CN110736471A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110736471A CN110736471A CN201910905629.3A CN201910905629A CN110736471A CN 110736471 A CN110736471 A CN 110736471A CN 201910905629 A CN201910905629 A CN 201910905629A CN 110736471 A CN110736471 A CN 110736471A
- Authority
- CN
- China
- Prior art keywords
- value
- observation
- road
- state value
- probability
- 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
Images
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
为了解决低频浮动车数据路网匹配问题中由于采样率低引起的匹配率下降的问题,借助浮动车数据中的方向和路网拓扑信息,可以有效提高路网匹配的准确率。本发明公开了一种基于隐马尔科夫模型的路网匹配方法,根据浮动车数据观测值中的位置和方向计算观测概率,并用欧式距离与路网距离的比值计算转移概率,在有良好拓扑关系地路网数据上,可以有效地对低频采样的浮动车数据进行正确匹配。
Description
技术领域
本发明属于计算机科学领域,尤其涉及低频浮动车轨迹数据的路网匹配方法。
背景技术
随着智能交通系统和智能城市的不断发展,出租车通常配备有GPS接收器以实时定位它们,也被称为浮动车。从这个意义上说,浮动车数据由一个城市的大量出租车历史轨迹组成,然后可以为智能交通系统中的各种基于位置的服务提供重要的数据源。具体而言,浮动车数据可用于定位,旅行时间估计和交通预测。然而,5到10米的GPS设备的错误本身就存在,特别是在分布有高层建筑的城市环境中。这可能在很大程度上导致浮动车轨迹与相应的道路网络之间的不匹配,即汽车似乎在道路上而不是在道路上行驶。因此,我们需要处理浮动车数据以使轨迹与相应的道路匹配,并且该过程被称为“地图匹配”。
近几十年来,已经开发了许多关于开发地图匹配算法或技术的研究。一般将这些算法归纳为四种类型:基于几何的算法,基于拓扑的算法,基于概率的算法和基于高等数学理论的算法。基于几何的算法主要涉及道路网络和轨迹的几何特征,如点对点、点到点和线到线算法,以及其他针对大规模浮动车数据提出了基于复杂性数学理论的算法。这种类型的算法易于并行化因而具有很高计算效率,但由于忽略了拓扑信息,在路网高密度区会非常不稳定,并容易受到异常值的干扰。基于几何的算法中始终忽略拓扑信息,这可能会在某些复杂场景(如立交桥结构)中导致混淆或不合理的不匹配。基于拓扑的算法致力于解决这一问题,这类算法强调浮动车数据和道路网络之间的拓扑关系,包括拓扑加权算法、简单地图匹配算法、增强地图匹配算法和加权地图匹配算法。这些算法通过将道路网络视为图形结构来合并拓扑信息。然而,它们通常在高采样率浮动车数据下表现更好,在低采样率下匹配正确率较低。基于概率的算法将GPS位置视为随机变量,将轨迹视为随机过程。隐马尔可夫模型经常用于这些算法中。值得注意的是,基于隐马尔可夫模型的方法完全表现良好。通过考虑几何和拓扑信息来赋予它们权力,并且不需要训练数据。然而,它们可能受到标注偏置问题的影响,并且由于成对最短路径的计算而计算成本昂贵。此外,一些先进的数学和人工智能理论被用于地图匹配,如模糊逻辑,神经网络,卡尔曼滤波器,粒子滤波器和D-S证据理论这种基于深度学习的算法通常需要大型训练数据集来进行逐点匹配,即使将道路顶点作为训练数据的一部分,也难以练习。
发明内容
为了解决现有技术存在的上述问题,本发明提出了一种改进的基于隐马尔可夫模型的路网匹配方法,该方法涉及低采样频率的浮动车数据的轨迹方向。由于将轨迹数据视为随机过程而不是独立且相同分布的随机变量的简单集合是合理的。从这个意义上讲,隐马尔可夫模型可能是一个更好的候选者,它不需要庞大的训练数据集,并将轨迹信息作为一个整体过程。浮动车数据的采样频率可能主要影响地图匹配结果。通常,低采样频率对于地图匹配是不利的。然而,由于硬件和成本限制,低采样频率的浮动车数据则更为常见,采样率一般为1/60~1/120s-1。
本发明采用的技术方案为: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,包含以下步骤:
步骤1,对获取到的路网数据进行拓扑清理;
步骤2,对路网中的每一个道路结点,计算其到其他所有结点的最短路径,记录在一个二维矩阵D中;
