CN111123333A - 一种融合卡口和gps数据的车辆轨迹定位方法 - Google Patents
一种融合卡口和gps数据的车辆轨迹定位方法 Download PDFInfo
- Publication number
- CN111123333A CN111123333A CN201911398575.2A CN201911398575A CN111123333A CN 111123333 A CN111123333 A CN 111123333A CN 201911398575 A CN201911398575 A CN 201911398575A CN 111123333 A CN111123333 A CN 111123333A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- road
- bayonet
- information
- 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
- 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
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明提供一种融合卡口和GPS数据的车辆轨迹定位方法,其面对复杂地况也能够计算出更准确的匹配结果,且计算效率能够满足任何场景下的在线匹配实时性要求。本发明的技术方案,基于地图匹配算法获得初始车辆轨迹之后,通过卡口的过车数据对初始车辆轨迹进行纠错,获得更精确的车辆轨迹定位数据;将地图划分为不同的区块,将纠错后获得的车辆轨迹定位数据作为训练数据,对训练数据同样基于地图区块进行区块划分,同时根据不同的区块分别建立不同的区块轨迹定位模型后,通过训练数据进行训练,获得精准的区块轨迹定位模型;一旦模型训练好建立之后,输入实时数据可进行车辆轨迹的快速定位。
Description
技术领域
本发明涉及智能交通控制技术领域,具体为一种融合卡口和GPS数据的车辆轨迹定位方法。
背景技术
在汽车导航、电子地图车辆轨迹跟踪等应用领域,需要通过GPS地图匹配技术将目标车辆的车辆轨迹在电子地图中定位;GPS地图匹配是指将行车轨迹的经纬度采样序列与数字地图路网匹配的过程;现有技术中的主流算法可分为局部算法和全局算法:局部算法的基本原理是根据当前和上一匹配点对应路段距离和方向的相似性进行匹配,多用于在线或实时匹配;全局算法的基本原理是基于道路的几何、拓扑形状找到一条与采样轨迹最接近的匹配轨迹,多用于离线匹配;然而,随着目前对GPS地图匹配应用的场景越来越多,现有的针对在线匹配的局部算法,其计算效率越来越无法满足大数据时代下对匹配结果实时性的要求足;并且,无论是局部算法还是全局算法都是基于二维地理信息进行匹配,所以应对高架林立和复杂道路线性情况都存在匹配信息不精确的问题。
发明内容
为了解决现有技术中GPS地图匹配算法对于复杂地况的匹配结果不够精确,以及在线匹配算法的效率不足的问题,本发明提供一种融合卡口和GPS数据的车辆轨迹定位方法,其面对复杂地况也能够计算出更准确的匹配结果,且计算效率能够满足任何场景下的在线匹配实时性要求。
本发明的技术方案是这样的:一种融合卡口和GPS数据的车辆轨迹定位方法,其包括以下步骤:
S1:获取检测用车辆的GPS数据,构成历史数据集;
S2:利用地图匹配算法基于所述历史数据集进行初步地图匹配,获得所述检测用车辆的初始车辆轨迹;
其特征在于:
S3:利用道路卡口过车数据对所述初始车辆轨迹进行纠错;
基于纠错结果和所述历史数据集,获得训练数据集;
S4:基于GeoHash算法将指定区域的地图进行划分,生成由GeoHash分区编号表达的地图区块;
S5:根据所述地图区块对所述训练数据集进行区块划分,且将划分好的所述训练数据集区块添加上对应的所述GeoHash分区编号;
S6:针对每一个所述地图区块,基于机器学习分类算法建立对应的区块轨迹定位模型;通过所述训练数据集区块中的数据作为训练数据,对其对应的所述区块轨迹定位模型进行训练;
S7:获得所有的训练好的所述区块轨迹定位模型,每一个训练好的所述区块轨迹定位模型都有一个所述GeoHash分区编号;
S8:获取待定位车辆的实时GPS数据,将所述实时GPS数据根据所述地图区块进行区块划分,且将划分好的所述实时GPS数据区块添加上对应的所述GeoHash分区编号;
