标准差,σY是车辆定位信息纬度的标准差,σXY是协方差;
3)定义距离的基本概率分配函数和方向的基本概率分配函数并进行改进的D-S证据融合;所述距离的基本概率分配函数是指根据最短距离的远近给定位点的所有候选路段分配不同的概率,因为某一定位点最有可能的真实位置就是在距离其最近的道路上,即最短距离越小,位置信息越可信;所述方向的基本概率分配函数是指根据车辆行进方向与所属道路方向夹角的大小给定位点的所有候选路段分配不同的概率;所述的候选路段概率公式是指对距离的基本概率分配函数和方向的基本概率分配函数进行合成,候选路段概率公式为:,其中ω0,ω1,ω2,ω3是权重参数,m1(Si)是距离的基本概率分配函数,m2(Si)是方向的基本概率分配函数,m(Si)是候选路段概率;
4)针对不同道路类型,通过仿真模拟实验确定其相应的最优权重参数;
5)根据融合结果选择概率最大值对应路段为匹配路段。
2.根据权利要求1所述的基于自适应D-S证据理论的复杂路网地图匹配方法,其特征是,步骤1)所述网格索引是将整个电子地图划分为大小相等或不等的格网,预先算出每个网格中所包含或相交的路段,当进行查询时,首先计算出查询对象所在格网,然后再在该网格中快速查询所选网格所包含的候选路段。
3.根据权利要求2所述的基于自适应D-S证据理论的复杂路网地图匹配方法,其特征是,所述整个电子地图划分为1000×1000个小矩形网格,每个网格区域为一个索引项,并分配一个存储区用以存储。
4.根据权利要求1所述的基于自适应D-S证据理论的复杂路网地图匹配方法,其特征是,步骤2)所述候选路段是指所述误差区域内所包含的、或者与误差区域相切的路段。
5.根据权利要求1所述的基于自适应D-S证据理论的复杂路网地图匹配方法,其特征是,对于步骤3)所述距离的基本概率分配函数m1(Si)在考虑距离时,根据定位点与候选路段间的最短距离给每个候选路段Si一定的概率,方向的基本概率分配函数为其中:距离证据函数di为GPS定位点到候选路段Si的最短距离。
6.根据权利要求1所述的基于自适应D-S证据理论的复杂路网地图匹配方法,其特征是,对于步骤3)所述方向的基本概率分配函数m2(Si)在考虑方向时,将前一时刻定位点与当前定位点做连线从而判断车辆行进方向,然后分别将车辆行驶方向和道路方向与正北方向做差,从而得出车辆行驶方向与道路方向的夹角,根据夹角的大小给每个候选路段Si一定的概率,方向的基本概率分配函数为其中:方向证据函数θi为车辆行驶方向与道路方向的夹角。
7.根据权利要求1所述的基于自适应D-S证据理论的复杂路网地图匹配方法,其特征是,步骤3)所述候选路段概率公式合成后的函数分为四部分:距离与方向证据下均匹配到道路Si的概率;仅距离证据下匹配到道路Si的概率;仅方向证据下匹配到道路Si的概率;距离与方向证据下均不能匹配到道路Si的概率,给每部分一个权重参数。
8.根据权利要求1所述的基于自适应D-S证据理论的复杂路网地图匹配方法,其特征是,步骤4)所述确定其相应的最优权重参数是依据车辆在城市复杂路网环境行驶过程中会遇到平行路段、交叉路段、立交桥路段,不同路段对于距离信息证据较可靠,还是方向信息证据较可靠的实际道路拓扑结构,选取相应的权重参数值以适应不同类型的道路。
9.根据权利要求1所述的基于自适应D-S证据理论的复杂路网地图匹配方法,其特征是,步骤5)所述匹配路段,对每个真实GPS点对应的所有候选路段的概率进行排序,选取概率最大的候选路段作为该GPS点的匹配路段,即认为当前时刻车辆在该路段上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910627004.5A CN110285817B (zh) | 2019-07-12 | 2019-07-12 | 基于自适应d-s证据理论的复杂路网地图匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910627004.5A CN110285817B (zh) | 2019-07-12 | 2019-07-12 | 基于自适应d-s证据理论的复杂路网地图匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110285817A true CN110285817A (zh) | 2019-09-27 |
CN110285817B CN110285817B (zh) | 2023-03-21 |
Family
ID=68021396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910627004.5A Active CN110285817B (zh) | 2019-07-12 | 2019-07-12 | 基于自适应d-s证据理论的复杂路网地图匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110285817B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112541457A (zh) * | 2020-12-21 | 2021-03-23 | 重庆紫光华山智安科技有限公司 | 一种监控节点的搜索方法及相关装置 |
CN113297794A (zh) * | 2021-05-28 | 2021-08-24 | 佳都科技集团股份有限公司 | 仿真器的训练方法、交通路况的预测方法以及相关装置 |
CN113959452A (zh) * | 2021-10-22 | 2022-01-21 | 上海经达信息科技股份有限公司 | 基于城市路网的地图匹配方法、系统及终端 |
CN115824234A (zh) * | 2023-02-23 | 2023-03-21 | 智道网联科技(北京)有限公司 | 地图匹配方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1959429A (zh) * | 2006-10-16 | 2007-05-09 | 同济大学 | 分布式地图匹配方法以及系统 |
CN101383090A (zh) * | 2008-10-24 | 2009-03-11 | 北京航空航天大学 | 一种并行路网结构下的浮动车信息处理方法 |
CN104900057A (zh) * | 2015-05-20 | 2015-09-09 | 江苏省交通规划设计院股份有限公司 | 一种城市快速路主辅道的浮动车地图匹配方法 |
CN105928529A (zh) * | 2016-04-18 | 2016-09-07 | 中国有色金属长沙勘察设计研究院有限公司 | 一种多证据融合地图匹配算法 |
CN106289281A (zh) * | 2016-07-15 | 2017-01-04 | 武汉科技大学 | 一种基于三证据ds理论的双模式地图匹配方法 |
CN106427984A (zh) * | 2016-07-12 | 2017-02-22 | 吉林大学 | 一种基于道路参数的挡位变换方法 |