步骤3,对第1个观测值g1,在与其相距为d0的路段上找到与g1最近的点,组成g1的候选状态值集合C(g1),对于其中第i个候选状态值,计算其得到这个观测值的观测概率然后计算δ1(i)和ψ1(i),其中,i=1,2,…,M1,M1是第1个观测值的候选状态值的数量,其中δ1(i)代表了车辆位于该状态值时得到该观测值的概率ψ1(i)是一个常值0;
步骤4,对于第k个观测值,按照步骤3中的方法求解第j个候选状态值的观测概率并求得第k-1个观测值的第i个候选状态值到当前候选状态值的转移概率tk-1,k(i,j),然后对第k个观测值的第j个候选状态值计算δk(j),ψk(j),其中δk(j)为车辆在获得第k个观测值时车辆位于第j个候选状态值的联合概率,ψk(j)表示使上述联合概率值得到最大值的第k-1个观测值候选状态值的序号;
进一步的,在步骤2中,观测概率的计算方法如下,
对于观测值g,其位置记为gp,方向记为gr,对应的状态值为x,位置记为xp,方向记为xr,称在状态值位于第i个候选状态值xi的条件下得到观测值位置是gp的概率为位置条件概率Pp(gp|xp=x0),称在状态值方向是道路方向rr的条件下得到观测值方向是gr的概率为方向条件概率Pr(gr|xr=rr),观测值g的观测概率og(i)是位置条件概率和方向条件概率的乘积,观测概率、位置条件概率、方向条件概率的计算方法如下
式中,μd和σd分别是观测值位置所服从的正态分布的均值和标准差,μr和σr分别是观测值方向所服从的正态分布的均值和标准差,函数d(xp,gp)计算状态值x和观测值g位置之间的差值,函数θ(xr,gr)计算状态值x和观测值g方向之间的差值。
进一步的,在步骤3中,转移概率的计算方法如下,
其中,xk-1,i是的第i个候选状态值的位置,xk,j是第k个观测值的第j个候选状态值的位置,函数sp(x1,x2)表示状态值x1到x2的最短路径距离,若x1到其所在路段尾结点n1的路段距离为d1,x2到其所在路段首结点n2的路段距离为d2,n1到n2的最短路径距离为ds,则有
sp(x1,x2)=d1+ds+d2 (4)。
进一步的,步骤3中δk(j)和ψk(j)的计算方法如下:
其中,i=1,2,…,Mk-1,j=1,2,…,Mk,Mk-1是第k-1个观测值的候选状态值数量,Mk是第k个观测值的候选状态值数量。
进一步的,步骤2中对路网中的每一个道路结点,采用Dijkstra计算其到其他所有结点的最短路径,记录在一个二维矩阵D中,具体实现方式如下,
新建一个图结构G=(V,E),其中,G表示一个图,V是图G中的顶点的集合,E是图G中边的集合;对每一条道路r,获取其起点vs和终点ve,若vs或ve不在V中则将其添加到V中;若该道路为双向道路,则在G中增加一条边e=(vs,ve)以及一条边e=(ve,vs);若该道路为单向道路,则在G中增加一条边e=(vs,ve);对所有道路处理完成后,使用iGraph开源库求解V中每个节点vi到其他所有节点{v|v≠vi,v∈V}的最短路径距离;节点vi到节点vj的距离值记录在矩阵D的第i行j列中。
进一步的,步骤1的具体实现方式如下,
(1)打开路网记录文件,输入路网数据;
(2)去除冗余道路,清除不可能达到的路段;
(3)判断路网中是否存在拓扑错误,如果存在,则继续;如果不存在,则执行步骤(9);
(4)对在同一层的所有路段进行互相打断;
(5)去除伪节点,并找到所有包含悬点的路段;
(6)如果一条路的一个端点落在了另一条路上,则对在不同层的道路进行互相打断;
(7)查找所有包含悬点的路段,将其延长或修剪以去除悬点;
(8)执行步骤(3);
(9)提取路网的最大连通分量,作为最终的路网,并输出该路网。
本发明基于隐马尔科夫模型,以方向和距离计算观测概率,利用路网距离和欧氏距离的关系计算转移概率,避免了部分标签偏差问题,在降低计算成本和减轻道路网络中拓扑错误的影响方面显示出明显的优势。
附图说明
图1是本发明实施例的路网匹配方法流程图。
图2是本发明实施例中步骤1和步骤2的处理流程图。
具体实施方式
本发明主要基于概率论,考虑GPS观测的位置和方向及接收设备误差的特点,以及路网路段间的拓扑关系,提出的一种适用于低频浮动车轨迹数据路网匹配方法。本方法充分考虑了浮动车行驶特点,通过考虑其位置、方向和路网拓扑关系计算各候选匹配点的概率,并选取概率最大者作为最终匹配结果。通过本发明获得的结果准确率更高,更加可靠。
步骤1,根据所获取的路网数据的特点,设计具体过程,对获取到的路网数据进行拓扑清理;
步骤2,对路网中的每一个道路结点,计算其到其他所有结点的最短路径,记录在一个二维矩阵D中;
