CN111121791A - 隐马尔可夫模型在地图匹配中的优化方法及gps定位方法 - Google Patents

隐马尔可夫模型在地图匹配中的优化方法及gps定位方法 Download PDF

Info

Publication number
CN111121791A
CN111121791A CN201911196126.XA CN201911196126A CN111121791A CN 111121791 A CN111121791 A CN 111121791A CN 201911196126 A CN201911196126 A CN 201911196126A CN 111121791 A CN111121791 A CN 111121791A
Authority
CN
China
Prior art keywords
matching
hidden markov
map matching
point
road
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
Application number
CN201911196126.XA
Other languages
English (en)
Inventor
陈鑫
皮慧婷
李小畅
洪学海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute Of Big Data Cloud Computing Center Of Chinese Academy Shangrao
Original Assignee
Institute Of Big Data Cloud Computing Center Of Chinese Academy Shangrao
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute Of Big Data Cloud Computing Center Of Chinese Academy Shangrao filed Critical Institute Of Big Data Cloud Computing Center Of Chinese Academy Shangrao
Priority to CN201911196126.XA priority Critical patent/CN111121791A/zh
Publication of CN111121791A publication Critical patent/CN111121791A/zh
Pending legal-status Critical Current

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开一种隐马尔可夫模型在地图匹配中的优化方法及GPS定位方法，应用在GPS道路网络匹配及导航领域，其基于随机森林算法的隐马尔可夫模型在地图匹配中的应用，当道路交通状态计算中GPS轨迹链很短的状态，该优化方法方法步骤为：建立隐马尔可夫地图匹配模型，应用随机森林算法优化隐马尔可夫地图匹配模型，求解隐马尔可夫地图匹配模型，将前述结论代入到短时地图匹配中；针对所述原始模型在短时地图匹配中的不足，采取相应的处理方法对所述模型进行优化，提高匹配精度和抗噪能力，应用到GPS定位更为准确快速。