CN109410586A (zh) * | 2018-12-13 | 2019-03-01 | 中南大学 | 一种基于多元数据融合的交通状态检测方法 |
CN109556615A (zh) * | 2018-10-10 | 2019-04-02 | 吉林大学 | 基于自动驾驶的多传感器融合认知的驾驶地图生成方法 |
-
2019
- 2019-07-12 CN CN201910627004.5A patent/CN110285817B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1959429A (zh) * | 2006-10-16 | 2007-05-09 | 同济大学 | 分布式地图匹配方法以及系统 |
CN101383090A (zh) * | 2008-10-24 | 2009-03-11 | 北京航空航天大学 | 一种并行路网结构下的浮动车信息处理方法 |
CN104900057A (zh) * | 2015-05-20 | 2015-09-09 | 江苏省交通规划设计院股份有限公司 | 一种城市快速路主辅道的浮动车地图匹配方法 |
CN105928529A (zh) * | 2016-04-18 | 2016-09-07 | 中国有色金属长沙勘察设计研究院有限公司 | 一种多证据融合地图匹配算法 |
CN106427984A (zh) * | 2016-07-12 | 2017-02-22 | 吉林大学 | 一种基于道路参数的挡位变换方法 |
CN106289281A (zh) * | 2016-07-15 | 2017-01-04 | 武汉科技大学 | 一种基于三证据ds理论的双模式地图匹配方法 |
CN109556615A (zh) * | 2018-10-10 | 2019-04-02 | 吉林大学 | 基于自动驾驶的多传感器融合认知的驾驶地图生成方法 |
CN109410586A (zh) * | 2018-12-13 | 2019-03-01 | 中南大学 | 一种基于多元数据融合的交通状态检测方法 |
Non-Patent Citations (2)
Title |
---|
WENXIN TENG AND YANHUI WANG: "Real-Time Map Matching: A New Algorithm Integrating Spatio-Temporal Proximity and Improved Weighted Circle", 《OPEN GEOSCIENCES》 * |
胡 林等: "基于权值 D - S 证据理论的车辆导航地图匹配", 《中国公路学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112541457A (zh) * | 2020-12-21 | 2021-03-23 | 重庆紫光华山智安科技有限公司 | 一种监控节点的搜索方法及相关装置 |
CN113297794A (zh) * | 2021-05-28 | 2021-08-24 | 佳都科技集团股份有限公司 | 仿真器的训练方法、交通路况的预测方法以及相关装置 |
CN113959452A (zh) * | 2021-10-22 | 2022-01-21 | 上海经达信息科技股份有限公司 | 基于城市路网的地图匹配方法、系统及终端 |
CN115824234A (zh) * | 2023-02-23 | 2023-03-21 | 智道网联科技(北京)有限公司 | 地图匹配方法、装置及电子设备 |
CN115824234B (zh) * | 2023-02-23 | 2023-06-02 | 智道网联科技(北京)有限公司 | 地图匹配方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110285817B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110285817A (zh) | 基于自适应d-s证据理论的复杂路网地图匹配方法 | |
CN105628033B (zh) | 一种基于道路连通关系的地图匹配方法 | |
EP3271748B1 (en) | Guided geometry extraction for localization of a device | |
CN102102992B (zh) | 基于多级网络划分的匹配道路初筛方法及地图匹配系统 | |
CN110111566A (zh) | 轨迹预测方法、装置和存储介质 | |
CN103149576B (zh) | 一种浮动车数据的地图匹配方法 | |
US9222786B2 (en) | Methods and systems for creating digital transportation networks | |
CN110031011A (zh) | 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 | |
CN105466445B (zh) | 一种基于地形语义的路径规划方法 | |
CN110095127A (zh) | 一种基于分段的隐马尔可夫模型地图匹配方法 | |
EP2906999A1 (en) | System and method in connection with occurrence of platoons | |
CN108776727A (zh) | 一种基于出租车轨迹数据的道路几何特征提取方法 | |
CN106971593A (zh) | 车道识别方法及装置 | |
CN103106280A (zh) | 一种道路网络环境下不确定时空轨迹数据的范围查询方法 | |
CN106781478A (zh) | 一种基于lte信令数据的轨迹跟踪方法 | |
CN105890592A (zh) | 基于 Online-WSVR 算法的车辆位置信息预测方法 | |
CN106568456A (zh) | 基于gps/北斗定位和云计算平台的不停车收费方法 | |
CN108645420A (zh) | 一种基于差分导航的自动驾驶车辆多路径地图的创建方法 | |
CN112991743B (zh) | 基于行驶路径的实时交通风险ai预测方法及其系统 | |
CN106469505A (zh) | 一种浮动车轨迹纠偏方法和装置 | |
CN108663065A (zh) | 一种道路类型的识别方法及装置 | |
Blazquez et al. | Simple map-matching algorithm applied to intelligent winter maintenance vehicle data | |
CN105928529A (zh) | 一种多证据融合地图匹配算法 | |
CN104034337B (zh) | 一种浮动车地理位置点的地图匹配方法及装置 | |
CN110830915B (zh) | 一种确定起点位置的方法及装置 |
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 |