步骤3,对第1个观测值g1,在与其相距为d0的路段上找到与g1最近的点,组成g1的候选状态值集合C(g1),对于其中第i个候选状态值,计算其得到这个观测值的观测概率一般地,对于观测值g,其位置记为gp,方向记为gr,对应的状态值为x,位置记为xp,方向记为xr,称在状态值位于第i个候选状态值xi的条件下得到观测值位置是gp的概率为位置条件概率Pp(gp|xp=x0),称在状态值方向是道路方向rr的条件下得到观测值方向是gr的概率为方向条件概率Pr(gr|xr=rr),观测值g的观测概率og(i)是位置条件概率和方向条件概率的乘积,观测概率、位置条件概率、方向条件概率的计算方法如下
式中,μd和σd分别是观测值位置所服从的正态分布的均值和标准差,μr和σr分别是观测值方向所服从的正态分布的均值和标准差,函数d(xp,gp)计算状态值x和观测值g位置之间的差值,函数θ(xr,gr)计算状态值x和观测值g方向之间的差值。然后对当前候选状态值(第i个候选状态值)计算两个值δ1(i)和ψ1(i),其中δ1(i)代表了车辆位于该状态值时得到该观测值的概率ψ1(i)是一个常值0,计算方法如下:
其中,i=1,2,…,M1,M1是第1个观测值的候选状态值的数量;
步骤4,对于第k(k=1,2,…,N)个观测值,按照步骤3中的方法求解第j个候选状态值的观测概率并根据下式求第k-1个观测值的第i个候选状态值到当前候选状态值的转移概率tk-1,k(i,j)
其中,xk-1,i是的第i个候选状态值的位置,xk,j是第k个观测值的第j个候选状态值的位置,函数sp(x1,x2)表示状态值x1到x2的最短路径距离,若x1到其所在路段尾结点n1的路段距离为d1,x2到其所在路段首结点n2的路段距离为d2,n1到n2的最短路径距离为ds,则有
sp(x1,x2)=d1+ds+d2 (4)
然后对第k个观测值的第j个候选状态值,计算δk(j)和ψk(j),其中δk(j)代表在获得第k-1个观测值时车辆位于第i个候选状态值的联合概率、然后由第k-1个观测值的第i个候选状态值转移到第k个观测值的第j个候选状态值的概率、最后由第k个观测值的第j个候选状态值得到观测值gk的联合概率的最大值(简称为车辆在获得第k个观测值时车辆位于第j个候选状态值的联合概率),ψk(j)表示使上述联合概率值得到最大值的第k-1个观测值候选状态值的序号,计算方法如下:
其中,i=1,2,…,Mk-1,j=1,2,…,Mk,Mk-1是第k-1个观测值的候选状态值数量,Mk是第k个观测值的候选状态值数量。
步骤5,当k=N时,求解q*和其中q*表示在获得第N个即最后一个观测值时车辆位于其各个候选状态值的联合概率δN(i)的最大值,表示使上述联合概率取得最大值的第N个即最后一个观测值候选状态值的序号,计算方法如下
其中,k=N-1,N-2,…,1。即可求得各个点所对应的状态值。
本发明提供的方法能够用计算机软件技术实现流程。基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配系统,包含以下模块:
拓扑清理模块,用于对获取到的路网数据进行拓扑清理;
二维矩阵生成模块,用于对路网中的每一个道路结点,计算其到其他所有结点的最短路径,记录在一个二维矩阵D中;
观测概率计算模块,用于对第1个观测值g1,在与其相距为d0的路段上找到与g1最近的点,组成g1的候选状态值集合C(g1),对于其中第i个候选状态值,计算其得到这个观测值的观测概率然后计算δ1(i)和ψ1(i),其中,i=1,2,…,M1,M1是第1个观测值的候选状态值的数量,其中δ1(i)代表了车辆位于该状态值时得到该观测值的概率ψ1(i)是一个常值0;
转移概率计算模块,用于对于第k个观测值,按照观测概率计算模块中的方法求解第j个候选状态值的观测概率并求得第k-1个观测值的第i个候选状态值到当前候选状态值的转移概率tk-1,k(i,j),然后对第k个观测值的第j个候选状态值计算δk(j),ψk(j),其中δk(j)为车辆在获得第k个观测值时车辆位于第j个候选状态值的联合概率,ψk(j)表示使上述联合概率值得到最大值的第k-1个观测值候选状态值的序号;
联合概率计算模块,当k=N时,求解q*,其中q*表示在获得第N个即最后一个观测值时车辆位于其各个候选状态值的联合概率δN(i)的最大值,表示使上述联合概率取得最大值的第N个即最后一个观测值候选状态值的序号,;
其中,观测概率计算模块中观测概率的计算方法如下,
对于观测值g,其位置记为gp,方向记为gr,对应的状态值为x,位置记为xp,方向记为xr,称在状态值位于第i个候选状态值xi的条件下得到观测值位置是gp的概率为位置条件概率Pp(gp|xp=x0),称在状态值方向是道路方向rr的条件下得到观测值方向是gr的概率为方向条件概率Pr(gr|xr=rr),观测值g的观测概率og(i)是位置条件概率和方向条件概率的乘积,观测概率、位置条件概率、方向条件概率的计算方法如下
式中,μd和σd分别是观测值位置所服从的正态分布的均值和标准差,μr和σr分别是观测值方向所服从的正态分布的均值和标准差,函数d(xp,gp)计算状态值x和观测值g位置之间的差值,函数θ(xr,gr)计算状态值x和观测值g方向之间的差值。