S9:将所述实时GPS数据区块投入到与其拥有同一个所述GeoHash分区编号的训练好的所述区块轨迹定位模型中,进行分类;
S10:基于每一个所述区块轨迹定位模型获得对应的计算后的路段名,构成所述待定位车辆的轨迹信息。
其进一步特征在于:
步骤S3中,利用道路卡口过车数据、所述初始车辆轨迹、所述历史数据集获得所述训练数据集的方法,详细包括:
S3-1:获取所述初始车辆轨迹中的所有路段号;获取所述检测用车辆所在道路信息,指定初始起点;
S3-2:基于所述初始起点,利用卡口所在道路的道路信息、所述检测用车辆的行驶方向,获取卡口信息,构成同一道路同一方向相邻两卡口形成的卡口对集合;
S3-3:基于所述检测用车辆的车辆号牌、过车时间信息、行驶方向,获取每一个所述卡口对之间的所述卡口过车数据;基于所述卡口过车数据利用现有的地图匹配算法将筛选的卡口匹配到对应路段号上,得到卡口路段信息;所述卡口路段信息包括所述路段号、所述过车时间信息;
S3-4:根据所述过车时间信息,从所述初始车辆轨迹内获取与所述过车时间信息对应的路段号,记为初始路段信息;
S3-5:比较所述卡口路段信息和所述初始路段信息的所述路段号;
如果二者相同,则将所述初始路段信息存入到所述训练数据集;
如果二者不同,则将所述卡口路段信息存入所述训练数据集,并且修正所述初始车辆轨迹获得修正后车辆轨迹;
S3-6:继续获取下一个所述卡口对之内的所述卡口路段信息,循环执行S3-2~S3-6,直至所述初始车辆轨迹内的所有路段、所有路段上的所述卡口对都参与计算后结束,获得全部的所述训练数据集和所述修正后车辆轨迹;
步骤2中,所述地图匹配算法使用ST-Matching算法,利用ST-Matching算法基于所述历史数据集进行初步地图匹配的过程,包括:
S2-1:找出所述历史数据集中每个GPS点pi的周围半径为r的路段集合E和路段投影点集合C;
S2-2:将pi点之间间的距离和与pi对应的路段投影点ci点间的距离输入传递函数,得到基于空间信息的各路线评分值Fs;
S2-3:通过路段的行程时间和路段限速值来确定GPS点可能对应的所有道路类型,然后输入速度阈值和C点间隔到传递函数得到时间评分值Ft;
S2-4:计算各路径的总评分F:
F=Fs×Ft
S2-5:取最高评分路径为最终匹配路径;
步骤S6中,基于决策树算法建立对应的所述区块轨迹定位模型;
步骤S3-3中,如果同一个所述卡口对中存在多个路段,则获取所述路段号的方法包括:
a1:基于所述卡口对之间的所述卡口过车数据,获得所述检测用车辆在所述卡口对之间的平均车速;
a2:获取所述卡口对之间每一条GPS数据;
a3:根据所述GPS数据中的时间信息和所述平均车速,计算每个所述GPS数据的物理地点距离所述卡口对中的起点卡口的距离,再结合路网数据,可判断所述GPS数据所属路段的路段号。
本发明提供的一种融合卡口和GPS数据的车辆轨迹定位方法,基于地图匹配算法获得初始车辆轨迹之后,通过卡口的过车数据对初始车辆轨迹进行纠错,获得更精确的车辆轨迹定位数据;将地图划分为不同的区块,将纠错后获得的车辆轨迹定位数据作为训练数据,对训练数据同样基于地图区块进行区块划分,同时根据不同的区块分别建立不同的区块轨迹定位模型后,通过训练数据进行训练,获得精准的区块轨迹定位模型;一旦模型训练好建立之后,输入实时数据可进行车辆轨迹的快速定位;本发明的技术方案中,通过卡口的过车数据对初始车辆轨迹进行纠错,弥补传统地图匹配算法计算复杂路况时结果不精确的不足;通过建立基于机器学习分类算法的区块轨迹定位模型,主要的构建过程是在模型训练阶段,一旦模型训练完成,输入实时数据后的结果响应速度明显优于传统的地图匹配模型;针对每个训练集区块建立分类模型,从而减小运算量,提高整个算法的实时性和准确性,使本发明的技术方案更适用于大数据的计算要求。
附图说明
图1为本发明的车辆轨迹定位流程示意图;
图2为本发明技术方案中数据流转示意图;
图3为本发明技术方案中地图二进制编码原理图示例;
图4为本发明技术方案中决策树分类示意图。
具体实施方式
如图1~图4所示,本发明一种融合卡口和GPS数据的车辆轨迹定位方法,其中使用到卡口过车数据、路网数据和GPS数据的相互关联。卡口过车数据是指经过卡口的车辆信息,包括:号牌号码、号牌种类、卡口编号、过车时间、行驶方向及卡口所在的道路名称和卡口GPS位置信息;基于地图匹配后获得的车辆轨迹数据属于路网数据,路网数据记录了道路的几何形状和道路的拓扑结构,包括划分的路段编号、划分路段所对应的形状和划分路段上关键点所对应的经纬度信息;GPS数据包含了车辆信息、时间信息和车辆经纬度位置信息。本发明的技术方案的详细步骤如下所示。
S1:获取检测用车辆的GPS数据,构成历史数据集;构建轨迹定位模型需要使用历史数据,历史数据所用的检测用车辆可以与待定位车辆相同也可以不同。
S2:利用地图匹配算法基于历史数据集进行初步地图匹配,获得检测用车辆的初始车辆轨迹;
使用任何现有的地图匹配算法进行初步地图匹配都适用于本技术方案,本实施例中使用ST-Matching算法进行初步地图匹配;
利用ST-Matching算法基于历史数据集进行初步地图匹配的过程,包括:
S2-1:找出历史数据集中每个GPS点pi的周围半径为r的路段集合E和路段投影点集合C;
S2-2:将pi点之间间的距离和与pi对应的路段投影点ci点间的距离输入传递函数,得到基于空间信息的各路线评分值Fs,虽然Fs考虑了路段的拓扑信息,但是无法区分道路类型;
S2-3:通过路段的行程时间和路段限速值来确定GPS点可能对应的所有道路类型,然后输入速度阈值和C点间隔到传递函数得到时间评分值Ft;
S2-4:计算各路径的总评分F:
F=Fs×Ft
S2-5:取最高评分路径为最终匹配路径;
ST-Matching算法是一种全局算法,基于ST-Matching算法获得的道路轨迹精度相对较高,稳定性好,为后期的运算提供了良好的数据基础。
S3:利用道路卡口过车数据对初始车辆轨迹进行纠错;基于纠错结果和历史数据集,获得训练数据集。
利用道路卡口过车数据、初始车辆轨迹、历史数据集获得训练数据集的方法,详细包括:
S3-1:根据现有的地图匹配算法已初步将GPS数据匹配到对应路段号上,获取初始车辆轨迹中的所有路段号;获取检测用车辆所在道路信息,指定初始起点;
S3-2:基于初始起点,利用卡口所在道路的道路信息、检测用车辆的行驶方向,获取卡口信息,构成同一道路同一方向相邻两卡口形成的卡口对集合;
S3-3:基于检测用车辆的车辆号牌、过车时间信息、行驶方向,获取每一个卡口对之间的卡口过车数据;基于卡口过车数据利用现有的地图匹配算法将筛选的卡口匹配到对应路段号上,得到卡口路段信息;卡口路段信息包括路段号、过车时间信息;
利用卡口所在道路及卡口方向筛选确定同一道路、同一方向两相邻卡口之间的卡口过车数据,再利用现有的地图匹配算法将筛选的卡口匹配到对应路段号上,由此卡口过车数据和GPS数据都包含路段号信息;
S3-4:根据过车时间信息,从初始车辆轨迹内获取与过车时间信息对应的路段号,记为初始路段信息;
S3-5:比较卡口路段信息和初始路段信息中的路段号;
如果二者相同,则将初始路段信息存入到训练数据集;
如果二者不同,则将卡口路段信息存入训练数据集,并且修正初始车辆轨迹获得修正后车辆轨迹;
由于GPS数据采样间隔较密集,因此针对每条过车数据选取与其时间上最为接近且车辆信息相同的GPS数据进行匹配,对比匹配后两条记录的路段号是否相同,如不同则以卡口过车的路段号为准。
如果两卡口间有多个路段,则完成两卡口所在路段的GPS轨迹纠错后再进行卡口间GPS数据纠错,利用过车数据计算车辆在两卡口间的平均速度,根据两卡口间每条GPS数据的时间信息,计算其距起点卡口的距离,结合路网数据判断其所属的路段编号;
如果同一个卡口对中存在多个路段,则获取路段号的方法包括:
a1:基于卡口对之间的卡口过车数据,获得检测用车辆在卡口对之间的平均车速;
a2:获取卡口对之间每一条GPS数据;
a3:根据GPS数据中的时间信息和平均车速,计算每个GPS数据的物理地点距离卡口对中的起点卡口的距离,再结合路网数据,可判断GPS数据所属路段的路段号。
S3-6:继续获取下一个卡口对之内的卡口路段信息,循环执行S3-2~S3-6,直至初始车辆轨迹内的所有路段、所有路段上的卡口对都参与计算后结束,获得全部的训练数据集和修正后车辆轨迹;
基于全部修正后车辆轨迹再次提取的GPS数据,即为训练数据集。
例如:现有卡口1和卡口2是同一道路、同一方向两相邻卡口,设卡口1是起点,卡口2是终点;
检测用车辆在卡口1和卡口2对应的过车记录都有一条初始车辆轨迹中的GPS数据与其匹配;对比过车记录、和初始车辆轨迹中的路段号是否一致,如有不一致则以过车数据所在的路段号为准;
同时,如果卡口1和卡口2之间有多个路段,则对检测用车辆在卡口1和卡口2之间的GPS数据进行纠错:
利用检测用车辆经过卡口1和卡口2的过车数据计算车辆平均速度,然后根据检测用车辆在两卡口间GPS数据的时间信息,计算每条GPS数据对应的物理地点与卡口1所在路段的距离,最后利用路网数据得出每条GPS数据对应的路段号;
因为卡口过车数据是基于检测用车辆的车辆号牌获取的数据,以卡口过车数据中的信息对初始车辆轨迹中的路段号进行纠错,确保了最终获得的轨迹信息的准确性。
S4:基于GeoHash算法将指定区域的地图进行划分,生成由GeoHash分区编号表达的地图区块;如图3所示,GeoHash算法原理是对整个地图或某个区域进行划分,根据经纬度作二进制编码,二进制编码以经度、纬度轮流平分的方式编码;或经度纬度分别逐级二分,然后交叉合并二进制编码,最后将二进制编码转换为32进制编码排列形成GeoHash编码。
S5:根据地图区块对训练数据集进行区块划分,且将划分好的训练数据集区块添加上对应的GeoHash分区编号。
S6:针对每一个训练数据集区块,基于机器学习分类算法建立对应的区块轨迹定位模型,本实施例中基于决策树算法建立区块轨迹定位模型;通过训练数据集区块中的数据作为训练数据,对其对应的区块轨迹定位模型进行训练;
决策树的分类过程是按一定规则将训练样本集不断分类成许多个子集,其过程如上图4所示,假设数据集S只被分裂到了第三层,那么S是全部的训练样本集即为树的根节点,S1、S2、S4、S6是S的子集所对应的节点是中间节点。当节点里面的数据满足设定的纯度要求时,中间节点不会进行分类,进而成为叶节点;S3、S7、S8、S5、S9、S10、是S的子集所对应的是叶节点;
步骤一:选取特征值,依次对p+1个特征划分数据集的结果计算一次信息熵,然后判断按照哪个特征划分数据集是最好的;设第j个特征下能对数据集进行最有效的划分;
步骤二:通过分类阈值来对数据集S进行分类,将S分为两类:
其中:i=1,...,l,m代表第m个节点,θm0是能让下一代子节点中数据集纯度最小的分类阈值;
步骤三:在第j个特征值下,计算Lm和Rm的纯度Em是否小于E,或者样本数量是否小于预设的最小样本数量N;
当上述两个条件之中只要满足一个,分类过程就要终止;
E是预设的阈值与Em比较来衡量分类好坏,Em的计算公式如下:
步骤四:如果不用继续分类,则将该节点记为叶节点;
设叶节点的数据集为{xi,yi},用线性回归模型对自变量xi和yi进行拟合得到模型Mi;
如果分类还要继续则接着跳到步骤一;
最终,数据集S被分为z个类;
通过决策树分类算法的将历史训练数据中性质类似的一组归为一类,然后找出与当前时刻输入数据最为类似的一组历史值,根据历史值对应的路段编号确定当前数据的地图匹配结果;基于决策树方法建立分类模型,无需对数据做过多的处理,简化了计算过程,且决策树算法可以同时处理不同类型的数据,尤其适用于大数据背景下的计算。
S7:获得所有的训练好的区块轨迹定位模型,每一个训练好的区块轨迹定位模型都有一个GeoHash分区编号。
S8:获取待定位车辆的实时GPS数据,将实时GPS数据根据地图区块进行区块划分,且将划分好的实时GPS数据区块添加上对应的GeoHash分区编号。
S9:将实时GPS数据区块投入到与其拥有同一个GeoHash分区编号的训练好的区块轨迹定位模型中,进行分类。
S10:基于每一个区块轨迹定位模型获得对应的路段名,将路段名结合时间信息、GPS数据等信息构成待定位车辆的轨迹信息。
使用本发明的技术方案后,即便面对复杂的地况也可以获得准确的轨迹信息,且一旦于机器学习分类算法地图匹配模型构建完成、训练好之后,输入实时数据可以快速的计算出结果,尤其适用于大数据环境下的实时运算需求。
Claims (5)
1.一种融合卡口和GPS数据的车辆轨迹定位方法,其包括以下步骤:
S1:获取检测用车辆的GPS数据,构成历史数据集;
S2:利用地图匹配算法基于所述历史数据集进行初步地图匹配,获得所述检测用车辆的初始车辆轨迹;
其特征在于:
S3:利用道路卡口过车数据对所述初始车辆轨迹进行纠错;
基于纠错结果和所述历史数据集,获得训练数据集;
S4:基于GeoHash算法将指定区域的地图进行划分,生成由GeoHash分区编号表达的地图区块;
S5:根据所述地图区块对所述训练数据集进行区块划分,且将划分好的所述训练数据集区块添加上对应的所述GeoHash分区编号;
S6:针对每一个所述地图区块,基于机器学习分类算法建立对应的区块轨迹定位模型;通过所述训练数据集区块中的数据作为训练数据,对其对应的所述区块轨迹定位模型进行训练;
S7:获得所有的训练好的所述区块轨迹定位模型,每一个训练好的所述区块轨迹定位模型都有一个所述GeoHash分区编号;
S8:获取待定位车辆的实时GPS数据,将所述实时GPS数据根据所述地图区块进行区块划分,且将划分好的所述实时GPS数据区块添加上对应的所述GeoHash分区编号;
S9:将所述实时GPS数据区块投入到与其拥有同一个所述GeoHash分区编号的训练好的所述区块轨迹定位模型中,进行分类;
S10:基于每一个所述区块轨迹定位模型获得对应的计算后的路段名,构成所述待定位车辆的轨迹信息。
2.根据权利要求1所述一种融合卡口和GPS数据的车辆轨迹定位方法,其特征在于:步骤S3中,利用道路卡口过车数据、所述初始车辆轨迹、所述历史数据集获得所述训练数据集的方法,详细包括:
S3-1:获取所述初始车辆轨迹中的所有路段号;获取所述检测用车辆所在道路信息,指定初始起点;
S3-2:基于所述初始起点,利用卡口所在道路的道路信息、所述检测用车辆的行驶方向,获取卡口信息,构成同一道路同一方向相邻两卡口形成的卡口对集合;
S3-3:基于所述检测用车辆的车辆号牌、过车时间信息、行驶方向,获取每一个所述卡口对之间的所述卡口过车数据;基于所述卡口过车数据利用现有的地图匹配算法将筛选的卡口匹配到对应路段号上,得到卡口路段信息;所述卡口路段信息包括所述路段号、所述过车时间信息;
S3-4:根据所述过车时间信息,从所述初始车辆轨迹内获取与所述过车时间信息对应的路段号,记为初始路段信息;
S3-5:比较所述卡口路段信息和所述初始路段信息的所述路段号;
如果二者相同,则将所述初始路段信息存入到所述训练数据集;
如果二者不同,则将所述卡口路段信息存入所述训练数据集,并且修正所述初始车辆轨迹获得修正后车辆轨迹;
S3-6:继续获取下一个所述卡口对之内的所述卡口路段信息,循环执行S3-2~S3-6,直至所述初始车辆轨迹内的所有路段、所有路段上的所述卡口对都参与计算后结束,获得全部的所述训练数据集和所述修正后车辆轨迹。
3.根据权利要求1所述一种融合卡口和GPS数据的车辆轨迹定位方法,其特征在于:步骤2中,所述地图匹配算法使用ST-Matching算法,利用ST-Matching算法基于所述历史数据集进行初步地图匹配的过程,包括:
S2-1:找出所述历史数据集中每个GPS点pi的周围半径为r的路段集合E和路段投影点集合C;
S2-2:将pi点之间间的距离和与pi对应的路段投影点ci点间的距离输入传递函数,得到基于空间信息的各路线评分值Fs;
S2-3:通过路段的行程时间和路段限速值来确定GPS点可能对应的所有道路类型,然后输入速度阈值和C点间隔到传递函数得到时间评分值Ft;
S2-4:计算各路径的总评分F:
F=Fs×Ft
S2-5:取最高评分路径为最终匹配路径。
4.根据权利要求1所述一种融合卡口和GPS数据的车辆轨迹定位方法,其特征在于:步骤S6中,基于决策树算法建立对应的所述区块轨迹定位模型。
5.根据权利要求2所述一种融合卡口和GPS数据的车辆轨迹定位方法,其特征在于:步骤S3-3中,如果同一个所述卡口对中存在多个路段,则获取所述路段号的方法包括:
a1:基于所述卡口对之间的所述卡口过车数据,获得所述检测用车辆在所述卡口对之间的平均车速;
a2:获取所述卡口对之间每一条GPS数据;
a3:根据所述GPS数据中的时间信息和所述平均车速,计算每个所述GPS数据的物理地点距离所述卡口对中的起点卡口的距离,再结合路网数据,可判断所述GPS数据所属路段的路段号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911398575.2A CN111123333B (zh) | 2019-12-30 | 2019-12-30 | 一种融合卡口和gps数据的车辆轨迹定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911398575.2A CN111123333B (zh) | 2019-12-30 | 2019-12-30 | 一种融合卡口和gps数据的车辆轨迹定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111123333A true CN111123333A (zh) | 2020-05-08 |
CN111123333B CN111123333B (zh) | 2022-05-03 |
Family
ID=70505445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911398575.2A Active CN111123333B (zh) | 2019-12-30 | 2019-12-30 | 一种融合卡口和gps数据的车辆轨迹定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111123333B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598912A (zh) * | 2020-12-10 | 2021-04-02 | 佳都新太科技股份有限公司 | 卡口间隔获取方法、装置、计算机设备及存储介质 |
CN113656979A (zh) * | 2021-08-26 | 2021-11-16 | 浙江数智交院科技股份有限公司 | 路网数据生成方法、装置、电子设备及存储介质 |
CN114706112A (zh) * | 2022-03-03 | 2022-07-05 | 北京中交兴路信息科技有限公司 | 检测车辆定位的方法、装置、电子设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441316A (zh) * | 2016-09-08 | 2017-02-22 | 复旦大学 | 一种基于历史数据的单点路网匹配方法 |
CN106871894A (zh) * | 2017-03-23 | 2017-06-20 | 北京工业大学 | 一种基于条件随机场的地图匹配方法 |
CN109214345A (zh) * | 2018-09-17 | 2019-01-15 | 公安部交通管理科学研究所 | 基于相似度比对查找换牌车辆的行驶轨迹的方法 |
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 |
CN109686090A (zh) * | 2019-01-17 | 2019-04-26 | 中南大学 | 一种基于多源数据融合的虚拟交通流量计算方法 |
CN109815300A (zh) * | 2018-12-13 | 2019-05-28 | 北京邮电大学 | 一种车辆定位方法 |
CN110363255A (zh) * | 2019-08-19 | 2019-10-22 | 公安部交通管理科学研究所 | 一种基于深度学习算法的高速公路限速限流方法 |
CN110514198A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于计算机视觉技术的前后端架构地图定位方法 |
-
2019
- 2019-12-30 CN CN201911398575.2A patent/CN111123333B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441316A (zh) * | 2016-09-08 | 2017-02-22 | 复旦大学 | 一种基于历史数据的单点路网匹配方法 |
CN106871894A (zh) * | 2017-03-23 | 2017-06-20 | 北京工业大学 | 一种基于条件随机场的地图匹配方法 |
CN109214345A (zh) * | 2018-09-17 | 2019-01-15 | 公安部交通管理科学研究所 | 基于相似度比对查找换牌车辆的行驶轨迹的方法 |
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 |
CN109815300A (zh) * | 2018-12-13 | 2019-05-28 | 北京邮电大学 | 一种车辆定位方法 |
CN109686090A (zh) * | 2019-01-17 | 2019-04-26 | 中南大学 | 一种基于多源数据融合的虚拟交通流量计算方法 |
CN110363255A (zh) * | 2019-08-19 | 2019-10-22 | 公安部交通管理科学研究所 | 一种基于深度学习算法的高速公路限速限流方法 |
CN110514198A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于计算机视觉技术的前后端架构地图定位方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598912A (zh) * | 2020-12-10 | 2021-04-02 | 佳都新太科技股份有限公司 | 卡口间隔获取方法、装置、计算机设备及存储介质 |
CN112598912B (zh) * | 2020-12-10 | 2022-05-03 | 佳都科技集团股份有限公司 | 卡口间隔获取方法、装置、计算机设备及存储介质 |
CN113656979A (zh) * | 2021-08-26 | 2021-11-16 | 浙江数智交院科技股份有限公司 | 路网数据生成方法、装置、电子设备及存储介质 |
CN113656979B (zh) * | 2021-08-26 | 2024-05-14 | 浙江数智交院科技股份有限公司 | 路网数据生成方法、装置、电子设备及存储介质 |
CN114706112A (zh) * | 2022-03-03 | 2022-07-05 | 北京中交兴路信息科技有限公司 | 检测车辆定位的方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111123333B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111123333B (zh) | 一种融合卡口和gps数据的车辆轨迹定位方法 | |
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
CN109059944B (zh) | 基于驾驶习惯学习的运动规划方法 | |
CN105628033B (zh) | 一种基于道路连通关系的地图匹配方法 | |
CN110609881A (zh) | 车辆轨迹偏离检测方法、系统和存储介质 | |
CN110427360B (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 | |
CN109544914B (zh) | 一种基于历史gps轨迹的共享单车逆行行为识别方法 | |
US9384394B2 (en) | Method for generating accurate lane level maps | |
CN109459045B (zh) | 一种针对低频gps轨迹的改进交互式投票匹配方法 | |
CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
CN109256028B (zh) | 一种用于无人驾驶的高精度路网自动生成的方法 | |
CN109459047B (zh) | 车辆高精度定位数据与导航地图精确匹配及变道行为探测方法 | |
CN114005280A (zh) | 一种基于不确定性估计的车辆轨迹预测方法 | |
CN104794219A (zh) | 一种基于地理位置信息的场景检索方法 | |
CN109101743B (zh) | 一种高精度路网模型的构建方法 | |
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 | |
CN113159403B (zh) | 路口行人轨迹预测的方法及装置 | |
CN109710714A (zh) | 一种隐马尔可夫模型改进的路网匹配方法 | |
CN116071722A (zh) | 基于路段轨迹的车道几何信息提取方法、系统、设备及介质 | |
Meng et al. | Trajectory prediction for automated vehicles on roads with lanes partially covered by ice or snow | |
Li et al. | Localization for intelligent vehicles in underground car parks based on semantic information | |
CN113639757B (zh) | 基于双向评分模型和回溯校正机制的地图匹配方法及系统 | |
CN113903173B (zh) | 一种基于有向图结构和lstm的车辆轨迹特征提取方法 | |
Fu et al. | Density adaptive approach for generating road network from GPS trajectories | |
Ding et al. | Inferring road type in crowdsourced map services |
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 |