Description

隐马尔可夫模型在地图匹配中的优化方法及GPS定位方法
技术领域
本发明涉及道路网络匹配及导航领域，尤其涉及一种隐马尔可夫模型在地图匹配中的优化方法及GPS定位方法。
背景技术
申请号为201810151138.X的发明专利《一种车辆GPS数据集的数据处理方法和装置》，对浮动车GPS数据集进行了预处理工作，但并不能保证GPS数据与城市路网可以完全对应。一方面城市中路网密集，结构复杂，存在大量的交叉路口、主辅路、立交桥、高架桥等道路类型，路网数据中还有大量的单向双线表示的道路，因此要求浮动车定位和路网数据非常准确才能得到正确的浮动车道路匹配结果。另一方面，由于浮动车的位置数据来自GPS信号，在条件良好的情况下定位误差在15—20米范围内，在大城市中行驶的车辆所获取信号会受到大量的高大建筑、高架桥、高大行道树等物体的影响，这些物体不仅会遮挡部分导航卫星的信号，还会产生信号多路径效应，使得定位的误差更大，往往有几十米甚至更多；同时某些道路数据也存在位置误差，因此大量的浮动车数据无法直接准确地匹配到所行驶的道路上。
地图匹配技术就是一种以模式识别为理论依据的软件修正技术。它把GPS接收机所接收到的位置数据通过匹配算法修正定位误差，从而获得实际位置。也就是说为了减小GPS数据与真实位置间的偏差，在GPS接收机和电子地图之间增加一个修正模块，也就是这里的地图匹配模块。由于匹配目的是要满足短时计算的要求，在这一领域最常用的是几何分析法中最近邻分析法。最近邻分析法有算法简洁、计算速度快的优点。但其匹配精度往往不够高，在数据集中噪声较大时计算准确性差。在准确性方面，概率分析法中基于隐马尔可夫模型(Hidden Markov Model，HMM)的匹配算法表现出了良好性能，其正确率在一定条件下都已经能够达到90％以上。但是在短时(5min-15min)前提下的交通状态计算中GPS轨迹往往很短，隐马尔可夫模型的优势往往不明显。例如北京市路网中大部分路段在早晚高峰呈现拥堵现象，且拥堵时间经常在30分钟以上，期间道路状态没有发生改变。致使隐马尔可夫模型中的转化概率的作用将会大大降低，模型得出的结论受初始匹配概率的影响最大。为保证隐马尔可夫模型在包括短时(5min-15min)道路交通状态下的匹配准确性，必须对隐马尔可夫模型进行分析优化，然后提出有针对性的处理方案。
发明内容
本发明要解决的主要技术问题是，提供一种隐马尔可夫模型在地图匹配中的优化方法及GPS定位方法，其可提高匹配精度及定位准确性。
为解决上述技术问题，本发明提供一种隐马尔可夫模型在地图匹配中的优化方法,包括以下步骤：
一、建立隐形马尔可夫(HMM)地图匹配模型
马尔可夫链必须满足一个前提假设，即，在一系列的状态转变过程中，在已知当前信息的条件下，未来的状态只由当前的状态决定。而所谓的隐马尔可夫模型就是上述马尔可夫的状态是不可见的，而受状态影响的某些变量是可见，即我们能看的观测值。
该模型假设t时刻可能匹配的路段ri组成一个隐藏序列，该时刻的实际的观测值为路段zt，即GPS数据在地图上的位置，是受路段影响而改变的因变量。模型的最终目标是找到由ri组成的隐藏序列同时获取zt与ri的对应关系，如若对应关系明确则采样点匹配成功。
该模型在GPS轨迹链较长的状态下拥有很强的优势，能够较准确的推断出路段转化关系。但是在短时(5min-15min)前提下的交通状态计算中存在退化的现象，模型中状态转化概率的作用会大大降低，匹配结论更多依赖于初始匹配概率。
二、应用随机森林算法优化隐马尔可夫地图匹配模型
原始模型中，初始匹配概率的准确性直接依赖于GPS采样点当前位置信息。在一些建筑物遮挡的路段，或者卫星信号不好的路段，GPS数据的噪声非常大。这就使隐马尔可夫地图匹配模型精确度难以保障。通过数据集的分析，这些建筑物遮挡或者卫星信号不好的路段产生的GPS数据往往在历史数据中具有相似性，如果能将历史数据的因素引入初始匹配概率的计算中，那么就可以有效的提升原有模型的匹配准确率。
随机森林算法，不仅具有较高的分类能力，而且可以有效的计算当前数据属于不同路段的概率。这与隐马尔可夫模型中初始匹配概率的思想一致。因此我们通过随机森林算法计算当前GPS采样点属于不同路段的概率值作为历史数据得出的分类结论。之后将此概率以某一权重添加到初始匹配概率计算当中，从而提升算法的准确度。