其中,转移概率模块中转移概率的计算方法如下,
其中,xk-1,i是的第i个候选状态值的位置,xk,j是第k个观测值的第j个候选状态值的位置,函数sp(x1,x2)表示状态值x1到x2的最短路径距离,若x1到其所在路段尾结点n1的路段距离为d1,x2到其所在路段首结点n2的路段距离为d2,n1到n2的最短路径距离为ds,则有
sp(x1,x2)=d1+ds+d2 (4)。
其中,δk(j)和ψk(j)的计算方法如下:
其中,i=1,2,…,Mk-1,j=1,2,…,Mk,Mk-1是第k-1个观测值的候选状态值数量,Mk是第k个观测值的候选状态值数量。
各模块的具体实现方式和各步骤相应,本发明不予撰述。
参见图1,实施例以某某市某辆出租车某一条轨迹的路网匹配对本发明的流程进行一个具体的阐述,该条轨迹共8个观测值,所用路网数据是在OpenStreetMap网站上下载的路网数据。如下:
步骤7,对获取到的路网数据进行拓扑清理。主要清理方法如图2所示。
实施例具体的实施过程说明如下:
(1)打开路网记录文件,输入路网数据;
(2)去除冗余道路,清除出租车不可能达到的路段,如“台阶”、“天桥”、“人行道”、“自行车道”等;
(3)判断路网中是否存在拓扑错误,如果存在,则继续;如果不存在,则执行步骤(9);
(4)对在同一层的所有路段进行互相打断;
(5)去除伪节点,并找到所有包含悬点的路段;
(6)对在不同层的道路进行互相打断,如果一条路的一个端点落在了另一条路上;
(7)查找所有包含悬点的路段,将其延长或修剪以去除悬点;
(8)执行步骤(3);
(9)提取路网的最大连通分量,作为最终的路网,并输出该路网。
步骤2,对路网中的每一个道路结点,采用Dijkstra计算其到其他所有结点的最短路径,记录在一个二维矩阵D中,即图2中的距离矩阵。
实施例具体的实施过程说明如下:
新建一个图结构G=(V,E),其中,G表示一个图,V是图G中的顶点的集合,E是图G中边的集合。对每一条道路r,获取其起点vs和终点ve,若vs或ve不在V中则将其添加到V中;若该道路为双向道路,则在G中增加一条边e=(vs,ve)以及一条边e=(ve,vs);若该道路为单向道路,则在G中增加一条边e=(vs,ve)。对所有道路处理完成后,使用iGraph开源库求解V中每个节点vi到其他所有节点{v|v≠vi,v∈V}的最短路径距离。节点vi到节点vj的距离值记录在矩阵D的第i行j列中。
实施例具体实施过程说明如下:
实施例中,d0设置为50m,σd设置为50,σr设置为20。对于第1个观测值g1,与其相距为d0的路段共有5条,分别记为r11,r12,r13,r14,r15,每条路上找到与g1最近的点,分别记为c11,c12,c13,c14,c15,对每个c1i分别根据公式(1)计算观测概率,得到 并根据公式(2)得到δ1(1),δ1(2),δ1(3),δ1(4),δ1(5)。
步骤4,对于第k(k=1,2,…,N)个观测值,按照步骤3中的方法求解第j个候选状态值的观测概率ogk(j),并根据式(3)求第k-1个观测值的第i个候选状态值到当前候选状态值的转移概率tk-1,k(i,j),然后对第k个观测值的第j个候选状态值计算δk(j),ψk(j)。
实施例具体实施过程说明如下:
对于第2个观测值g2,与其相距为d0的路段共有2条,分别记为r21,r22,每条路上找到与g2最近的点,分别记为c21,c22,对每个c2i分别根据公式(1)计算观测概率,得到根据公式(3)计算第1个观测值的各个候选状态值到第2个观测值的各个候选状态值的转移概率:
则可根据公式(4)计算第2个观测值各个候选点的δ值和ψ值,分别为δ2(1),δ2(2)和ψ2(1),ψ2(2),其中ψ2(1)=1,ψ2(2)=2。
对于第3个观测值g3,与其相距为d0的路段共有4条,分别记为r31,r32,每条路上找到与g3最近的点,分别记为c31,c32,对每个c3i分别根据公式(1)计算观测概率,得到根据公式(3)计算g2的各个候选状态值到g3的各个候选状态值的转移概率
则可根据公式(4)计算第2个观测值各个候选点的δ值和ψ值,分别为δ3(1),δ3(2),δ3(3),δ3(4)和ψ3(1),ψ3(2),ψ3(3),ψ3(4),其中ψ3(1)=2,ψ3(2)=2,ψ3(3)=2,ψ3(4)=2。
依次对第4、5、6、7、8个观测值的各个候选状态值计算δ值和ψ值,最终可得到
ψ4=[4 2 4 4]
ψ5=[3 3 3 3 3 3 3]
ψ6=[7 1 7 7 7 7]
ψ7=[6 6 6 6 6 6]
ψ8=[5 5]
其中,δ8=[0.336 0.664]。由于δ1,δ2,…,δ7的值对匹配结果没有影响,主要是根据ψ1,ψ2,…,ψ8进行的,因此在这里省略其具体值。
实施例具体实施过程说明如下:
实施例具体实施过程说明如下:
根据第8个观测值的状态值有可以得到第7个观测值的状态值为c75;根据第7个观测值的状态值有可以得到第6个观测值的状态值为c66;根据第6个观测值的状态值有可以得到第5个观测值的状态值为c57;根据第5个观测值的状态值有可以得到第4个观测值的状态值为c43;根据第4个观测值的状态值有可以得到第3个观测值的状态值为c34;根据第3个观测值的状态值有可以得到第2个观测值的状态值为c22;根据第2个观测值的状态值有可以得到第1个观测值的状态值为c12。
则该段轨迹的路网匹配结果为:c12,c22,c34,c43,c57,c66,c75,c82。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种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,其特征在于,包含以下步骤:
步骤1,对获取到的路网数据进行拓扑清理;
步骤2,对路网中的每一个道路结点,计算其到其他所有结点的最短路径,记录在一个二维矩阵D中;
步骤3,对第1个观测值g1,在与其相距为d0的路段上找到与g1最近的点,组成g1的候选状态值集合C(g1),对于其中第i个候选状态值,计算其得到这个观测值的观测概率然后计算δ1(i)和ψ1(i),其中,i=1,2,…,M1,M1是第1个观测值的候选状态值的数量,其中δ1(i)代表了车辆位于该状态值时得到该观测值的概率ψ1(i)是一个常值0;
步骤4,对于第k个观测值,按照步骤3中的方法求解第j个候选状态值的观测概率并求得第k-1个观测值的第i个候选状态值到当前候选状态值的转移概率tk-1,k(i,j),然后对第k个观测值的第j个候选状态值计算δk(j),ψk(j),其中δk(j)为车辆在获得第k个观测值时车辆位于第j个候选状态值的联合概率,ψk(j)表示使上述联合概率值得到最大值的第k-1个观测值候选状态值的序号;
2.根据权利要求书1所述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,其特征在于:在步骤2中,观测概率的计算方法如下,
对于观测值g,其位置记为gp,方向记为gr,对应的状态值为x,位置记为xp,方向记为xr,称在状态值位于第i个候选状态值xi的条件下得到观测值位置是gp的概率为位置条件概率Pp(gp|xp=x0),称在状态值方向是道路方向rr的条件下得到观测值方向是gr的概率为方向条件概率Pr(gr|xr=rr),观测值g的观测概率og(i)是位置条件概率和方向条件概率的乘积,观测概率、位置条件概率、方向条件概率的计算方法如下
式中,μd和σd分别是观测值位置所服从的正态分布的均值和标准差,μr和σr分别是观测值方向所服从的正态分布的均值和标准差,函数d(xp,gp)计算状态值x和观测值g位置之间的差值,函数θ(xr,gr)计算状态值x和观测值g方向之间的差值。
5.根据权利要求书1所述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,其特征在于:步骤2中对路网中的每一个道路结点,采用Dijkstra计算其到其他所有结点的最短路径,记录在一个二维矩阵D中,具体实现方式如下,
新建一个图结构G=(V,E),其中,G表示一个图,V是图G中的顶点的集合,E是图G中边的集合;对每一条道路r,获取其起点vs和终点ve,若vs或ve不在V中则将其添加到V中;若该道路为双向道路,则在G中增加一条边e=(vs,ve)以及一条边e=(ve,vs);若该道路为单向道路,则在G中增加一条边e=(vs,ve);对所有道路处理完成后,使用iGraph开源库求解V中每个节点vi到其他所有节点{v|v≠vi,v∈V}的最短路径距离;节点vi到节点vj的距离值记录在矩阵D的第i行j列中。
6.根据权利要求书1所述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,其特征在于:步骤1的具体实现方式如下,
(1)打开路网记录文件,输入路网数据;
(2)去除冗余道路,清除不可能达到的路段;
(3)判断路网中是否存在拓扑错误,如果存在,则继续;如果不存在,则执行步骤(9);
(4)对在同一层的所有路段进行互相打断;
(5)去除伪节点,并找到所有包含悬点的路段;
(6)如果一条路的一个端点落在了另一条路上,则对在不同层的道路进行互相打断;
(7)查找所有包含悬点的路段,将其延长或修剪以去除悬点;
(8)执行步骤(3);