模型初始匹配概率的计算分为两部分：
1、当前位置信息为依据的初始匹配概率
采用最近邻地图匹配算法确定候选的路段及采样点到各个路段的最短距离。以探测车所在点为圆心，以预设距离Re为半径划定一块圆形搜索区域，将所有落入搜索区域的路段作为备选路段，超出了搜索范围的路段将不予以考虑。最后依据采样点与备选路段的最短距离，采用正太分布逼近真实的匹配概率。
2、历史数据为依据的初始匹配概率
使用随机森林算法计算以历史数据为依据的初始匹配概率。
首先进行特征提取，由于相邻的GPS采样点各项特征具有相似性，除了考虑当前的匹配点之外，同时应将前后点的因素也加入考虑范围，使得当前点和其前后点形成一条数据，所以选取当前点及其前后点的方向和速度作为特征之一。同时因为相同路段一天中的运行状态有所差异，所以将24小时按照一定的时间间隔△t分为不同的时间段，时间段作为特征之一。另外待匹配点的经纬度以及其与前后点的距离也作为特征之一。最后将路段ID作为分类标签。训练集总共由11个特征与一个标签组成。
其次构造随机森林，随机森林具体参数如下：子模型数为100(n_estimators＝100)，分裂时参与判断的最大特征数为4(max_features＝4)，分裂条件为gini系数(criterion＝'gini')，分裂所需的最小样本数为2(min_samples_split＝2)，叶节点最小样本数为1(min_samples_leaf＝1)。所有特征均采用相同权重，使用训练好的随机森林预测当前点属于哪个路段，最后获取随机森林的投票结果作为以历史数据为依据的初始匹配概率值。
模型状态转移概率的计算：
所谓转移概率即一条路段转化为另一条路段的概率。根据实际情况，浮动车通常会在距离较近的路段行驶，因此可以通过最短路径的距离计算路段转移概率。
三、求解隐马尔可夫地图匹配模型
维特比算法是隐性马尔可夫链求解的常规解法：模型中的参数已知，确定与输入序列最符合的隐藏序列。通过维特比算法可以知道浮动车GPS数据经纬度背后所隐藏的最优解状态序列，这个序列正是该数据对应的浮动车所经过的路段顺序，从而得到该轨迹中所有采样点与浮动车所经过路段的对应关系。
四、将前述结论代入到短时地图匹配中。
办发明还公开一种GPS定位方法，其基于隐马尔可夫模型的匹配算法，还应用了如前述的隐马尔可夫模型在地图匹配中的优化方法。
一种GPS定位方法，其应用场景，包括：
道路交通状态计算中GPS轨迹链较长的状态：道路通畅；
道路交通状态计算中GPS轨迹链很短的状态：道路拥堵或短时5min-15min前提下的交通状态；
当道路交通状态计算中GPS轨迹链很短的状态，应用前述隐马尔可夫模型在地图匹配中的优化方法。
当道路交通状态计算中GPS轨迹链较长的状态，应用所述隐马尔可夫模型在地图匹配中的优化方法。
当道路交通状态计算中GPS轨迹链较长的状态，还是应用常规地图匹配方法(常规隐马尔可夫模型在地图匹配中的应用方法)。
本发明在于利用随机森林算法，在基于隐马尔可夫链的地图匹配算法中引入历史数据对地图匹配的影响，从而克服该模型在短时地图匹配中的不足，提高匹配精度。
本发明的有益效果是：本发明公开一种隐马尔可夫模型在地图匹配中的优化方法及GPS定位方法，其基于随机森林算法的隐马尔可夫模型在地图匹配中的应用，当道路交通状态计算中GPS轨迹链很短的状态，该优化方法方法步骤为：建立隐马尔可夫(HMM)地图匹配模型，应用随机森林算法优化隐马尔可夫地图匹配模型，求解隐马尔可夫地图匹配模型，将前述结论代入到短时地图匹配中；针对所述原始模型在短时地图匹配中的不足，采取相应的处理方法对所述模型进行优化，提高匹配精度和抗噪能力，应用到GPS定位更为准确快速。
附图说明
图1为本发明一种实施例的提供的候选匹配道路段及转换示例图；
图2为本发明一种实施例提供的基于随机森林算法的隐马尔可夫地图匹配模型示例图；
图3为本发明一种实施例提供的以当前位置信息为依据的初始匹配概率计算示例图；
图4是本发明一种实施例提供的地图匹配模型状态转移概率的计算示例图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
本发明公开一种隐马尔可夫模型在地图匹配中的优化方法,其方法步骤为：
建立隐马尔可夫(HMM)地图匹配模型；
应用随机森林算法优化隐马尔可夫地图匹配模型；
求解隐马尔可夫地图匹配模型；
将前述结论代入到短时地图匹配中。
在一种实施例中，实施时，所述应用随机森林算法优化隐马尔可夫地图匹配模型，在所述的隐马尔可夫地图匹配模型应用场景中，模型的道路转移概率使用指数分布概率拟合，模型的初始匹配概率分为两部分计算，包括：
当前位置信息为依据的初始匹配概率，使用正太分布概率拟合计算；
历史数据为依据的初始匹配概率，使用随机森林算法计算；
并以固定权重组成最终的初始匹配概率。
在一种实施例中，实施时，当前位置信息为依据的初始匹配概率，使用正太分布概率拟合计算；具体步骤为：采用最近邻地图匹配算法确定候选的路段及采样点到各个路段的最短距离。以探测车所在点为圆心，以预设距离Re为半径划定一块圆形搜索区域，将所有落入搜索区域的路段作为备选路段，超出了搜索范围的路段将不予以考虑。最后依据采样点与备选路段的最短距离，采用正太分布逼近真实的匹配概率。
在一种实施例中，实施时，历史数据为依据的初始匹配概率，使用随机森林算法计算；具体步骤为：
首先进行特征提取，由于相邻的GPS采样点各项特征具有相似性，除了考虑当前的匹配点之外，同时应将前后点的因素也加入考虑范围，使得当前点和其前后点形成一条数据，所以选取当前点及其前后点的方向和速度作为特征之一；同时因为相同路段一天中的运行状态有所差异，所以将24小时按照一定的时间间隔Δt分为不同的时间段，时间段作为特征之一；另外待匹配点的经纬度以及其与前后点的距离也作为特征之一；最后将路段ID作为分类标签；
其次构造随机森林，随机森林具体参数如下：子模型数为100，分裂时参与判断的最大特征数为4，分裂条件为gini系数，分裂所需的最小样本数为2，叶节点最小样本数为1；所有特征均采用相同权重，使用训练好的随机森林预测当前点属于哪个路段。
在一种实施例中，实施时，所述随机森林算法，其训练集由一个分类标签和11个特征组成，分类标签为路段ID，特征为：当前匹配点的时间段、经度、纬度、行驶速度、方向；之前匹配点的行驶速度、方向及其与当前匹配点的距离；之后匹配点的行驶速度、方向及其与当前匹配点的距离。
在一种实施例中，实施时，所述求解隐马尔可夫地图匹配模型，其具体步骤为：应用维特比算法，确定与输入序列最符合的隐藏序列，通过维特比算法可以知道浮动车GPS数据经纬度背后所隐藏的最优解状态序列，这个序列正是该数据对应的浮动车所经过的路段顺序，从而得到该轨迹中所有采样点与浮动车所经过路段的对应关系。
请参考图1-图4所示隐马尔可夫模型在地图匹配中的优化方法的一个具体实施例：
一种隐马尔可夫模型在地图匹配中的优化方法，其步骤为：
一、建立隐马尔可夫地图匹配模型(HMM)
隐马尔可夫地图匹配模型的思想可利用图1表述。如图1所示，t＝1时刻可能匹配的路段是r1r2r3，t＝2时刻可能匹配的路段是r1r2，t＝3时刻可能匹配的路段是r1r2。其中zt为不同时刻的观测值，即GPS数据在地图上的位置，是受路段影响而改变的因变量。模型的最终目标是找到由ri组成的隐藏序列同时获取zt与ri的对应关系，如若对应关系明确则采样点匹配成功。
隐马尔可夫地图匹配模型最关键的问题是解决两个概率的求解问题。前者为初始匹配概率(也称发射概率、观测概率或条件概率)，后者为状态转换概率。
二、应用随机森林算法优化隐马尔可夫地图匹配模型
如图2所示，虚线框内为原始的隐马尔可夫地图匹配模型，虚线框外为模型优化部分。其中最为重要的是初始匹配概率与道路转移概率的计算。在得到这两个概率之后，通过Viterbi算法得到最终的匹配结论。优化后的模型在初始匹配概率的计算过程中通过随机森林算法将GPS历史信息引入初始匹配概率的计算中。之后将随机森林算法得出的概率值以某一权重添加到初始匹配概率中，从而提升模型整体的准确度。
1、初始匹配概率计算
将初始匹配概率分为两个部分分别计算，GPS采样点当前状态的下的匹配概率，数据符号记为Pcurrent(zt∣ri)，及GPS历史数据为依据的匹配概率，数据符号记为Phistorical。两者以固定的权重组成最终的初始匹配概率。若真实路段是ri，观测值是zt(即浮动车回传GPS信息)，那么初始匹配概率P(zt∣ri)用数学公式表达为：
Figure BDA0002294663780000081
首先计算以当前位置信息为依据的初始匹配概率，采用最近邻地图匹配算法确定候选的路段及采样点到各个路段的最短距离。如图3所示，以浮动车所在点为圆心，以预设距离Re为半径找到一圆形区域，将所有落入区域的路段作为备选路段。这里设定预设距离Re为200m，即以当前采样点为核心，200m为半径如果超出了这个搜索范围的路段，将不予以考虑。利用当前点与要匹配路段的最短距离，采用正太分布逼近真实的匹配概率，计算公式为：
Figure BDA0002294663780000082
其中‖zt-Xt,i‖greatcircle为t时刻观测点zt到路段ri的球面距离，xt,i为t时刻采样点对应ri路段的垂足，所谓球面距离是地球表面的距离。σz是GPS数据的标准差。
其次计算以历史数据为依据的初始匹配概率，
2、道路转移概率计算
转移概率即一条路段转化为另一条路段的概率。根据实际情况，出租车通常会在距离较近的路段行驶，因此可以通过最短路径的距离计算路段转移概率。将t时刻由路段i和j之间转换的概率，用如下数学公式描述：
Figure BDA0002294663780000091
其中：
Figure BDA0002294663780000092
Figure BDA0002294663780000093
如图4所示，‖Xt,1-Xt+1,2‖route为采样点t时刻到t+1时刻由r1r2路段经过的距离，‖Xt,3-Xt+1,2‖route为采样点t时刻到t+1时刻由r3r2路段经过的距离。‖zt-zt+1‖greatcircle为采样点t时刻到t+1时刻的实际采样点球面距离。进而通过公式计算出道路转移概率。
三、求解隐马尔可夫地图匹配模型
维特比算法是隐性马尔可夫链求解的常规解法，递推方程为：
P(yt∣k)·πk
Vt,k＝P(yt∣k)·maxxes(ax,k·Vt-1,k)
此动态规划算法中，Vt,k表示前t个观测结果并且最终状态为k的对应状态序列的概率。(yt∣k)意思是t时刻隐藏状态为k然后对应观测值为yt。πk为状态k的初始概率，ax,k为状态X转化为k的转化概率。S是所有状态的状态空间，首先初始化，然后是状态转移，每次都是选最优的转移即可，然后动态规划的最优子结构避免重复计算。通过维特比算法我们可以知道浮动车GPS数据经纬度背后所隐藏的最优解状态序列，这个序列正是该数据对应的浮动车所经过的路段顺序，从而得到该轨迹中所有采样点与浮动车所经过路段的对应关系。
随机森林算法训练集数据格式示例如下：
Figure BDA0002294663780000101
本发明还公开一种GPS定位方法，其基于隐马尔可夫模型的匹配算法，还应用了如前述的隐马尔可夫模型在地图匹配中的优化方法。
其应用场景，包括：
道路交通状态计算中GPS轨迹链较长的状态：道路通畅；
道路交通状态计算中GPS轨迹链很短的状态：道路拥堵或短时5min-15min前提下的交通状态；
当道路交通状态计算中GPS轨迹链很短的状态，应用所述隐马尔可夫模型在地图匹配中的优化方法。
当道路交通状态计算中GPS轨迹链较长的状态，可以直接应用所述隐马尔可夫模型在地图匹配中的优化方法；也可以还是应用传统常规的地图匹配方法(常规隐马尔可夫模型在地图匹配中的应用方法)。
本发明属于道路网络匹配及导航领域，具体涉及基于随机森林算法的隐马尔可夫模型在地图匹配中的应用；所述的基于随机森林算法的隐马尔可夫模型在地图匹配中的应用包括以下具体步骤：1、建立隐马尔可夫地图匹配模型；2、应用随机森林算法优化隐马尔可夫地图匹配模型；3、求解隐马尔可夫地图匹配模型。本发明利用机器学习中的随机森林算法，在基于隐马尔可夫链的地图匹配算法中引入历史数据对地图匹配的影响，从而克服该模型在短时地图匹配中的不足，提高匹配精度和抗噪能力。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种隐马尔可夫模型在地图匹配中的优化方法,其特征在于,该方法步骤为：
建立隐马尔可夫(HMM)地图匹配模型；
应用随机森林算法优化隐马尔可夫地图匹配模型；
求解隐马尔可夫地图匹配模型；
将前述结论代入到短时地图匹配中。
2.如权利要求1所述的隐马尔可夫模型在地图匹配中的优化方法，其特征在于，所述应用随机森林算法优化隐马尔可夫地图匹配模型，在所述的隐马尔可夫地图匹配模型应用场景中，模型的道路转移概率使用指数分布概率拟合，模型的初始匹配概率分为两部分计算，包括：
当前位置信息为依据的初始匹配概率，使用正太分布概率拟合计算；
历史数据为依据的初始匹配概率，使用随机森林算法计算；
并以固定权重组成最终的初始匹配概率。
3.如权利要求2所述的隐马尔可夫模型在地图匹配中的优化方法，其特征在于，当前位置信息为依据的初始匹配概率，使用正太分布概率拟合计算；具体步骤为：采用最近邻地图匹配算法确定候选的路段及采样点到各个路段的最短距离。以探测车所在点为圆心，以预设距离为半径划定一块圆形搜索区域，将所有落入搜索区域的路段作为备选路段，超出了搜索范围的路段将不予以考虑。最后依据采样点与备选路段的最短距离，采用正太分布逼近真实的匹配概率。
4.如权利要求2所述的隐马尔可夫模型在地图匹配中的优化方法，其特征在于，历史数据为依据的初始匹配概率，使用随机森林算法计算；具体步骤为：
首先进行特征提取，由于相邻的GPS采样点各项特征具有相似性，除了考虑当前的匹配点之外，同时应将前后点的因素也加入考虑范围，使得当前点和其前后点形成一条数据，所以选取当前点及其前后点的方向和速度作为特征之一；同时因为相同路段一天中的运行状态有所差异，所以将24小时按照一定的时间间隔分为不同的时间段，时间段作为特征之一；另外待匹配点的经纬度以及其与前后点的距离也作为特征之一；最后将路段ID作为分类标签；
其次构造随机森林，随机森林具体参数如下：子模型数为100，分裂时参与判断的最大特征数为4，分裂条件为gini系数，分裂所需的最小样本数为2，叶节点最小样本数为1；所有特征均采用相同权重，使用训练好的随机森林预测当前点属于哪个路段。
5.根据权利要求1-4任一项所述隐马尔可夫模型在地图匹配中的优化方法，其特征在于，所述随机森林算法，其训练集由一个分类标签和11个特征组成，分类标签为路段ID，特征为：当前匹配点的时间段、经度、纬度、行驶速度、方向；之前匹配点的行驶速度、方向及其与当前匹配点的距离；之后匹配点的行驶速度、方向及其与当前匹配点的距离。
6.根据权利要求1-4任一项所述隐马尔可夫模型在地图匹配中的优化方法，其特征在于，所述求解隐马尔可夫地图匹配模型，其具体步骤为：应用维特比算法，确定与输入序列最符合的隐藏序列，通过维特比算法可以知道浮动车GPS数据经纬度背后所隐藏的最优解状态序列，这个序列正是该数据对应的浮动车所经过的路段顺序，从而得到该轨迹中所有采样点与浮动车所经过路段的对应关系。
7.一种GPS定位方法，其特征在于，其基于隐马尔可夫模型的匹配算法，还应用了如权利要求1-6任一项所述的隐马尔可夫模型在地图匹配中的优化方法。
8.根据权利要求7所述的GPS定位方法，其特征在于，其应用场景，包括：
道路交通状态计算中GPS轨迹链较长的状态：道路通畅；
道路交通状态计算中GPS轨迹链很短的状态：道路拥堵或短时5min-15min前提下的交通状态；
当道路交通状态计算中GPS轨迹链很短的状态，应用所述隐马尔可夫模型在地图匹配中的优化方法。
9.根据权利要求8所述的GPS定位方法，其特征在于，当道路交通状态计算中GPS轨迹链较长的状态，应用所述隐马尔可夫模型在地图匹配中的优化方法。
10.根据权利要求8所述的GPS定位方法，其特征在于，当道路交通状态计算中GPS轨迹链较长的状态，应用常规地图匹配方法。
CN201911196126.XA 2019-11-29 2019-11-29 隐马尔可夫模型在地图匹配中的优化方法及gps定位方法 Pending CN111121791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911196126.XA CN111121791A (zh) 2019-11-29 2019-11-29 隐马尔可夫模型在地图匹配中的优化方法及gps定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911196126.XA CN111121791A (zh) 2019-11-29 2019-11-29 隐马尔可夫模型在地图匹配中的优化方法及gps定位方法

Publications (1)

Publication Number Publication Date
CN111121791A true CN111121791A (zh) 2020-05-08

Family

ID=70497283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911196126.XA Pending CN111121791A (zh) 2019-11-29 2019-11-29 隐马尔可夫模型在地图匹配中的优化方法及gps定位方法

Country Status (1)

Country Link
CN (1) CN111121791A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112082564A (zh) * 2020-08-11 2020-12-15 东莞理工学院 一种交互式地图匹配方法及系统
CN113191550A (zh) * 2021-04-29 2021-07-30 北京百度网讯科技有限公司 地图匹配方法及装置
CN113268270A (zh) * 2021-06-07 2021-08-17 中科计算技术西部研究院 一种针对成对隐马尔可夫模型的加速方法、系统及装置
CN113295173A (zh) * 2021-05-24 2021-08-24 安徽师范大学 环形路段的地图匹配方法
CN113343670A (zh) * 2021-05-26 2021-09-03 武汉大学 基于隐马尔可夫与分类算法耦合的地址文本要素提取方法
CN113514072A (zh) * 2021-09-14 2021-10-19 自然资源部第三地理信息制图院 一种面向导航数据与大比例尺制图数据的道路匹配方法
CN114637884A (zh) * 2022-05-16 2022-06-17 深圳前海中电慧安科技有限公司 一种电像计算时空轨迹与道路网的匹配方法、装置及设备
CN116086453A (zh) * 2022-12-12 2023-05-09 无锡恺韵来机器人有限公司 一种基于概率优化计算的惯导和地图组合定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106604228A (zh) * 2016-12-23 2017-04-26 大连理工大学 一种基于lte信令数据的指纹定位方法
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
US20180238691A1 (en) * 2016-01-28 2018-08-23 Uber Technologies, Inc. Simplifying gps data for map building and distance calculation
CN110097121A (zh) * 2019-04-30 2019-08-06 北京百度网讯科技有限公司 一种行驶轨迹的分类方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180238691A1 (en) * 2016-01-28 2018-08-23 Uber Technologies, Inc. Simplifying gps data for map building and distance calculation
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
CN106604228A (zh) * 2016-12-23 2017-04-26 大连理工大学 一种基于lte信令数据的指纹定位方法
CN110097121A (zh) * 2019-04-30 2019-08-06 北京百度网讯科技有限公司 一种行驶轨迹的分类方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
侯亚帆，: ""基于出租车GPS的城市路网交通状态计算方法研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112082564B (zh) * 2020-08-11 2022-09-06 东莞理工学院 一种交互式地图匹配方法及系统
CN112082564A (zh) * 2020-08-11 2020-12-15 东莞理工学院 一种交互式地图匹配方法及系统
CN113191550A (zh) * 2021-04-29 2021-07-30 北京百度网讯科技有限公司 地图匹配方法及装置
CN113191550B (zh) * 2021-04-29 2024-04-09 北京百度网讯科技有限公司 地图匹配方法及装置
CN113295173A (zh) * 2021-05-24 2021-08-24 安徽师范大学 环形路段的地图匹配方法
CN113295173B (zh) * 2021-05-24 2023-08-29 安徽师范大学 环形路段的地图匹配方法
CN113343670A (zh) * 2021-05-26 2021-09-03 武汉大学 基于隐马尔可夫与分类算法耦合的地址文本要素提取方法
CN113343670B (zh) * 2021-05-26 2023-07-28 武汉大学 基于隐马尔可夫与分类算法耦合的地址文本要素提取方法
CN113268270B (zh) * 2021-06-07 2022-10-21 中科计算技术西部研究院 一种针对成对隐马尔可夫模型的加速方法、系统及装置
CN113268270A (zh) * 2021-06-07 2021-08-17 中科计算技术西部研究院 一种针对成对隐马尔可夫模型的加速方法、系统及装置
CN113514072A (zh) * 2021-09-14 2021-10-19 自然资源部第三地理信息制图院 一种面向导航数据与大比例尺制图数据的道路匹配方法
CN114637884B (zh) * 2022-05-16 2022-08-23 深圳前海中电慧安科技有限公司 一种电像计算时空轨迹与道路网的匹配方法、装置及设备
CN114637884A (zh) * 2022-05-16 2022-06-17 深圳前海中电慧安科技有限公司 一种电像计算时空轨迹与道路网的匹配方法、装置及设备
CN116086453A (zh) * 2022-12-12 2023-05-09 无锡恺韵来机器人有限公司 一种基于概率优化计算的惯导和地图组合定位方法
CN116086453B (zh) * 2022-12-12 2024-03-12 运来智能装备(无锡)有限公司 一种基于概率优化计算的惯导和地图组合定位方法

Similar Documents

Publication Publication Date Title
CN111121791A (zh) 隐马尔可夫模型在地图匹配中的优化方法及gps定位方法
CN111080029B (zh) 基于多路段时空相关的城市交通路段速度预测方法及系统
CN109459045B (zh) 一种针对低频gps轨迹的改进交互式投票匹配方法
CN112612862B (zh) 一种基于点云配准的栅格地图定位方法
CN109191845B (zh) 一种公交车辆到站时间预测方法
CN105096642B (zh) 考虑gps数据延迟影响的实时公交到站时间预测方法
CN112785077B (zh) 基于时空数据的出行需求预测方法及系统
CN107909815A (zh) 一种基于自适应卡尔曼滤波的车辆速度预测方法
EP1907792A1 (en) Method, device and system for modeling a road network graph
CN112632202B (zh) 一种基于高阶隐马尔可夫模型的动态地图匹配方法
CN113993172B (zh) 一种基于用户移动行为预测的超密集网络切换方法
CN110738855A (zh) 一种数据稀疏时间段的道路交通流状况预测方法
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
Baek et al. Accurate vehicle position estimation using a Kalman filter and neural network-based approach
CN116975184A (zh) 一种车辆轨迹数据处理方法、装置、设备和可读存储介质
CN115935672A (zh) 一种融合工况预测信息的燃料电池汽车能耗计算方法
CN112185580B (zh) 一种基于云端的行程风险信息处理方法
CN111060112A (zh) 基于方向角的车辆轨迹地图匹配方法及系统
CN118067148B (zh) 一种基于大数据分析的车载导航系统
CN115099308B (zh) 一种基于分段轨迹聚类的车辆下一个位置预测方法
CN113674525B (zh) 基于稀疏数据的信号交叉口车辆排队长度预测方法
CN111858817B (zh) 一种用于稀疏轨迹的BiLSTM-CRF路径推断方法
CN109979194A (zh) 基于马尔可夫链的重型车辆坡道爬行行为识别方法
CN110081890B (zh) 一种结合深度网络的动态k最近邻地图匹配方法
CN117518077A (zh) 一种复杂地下环境机器人定位和误差缓解方法

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

Application publication date: 20200508

RJ01 Rejection of invention patent application after publication