(9)提取路网的最大连通分量,作为最终的路网,并输出该路网。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905629.3A CN110736471B (zh) | 2019-09-24 | 2019-09-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905629.3A CN110736471B (zh) | 2019-09-24 | 2019-09-24 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110736471A true CN110736471A (zh) | 2020-01-31 |
CN110736471B CN110736471B (zh) | 2021-08-03 |
Family
ID=69269430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910905629.3A Active CN110736471B (zh) | 2019-09-24 | 2019-09-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110736471B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110986965A (zh) * | 2019-11-28 | 2020-04-10 | 武汉大学 | 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 |
CN111311910A (zh) * | 2020-02-19 | 2020-06-19 | 中南大学 | 多层次道路级浮动车异常轨迹探测方法 |
CN111368881A (zh) * | 2020-02-19 | 2020-07-03 | 浙江工业大学 | 基于多维数据融合分析的低频gps轨迹路网匹配方法 |
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 |
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 |
CN114253975A (zh) * | 2021-12-20 | 2022-03-29 | 华中科技大学 | 一种负载感知的路网最短路径距离计算方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105203116A (zh) * | 2015-08-25 | 2015-12-30 | 浙江工业大学 | 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 |
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 |
CN106767873A (zh) * | 2016-12-30 | 2017-05-31 | 浙江大学 | 一种基于时空的地图匹配方法 |
CN109459045A (zh) * | 2018-09-29 | 2019-03-12 | 杭州电子科技大学 | 一种针对低频gps轨迹的改进交互式投票匹配方法 |
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 |
-
2019
- 2019-09-24 CN CN201910905629.3A patent/CN110736471B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105203116A (zh) * | 2015-08-25 | 2015-12-30 | 浙江工业大学 | 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 |
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 |
CN106767873A (zh) * | 2016-12-30 | 2017-05-31 | 浙江大学 | 一种基于时空的地图匹配方法 |
CN109459045A (zh) * | 2018-09-29 | 2019-03-12 | 杭州电子科技大学 | 一种针对低频gps轨迹的改进交互式投票匹配方法 |
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 |
Non-Patent Citations (1)
Title |
---|
左一萌等: "路网感知的在线轨迹压缩方法", 《软件学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110986965A (zh) * | 2019-11-28 | 2020-04-10 | 武汉大学 | 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 |
CN111311910A (zh) * | 2020-02-19 | 2020-06-19 | 中南大学 | 多层次道路级浮动车异常轨迹探测方法 |
CN111368881A (zh) * | 2020-02-19 | 2020-07-03 | 浙江工业大学 | 基于多维数据融合分析的低频gps轨迹路网匹配方法 |
CN111311910B (zh) * | 2020-02-19 | 2020-12-22 | 中南大学 | 多层次道路级浮动车异常轨迹探测方法 |
CN111368881B (zh) * | 2020-02-19 | 2023-10-03 | 浙江工业大学 | 基于多维数据融合分析的低频gps轨迹路网匹配方法 |
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 |
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 |
CN114253975A (zh) * | 2021-12-20 | 2022-03-29 | 华中科技大学 | 一种负载感知的路网最短路径距离计算方法及装置 |
CN114253975B (zh) * | 2021-12-20 | 2023-05-09 | 华中科技大学 | 一种负载感知的路网最短路径距离计算方法及装置 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110736471B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110736471A (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 | |
CN110260870B (zh) | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 | |
CN110986965A (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 | |
Taguchi et al. | Online map matching with route prediction | |
CN106840175B (zh) | 一种车辆行驶轨迹匹配路网的方法及装置 | |
CN109459045B (zh) | 一种针对低频gps轨迹的改进交互式投票匹配方法 | |
CN111189459B (zh) | 一种定位信息与道路匹配的方法和装置 | |
CN110488842B (zh) | 一种基于双向内核岭回归的车辆轨迹预测方法 | |
CN106250515B (zh) | 基于历史数据的缺失路径恢复方法 | |
CN105913658B (zh) | 一种交通流推测od位置及od矩阵的方法 | |
Szwed et al. | An incremental map-matching algorithm based on hidden markov model | |
Ozdemir et al. | A hybrid HMM model for travel path inference with sparse GPS samples | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
CN113587944B (zh) | 准实时的车辆行驶路线生成方法、系统及设备 | |
CN113190636B (zh) | 海上路网构建方法及系统 | |
CN112632202B (zh) | 一种基于高阶隐马尔可夫模型的动态地图匹配方法 | |
CN112033418B (zh) | 一种离线地图匹配方法 | |
JP2010267000A (ja) | 経路推定装置、経路推定方法、およびプログラム | |
CN112067005A (zh) | 一种基于转弯点的离线地图匹配方法、装置及终端设备 | |
CN113052265A (zh) | 基于特征选择的移动对象轨迹简化算法 | |
KR101878617B1 (ko) | 궤적 데이터 처리 방법 및 궤적 데이터 처리 시스템 | |
Wang et al. | RobustLoc: Robust camera pose regression in challenging driving environments | |
CN111310919B (zh) | 基于场景切分和局部路径规划的驾驶控制策略训练方法 | |
CN114999162B (zh) | 一种道路交通流量获取方法和装置 | |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |