CN112015835A - Geohash压缩的地图匹配方法 - Google Patents
Geohash压缩的地图匹配方法 Download PDFInfo
- Publication number
- CN112015835A CN112015835A CN202010813866.XA CN202010813866A CN112015835A CN 112015835 A CN112015835 A CN 112015835A CN 202010813866 A CN202010813866 A CN 202010813866A CN 112015835 A CN112015835 A CN 112015835A
- Authority
- CN
- China
- Prior art keywords
- road
- data
- geohash
- gps
- point
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
- Instructional Devices (AREA)
Abstract
本发明公开了一种Geohash压缩的地图匹配方法,包括如下步骤:S1、构建道路拓扑网络,确定各GPS轨迹点所在的网格;S2、将GPS轨迹投影到道路拓扑网络中,获取GPS投影轨迹;S3、计算所有GPS投影轨迹点相对于网格内路段上各点的转移概率及观测概率,将转移概率及观测概率的乘积作为对应点的权重,构建权重图;S4、在权重图中寻找权重最大的路径;S5、对权重最大的路径进行回溯,检测回溯路径是否存在断裂处,若检测结果为是,则删除断裂处的点,返回步骤S3,若检测结果为否,则输出所述权重最大的路径。采取的ST‑Matching算法在基于低频采样数据执行匹配时更具优势,并且通过Geohash筛选路网数据,在很大程度上降低了存储开销和计算成本。
Description
技术领域
本发明属于数据挖掘领域,更具体地,本发明涉及一种Geohash压缩的地图匹配方法。
背景技术
近年来随着Wi-Fi、GPS等无线网络和移动定位技术的发展,产生了大量不同类型的位置数据。由于不同定位设备的精度误差不同,位置点会偏离原始道路或兴趣点,因此需要进行地图匹配。地图匹配是轨迹数据挖掘、交通分析和路线预测等应用中的关键步骤。从几何匹配算法发展到高级匹配算法,地图匹配过程中仍然存在以下问题:1)大多数路网都是涉及了多种类型道路的复杂路网,如高速、国道、县道等,道路关系较为复杂。此外,由于原始路网数据、GPS轨迹数据集存在坐标系不统一、数据结构复杂等问题,导致这些数据难以被直接利用;2)路网数据包含的信息量巨大,道路网中各级道路繁杂,涉及区域较广,如果不执行筛选操作,会导致匹配的时间成本过高;3)根据轨迹数据的采样频率,地图匹配算法主要分为低频采样算法和高频采样算法。传统的地图匹配算法基本上是基于高频采样数据展开的,当使用低频采样数据时,若采样间隔大于2min,大多数传统算法的准确率低于60%。
发明内容
本发明提供一种Geohash压缩的地图匹配方法,旨在改善现有地图匹配过程中数据存储开销大、计算成本高的问题。
本发明是这样实现的,一种Geohash压缩的地图匹配方法,所述方法具体包括如下步骤:
S1、构建道路拓扑网络,确定各GPS轨迹点所在的网格;
S2、将GPS轨迹投影到道路拓扑网络中,获取GPS投影轨迹;
S3、计算所有GPS投影轨迹点相对于网格内路段上各点的转移概率及观测概率,将转移概率及观测概率的乘积作为对应点的权重,构建权重图;
S4、在权重图中寻找权重最大的路径;
S5、对权重最大的路径进行回溯,检测回溯路径是否存在断裂处,若检测结果为是,则删除断裂处的点,返回步骤S3,若检测结果为否,则输出所述权重最大的路径。
进一步的,所述路网的形成方法具体如下:
S11、从公开地图上下载的OSM格式的指定区域的路网数据;
S12、对路网数据进行清洗;
S13、基于清洗后的路网数据构建道路拓扑网络,路段的起点和终点即为道路拓扑网络中的节点,道路长度即为路段的权重;
进一步的,路网数据进行清洗过程具体如下:
将路网数据中消除冗余道路:将道路名中包含文字空值、出口、入口、服务区、辅路、互通、村道、河岸、步行街的道路删除;
对道路进行融合处理,将原本属于一条路的线段并在一条线上;
将道路双线拆分为道路单线。
进一步的,GPS轨迹的形成方法具体如下:
获取GPS轨迹数据集,对GPS轨迹数据集进行无效数据、冗余数据及异常数据的删除,其操作方法具体如下:
无效数据的删除:删除经纬度不在指定区域的GPS轨迹数据;
冗余数据的删除:若在连续的一个时间段内,同一车辆的多条数据的经纬度连始终无变化,则视作车辆停滞并删除;
异常数据的删除:若GPS轨迹点的行驶时间、行驶速度不合理,则视作无效数据并删除。
进一步的,所述步骤S1具体包括如下步骤:
对道路拓扑网络进行网格划分,计算各网格的Geohash编码
计算GPS轨迹点的Geohash编码;
检索各GPS轨迹点所在的网格,获取所在网格的id。
本发明提出了基于Geohash的编码压缩的路网匹配方法。相较于传统的地图匹配算法,本发明采取的ST-Matching算法在基于低频采样数据执行匹配时更具优势,并且通过Geohash筛选路网数据,在很大程度上降低了存储开销和计算成本。
附图说明
图1为本发明实施例提供的供路网数据处理流程图;
图2为本发明实施例提供的上海市OSM数据路网图;
图3为本发明实施例提供的上海市SHP数据路网图;
图4为本发明实施例提供的清洗后的上海市路网图;
图5为本发明实施例提供的道路网格划分图;
图6为本发明实施例提供的隐马尔可夫模型建模示意图;
图7为本发明实施例提供的高频采样数据匹配结果图;
图8为本发明实施例提供的低频采样数据匹配结果图;
图9为本发明实施例提供的轨迹存在断裂处匹配结果图;
图10为本发明实施例提供的匹配耗时对比图,其中,(a)为高频采样数据匹配时间对比,(b)为低频采样数据匹配时间对比。
具体实施方式
下面对照附图,通过对实施例的描述,对本发明的具体实施方式作进一步详细的说明,以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
Geohash编码由于其唯一性、递归性和一维性,成为地理空间中组织轨迹数据并且构建空间索引的高效手段。Geohash算法本质是一种地址编码算法,有效地缩小了寻找地图数据的范围,因为同一区域内的点都会被映射为同一编码,从而提高了检索的效率。本发明根据Geohash原理,将二维问题转换为一维问题,从庞杂的路网中筛选出可能路段,采用基于隐马尔可夫模型的ST-Matching算法进行地图匹配,极大地节约了存储空间,提高了匹配效率。
1)路网数据的预处理
针对多源数据,对路网数据和GPS数据集进行预处理,清洗路网数据,构建路网拓扑,使复杂路网转变为加权有向图。原始路网数据由于数据量大且结构杂乱,因此需要进行预处理。路网数据处理流程如图1所示。
首先,本发明使用的是从公开地图(OpenStreetMap)上下载的OSM格式的上海市路网数据,如图2所示,其经纬度具体范围为东经121.3567度至121.6447度,北纬31.1411度至31.3620度。OSM的数据元素包括点、路、和关系三种,这三种数据基元构成了我们所看到的由多级道路和结点组成的路网画面,较为复杂。本发明采用QGIS(Quantum GIS)将其转换为shp(shapefile)格式数据如图3所示。
在路网数据清洗之前,需要先统一坐标系。由于采用的是上海的数据,经度在121°附近浮动,为避免投影误差影响,故相关数据都使用GCS_WGS_1984地理坐标系和WSG_1984_UTM_Zone_51N投影坐标系。首先将道路名中包含以下文字空值、出口、入口、服务区、辅路、互通、村道、河岸、步行街的道路删除,从而消除冗余道路,减小计算开销;接着对道路进行融合处理,将原本属于一条路的线段并在一条线上,避免产生错误的道路中断;最后将道路双线拆分为道路单线,并且手动清理个别不合理的道路。整体清洗后效果如图4所示。
路网数据清洗完毕后,开始构建路网拓扑关系。在个人地理数据库中对路网数据构建其道路拓扑网络,将整张路网构建为由若干路段弧段和节点组成的加权有向图。其中,任意条路段的起点和终点就是道路拓扑网络的节点,道路长度为每条路段弧段的权重。
2)GPS轨迹数据集的预处理
GPS轨迹数据集中可能存在一些无效或冗余数据,这些数据会导致额外的存储成本和计算开销,并且可能影响最终的匹配结果。因此需要对GPS数据集进行预处理,从而便于后续工作。具体处理如下:首先,若某条数据的经纬度不在本发明定义的使用区域路网数据范围内,则视作无效数据并删除;其次,若在连续的一个时间段内,某车辆的多条数据的经纬度连始终无变化,则视作车辆停滞并删除。最后,若某条记录的具体行驶时间、行驶速度不合理,则视作无效数据并删除,因为本发明分为低频采样和高频采样两种。筛选低频采样数据时,采样点时间间隔需不少于1min,不满足此类条件的GPS点就认为是行驶时间不合理,就不应采用。
3)GPS轨迹点所在的网格
为了实现高效的存储和计算,通过Geohash原理划分道路,构建网格,筛选出部分数据集,并将处理后的数据压缩存储。
将道路拓扑网络划分为多个网格,每个网格内的所有位置点都可用同一个字符串表示,从而可快速定位到一定范围内,提高检索速率。本发明先算出GPS轨迹点的Geohash编码值,再将已有的路段所在网格的Geohash编码值算出,执行查询操作,先确定该GPS轨迹点可能在的网格,极大地降低了检索成本。
本发明通过每一个GPS轨迹点的经纬度,将每个点用一个可唯一标识的Geohash编码表示。这里采用的Geohash编码长度为9。对于路网数据,根据经纬度范围来划分网格,本发明将整个路网划分为若干个长宽规格为150m×150m的网格,如图5所示。利用每个网格的中心点的经纬度计算出该网格的Geohash编码,该编码长度为8。
基于得到的GPS轨迹点的Geohash编码值,以及道路网格化后的每一个网格的Geohash编码值,通过数据库语句快速地检索到某个GPS数据点可能所处的网格,从而提高了检索效率。通过Geohash编码,初步筛选出了所有在范围内的道路所在的网格的id。
4)地图匹配
通过空间分析和时间分析,综合路网几何信息和拓扑信息的方法,采用ST-Matching算法,实现位置轨迹数据匹配到实际行驶道路段。地图匹配方法具体包括如下步骤:
1.将道路段信息(构成路线的点信息等)存入字典中,路段信息包括:路段的起点及终点所在网格的id值,构成该路段若干点的经纬度以及该路段的长度;
2.将GPS轨迹投影到道路拓扑网络中,获取GPS投影轨迹,计算所有GPS投影轨迹点相对于网格内路段上各点的转移概率及观测概率,将转移概率及观测概率的乘积作为对应点的权重,构建权重图;
3.在权重图中寻找权重最大的路径;
4.对权重最大的路径进行回溯,检测回溯路径是否存在断裂处,若检测结果为是,则删除断裂处的点,返回步骤S2,若检测结果为否,则输出所述权重最大的路径。
本发明采用ST-Matching(spatial temporal matching algorithm)算法模型计算转移概率及观测概率,转移概率中的距离最短路径采用Dijkstra计算,且对于超速路段执行删除操作,超速路段是指行驶速度大于对应路段规定最大行驶速度的路段。
ST-Matching算法是由隐马尔可夫模型发展而来的一种流行低频采样算法,从空间分析和时间分析两方面进行候选点抉择,其中空间分析考量了路网的拓扑信息和几何信息。时间分析通过道路限速这一约束条件,使得匹配结果更具备真实性。综合空间分析与时间分析,使得ST-Matching算法在进行基于低频数据的地图匹配时更具优势。空间分析部分主要通过运用道路的拓扑关系和几何信息计算出位置轨迹数据的观测概率矩阵和状态转移矩阵。
观测概率模型采取指数模型,将GPS轨迹点的“漂移”误差表示如公式(1)。假设Oi为一GPS轨迹点,其在附近两条路段上的投影分别为当GPS点到道路的投影距离越小时,其在该道路上投影点作为候选点的概率就越大。
转移概率模型如公式(2)所示。其中di-1→i为GPS轨迹点Oi-1与Oi之间的欧式距离(Euclidean距离),W(i-1,t)→(i,s)为到的最短路径距离,其中,表示轨迹点Oi-1在第t条路段上的投影点位置,表示轨迹点Oi在第s条路段上的投影点位置,这两者的比值越大,则转移概率越高。
由转移概率和观测概率,可得到空间分析函数,即公式(3),表明其为转移概率和观测概率的乘积。
时间分析为候选路段的选取提供了更进一步的约束,选出更加符合实际情况的轨迹。在路网中有多种级别的道路,它们有不同的限速要求。如设高速路段的车辆行驶限速为100km/h,普通公路为60km/h,若有几个GPS轨迹点,它们的平均速度为55km/h。这些轨迹点经过空间分析得到了高速、普通公路的候选路段各一条,且空间分析函数值相近的情况下,此时通过考虑速度这一因素,可知普通公路为更合理路段。
ST-Matching算法是在隐马尔可夫模型的基础上发展而来的。隐马尔可夫模型可以解决评价问题、解码问题和学习问题。其中,解码问题指根据当前观测序列和模型参数,通过维特比算法求解最有可能的隐藏序列。解码问题的解决方案可用于地图匹配中,GPS轨迹点即为观测序列,汽车实际行驶过的道路段即为隐藏序列,通过建立起观测概率模型以及转移概率模型,求解出隐藏序列。
隐马尔可夫模型匹配的概率分为观察概率和转移概率两方面。如图6所示,假设当前有三条道路,分别为R1、R2、R3以及St,St+1两个GPS轨迹点。Pt,1,Pt,3分别为轨迹点St在道路R1、道路R3上的投影点,Pt+1,2为轨迹点St+1其在道路R2上的投影点。route_distance为汽车在某条道路上行驶所产生的路程距离,记作route_d。great circle为GPS轨迹点St到St+1的球面距离,记作gc。
公式(4)为观测概率的建模,其中θ为测量得到的GPS位置定位点的标准差。该公式表明若St距离Ri的球面直线距离越小,则其更有可能在路段Ri上。
其中,Pt,i表示轨迹点St在道路Ri上的投影点。
公式(5)为转移概率的建模。两个GPS点St,St+1之间的距离与两个待匹配点Pt,i,Pt+1,j的距离相差越小,Pt,i表示GPS轨迹点St在道路Ri上的投影点,Pt+1,j表示GPS轨迹点St+1在道路Rj上的投影点,则该车辆更有可能在从Ri至Rj的道路上行驶。将前者与后者的距离比值作为转移概率,当两者距离相差越小,比值越接近1,转移概率越大。
本发明采用Geohash算法对路网数据进行路段筛选处理,再通过ST-Matching算法执行路段匹配,综合考虑了几何拓扑特征、速度约束等因素对匹配结果的影响。本发明提供的Geohash压缩的地图匹配方法具有如下有益技术效果:
1)路网拓扑结构的构建和预处理。对路网数据执行数据清洗操作,并进行拓扑关系构建。按照一定规则处理GPS轨迹数据集,剔除异常、冗余数据;2)提出了基于Geohash的编码压缩的路网匹配方法。根据Geohash原理,将已预处理的路网数据网格化,得到若干个可以唯一标识的网格区域。同时将GPS轨迹数据集转换为对应的Geohash编码,筛选出附近路段网格,从而实现路网数据的压缩存储;3)采取了综合空间分析与时间分析的ST-Matching算法。实现若干组高频采样数据和低频采样数据匹配到正确路网道路上,并与未采用Geohash算法筛选路段而直接进行路网匹配进行对比实验,验证了本发明方法的效率优势。
4)可视化实验结果
(1)高频采样匹配结果
本组实验数据为采样频率10s~20s左右的数据,路段匹配示例结果如图7中的黑色加粗路段。
(2)低频采样匹配结果
本组实验数据为采样频率为1min左右的数据,路段匹配示例结果如图8中的黑色加粗路段。
(3)不连通路段处理结果
初步的匹配得到的轨迹可能是不连通的,对于这种轨迹,应当删除断裂处的点,重新匹配。如图9所示,在第七个与第八个轨迹点之间存在一处断裂,即无法从这条路径到达第八个轨迹位置,因此算法舍弃该断裂轨迹,并且删除断裂处得到重新匹配的黑色加粗路段结果。
实验对比分析:本实验针对低频、高频采样数据分别选取若干组数据进行实验,实验结果正确率如表1所示。
表1匹配结果统计
由表1所示,可知ST-Matching算法在进行两种类型数据匹配时均可得到高达90%左右的成功匹配率。
为了验证Geohash筛选路段对地图匹配效率的提升,本发明分别采取若干组高频采样数据和低频采样数据,对比它们在执行路段筛选操作前后的耗时代价,结果如图10所示。可见在基于高频采样数据和低频采样数据的实验下,Geohash算法的使用都在很大程度上提高了算法的效率性。
实验选取若干组低频采样及高频采样数据,将它们匹配到相应路段上,并实现了可视化。与未筛选路段直接进行匹配的耗时代价相比,该方法下采用高频采样数据平均耗时代价仅为其12.1%,采样低频采样数据平均耗时代价为其17.4%。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (5)
1.一种Geohash压缩的地图匹配方法,其特征在于,所述方法具体包括如下步骤:
S1、构建道路拓扑网络,确定各GPS轨迹点所在的网格;
S2、将GPS轨迹投影到道路拓扑网络中,获取GPS投影轨迹;
S3、计算所有GPS投影轨迹点相对于网格内路段上各点的转移概率及观测概率,将转移概率及观测概率的乘积作为对应点的权重,构建权重图;
S4、在权重图中寻找权重最大的路径;
S5、对权重最大的路径进行回溯,检测回溯路径是否存在断裂处,若检测结果为是,则删除断裂处的点,返回步骤S3,若检测结果为否,则输出所述权重最大的路径。
2.如权利要求1所述Geohash压缩的地图匹配方法,其特征在于,所述路网的形成方法具体如下:
S11、从公开地图上下载的OSM格式的指定区域的路网数据;
S12、对路网数据进行清洗;
S13、基于清洗后的路网数据构建道路拓扑网络,路段的起点和终点即为道路拓扑网络中的节点,道路长度即为路段的权重。
3.如权利要求2所述Geohash压缩的地图匹配方法,其特征在于,路网数据进行清洗过程具体如下:
将路网数据中消除冗余道路:将道路名中包含文字空值、出口、入口、服务区、辅路、互通、村道、河岸、步行街的道路删除;
对道路进行融合处理,将原本属于一条路的线段并在一条线上;
将道路双线拆分为道路单线。
4.如权利要求1所述Geohash压缩的地图匹配方法,其特征在于,GPS轨迹的形成方法具体如下:
获取GPS轨迹数据集,对GPS轨迹数据集进行无效数据、冗余数据及异常数据的删除,其操作方法具体如下:
无效数据的删除:删除经纬度不在指定区域的路网数据;
冗余数据的删除:若在连续的一个时间段内,同一车辆的多条数据的经纬度连始终无变化,则视作车辆停滞并删除;
异常数据的删除:若GPS轨迹点的行驶时间、行驶速度不合理,则视作无效数据并删除。
5.如权利要求1所述Geohash压缩的地图匹配方法,其特征在于,所述步骤S1具体包括如下步骤:
对道路拓扑网络进行网格划分,计算各网格的Geohash编码
计算GPS轨迹点的Geohash编码;
检索各GPS轨迹点所在的网格,获取所在网格的id。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010813866.XA CN112015835B (zh) | 2020-08-13 | 2020-08-13 | Geohash压缩的地图匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010813866.XA CN112015835B (zh) | 2020-08-13 | 2020-08-13 | Geohash压缩的地图匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112015835A true CN112015835A (zh) | 2020-12-01 |
CN112015835B CN112015835B (zh) | 2022-09-30 |
Family
ID=73506061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010813866.XA Active CN112015835B (zh) | 2020-08-13 | 2020-08-13 | Geohash压缩的地图匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112015835B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685531A (zh) * | 2021-01-26 | 2021-04-20 | 腾讯科技(深圳)有限公司 | 车辆匹配方法和装置、计算设备以及计算机可读存储介质 |
CN112991722A (zh) * | 2021-02-03 | 2021-06-18 | 浙江浙大中控信息技术有限公司 | 高频gps点的公交车辆实时路口预测方法和系统 |
CN113155141A (zh) * | 2021-04-09 | 2021-07-23 | 阿波罗智联(北京)科技有限公司 | 地图的生成方法、装置、电子设备及存储介质 |
CN113284337A (zh) * | 2021-04-19 | 2021-08-20 | 国交空间信息技术(北京)有限公司 | 基于车辆轨迹多维数据的od矩阵计算方法及装置 |
CN113465613A (zh) * | 2021-07-22 | 2021-10-01 | 全图通位置网络有限公司 | 一种城市轨道交通中隧道网络定位的地图匹配优化方法 |
CN113639757A (zh) * | 2021-07-29 | 2021-11-12 | 上海交通大学 | 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 |
CN114637730A (zh) * | 2022-03-23 | 2022-06-17 | 清华大学 | 一种模型文件的压缩的方法、装置、系统及存储介质 |
WO2022147968A1 (zh) * | 2021-01-05 | 2022-07-14 | 长安大学 | 一种快速车载gps轨迹精确地图匹配的方法 |
CN115243091A (zh) * | 2022-06-14 | 2022-10-25 | 北京箩筐时空数据技术有限公司 | 一种地图轨迹动态展示方法及装置 |
CN115292434A (zh) * | 2022-09-29 | 2022-11-04 | 四川省交通勘察设计研究院有限公司 | 一种基于地图引擎的gis路线可视化交互方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810851A (zh) * | 2014-01-23 | 2014-05-21 | 广州地理研究所 | 一种基于手机定位的交通出行模式识别方法 |
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 |
CN108645421A (zh) * | 2018-05-15 | 2018-10-12 | 天津大学 | 基于隐马尔科夫模型的自适应在线地图匹配方法 |
CN110095126A (zh) * | 2019-05-07 | 2019-08-06 | 北京百度网讯科技有限公司 | 地图匹配方法、装置、设备和介质 |
US10521477B1 (en) * | 2016-09-28 | 2019-12-31 | Amazon Technologies, Inc. | Optimized location identification |
CN110631594A (zh) * | 2019-10-24 | 2019-12-31 | 成都大成均图科技有限公司 | 基于复杂轨迹网络划分模型的离线地图匹配方法和系统 |
CN110909106A (zh) * | 2019-11-26 | 2020-03-24 | 杭州三汇数字信息技术有限公司 | 一种轨迹预测方法和系统 |
CN111189459A (zh) * | 2020-01-10 | 2020-05-22 | 成都信息工程大学 | 一种定位信息与道路匹配的方法和装置 |
CN111256710A (zh) * | 2020-01-21 | 2020-06-09 | 华南理工大学 | 一种地图匹配方法及系统 |
CN111459953A (zh) * | 2020-03-03 | 2020-07-28 | 成都大成均图科技有限公司 | 多源数据融合的地图匹配更新方法和系统 |
CN111488417A (zh) * | 2019-01-28 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 信息处理方法、系统、装置、设备及计算机存储介质 |
-
2020
- 2020-08-13 CN CN202010813866.XA patent/CN112015835B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810851A (zh) * | 2014-01-23 | 2014-05-21 | 广州地理研究所 | 一种基于手机定位的交通出行模式识别方法 |
US10521477B1 (en) * | 2016-09-28 | 2019-12-31 | Amazon Technologies, Inc. | Optimized location identification |
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 |
CN108645421A (zh) * | 2018-05-15 | 2018-10-12 | 天津大学 | 基于隐马尔科夫模型的自适应在线地图匹配方法 |
CN111488417A (zh) * | 2019-01-28 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 信息处理方法、系统、装置、设备及计算机存储介质 |
CN110095126A (zh) * | 2019-05-07 | 2019-08-06 | 北京百度网讯科技有限公司 | 地图匹配方法、装置、设备和介质 |
CN110631594A (zh) * | 2019-10-24 | 2019-12-31 | 成都大成均图科技有限公司 | 基于复杂轨迹网络划分模型的离线地图匹配方法和系统 |
CN110909106A (zh) * | 2019-11-26 | 2020-03-24 | 杭州三汇数字信息技术有限公司 | 一种轨迹预测方法和系统 |
CN111189459A (zh) * | 2020-01-10 | 2020-05-22 | 成都信息工程大学 | 一种定位信息与道路匹配的方法和装置 |
CN111256710A (zh) * | 2020-01-21 | 2020-06-09 | 华南理工大学 | 一种地图匹配方法及系统 |
CN111459953A (zh) * | 2020-03-03 | 2020-07-28 | 成都大成均图科技有限公司 | 多源数据融合的地图匹配更新方法和系统 |
Non-Patent Citations (2)
Title |
---|
DANDAN SHEN,等: "A Nearby Vehicle Search Algorithm Based on HBase Spatial Index", 《2015 12TH WEB INFORMATION SYSTEM AND APPLICATION CONFERENCE (WISA)》, 2 April 2016 (2016-04-02), pages 71 - 74 * |
邢凯,等: "基于Geohash编码的位置隐私保护算法", 《计算机工程与应用》, vol. 55, no. 1, 30 April 2018 (2018-04-30), pages 96 - 102 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022147968A1 (zh) * | 2021-01-05 | 2022-07-14 | 长安大学 | 一种快速车载gps轨迹精确地图匹配的方法 |
CN112685531A (zh) * | 2021-01-26 | 2021-04-20 | 腾讯科技(深圳)有限公司 | 车辆匹配方法和装置、计算设备以及计算机可读存储介质 |
CN112991722A (zh) * | 2021-02-03 | 2021-06-18 | 浙江浙大中控信息技术有限公司 | 高频gps点的公交车辆实时路口预测方法和系统 |
CN113155141A (zh) * | 2021-04-09 | 2021-07-23 | 阿波罗智联(北京)科技有限公司 | 地图的生成方法、装置、电子设备及存储介质 |
WO2022213580A1 (zh) * | 2021-04-09 | 2022-10-13 | 阿波罗智联(北京)科技有限公司 | 地图的生成方法、装置、电子设备及存储介质 |
CN113284337A (zh) * | 2021-04-19 | 2021-08-20 | 国交空间信息技术(北京)有限公司 | 基于车辆轨迹多维数据的od矩阵计算方法及装置 |
CN113465613A (zh) * | 2021-07-22 | 2021-10-01 | 全图通位置网络有限公司 | 一种城市轨道交通中隧道网络定位的地图匹配优化方法 |
CN113465613B (zh) * | 2021-07-22 | 2023-12-26 | 全图通位置网络有限公司 | 一种城市轨道交通中隧道网络定位的地图匹配优化方法 |
CN113639757A (zh) * | 2021-07-29 | 2021-11-12 | 上海交通大学 | 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 |
CN113639757B (zh) * | 2021-07-29 | 2023-08-25 | 上海交通大学 | 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 |
CN114637730A (zh) * | 2022-03-23 | 2022-06-17 | 清华大学 | 一种模型文件的压缩的方法、装置、系统及存储介质 |
CN114637730B (zh) * | 2022-03-23 | 2023-01-10 | 清华大学 | 一种模型文件的压缩的方法、装置、系统及存储介质 |
CN115243091A (zh) * | 2022-06-14 | 2022-10-25 | 北京箩筐时空数据技术有限公司 | 一种地图轨迹动态展示方法及装置 |
CN115243091B (zh) * | 2022-06-14 | 2024-02-02 | 北京箩筐时空数据技术有限公司 | 一种地图轨迹动态展示方法及装置 |
CN115292434A (zh) * | 2022-09-29 | 2022-11-04 | 四川省交通勘察设计研究院有限公司 | 一种基于地图引擎的gis路线可视化交互方法 |
CN115292434B (zh) * | 2022-09-29 | 2022-12-13 | 四川省交通勘察设计研究院有限公司 | 一种基于地图引擎的gis路线可视化交互方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112015835B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112015835B (zh) | Geohash压缩的地图匹配方法 | |
CN109405839B (zh) | 一种基于多路径的交通网络离线地图匹配算法 | |
CN111343585B (zh) | 一种基于隐马尔可夫模型的移动用户轨迹地图匹配方法 | |
CN110648527B (zh) | 一种基于深度学习模型的交通速度预测方法 | |
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 | |
CN104462190B (zh) | 一种基于海量空间轨迹挖掘的在线的位置预测方法 | |
CN108763558B (zh) | 一种基于地图匹配的众包地图道路质量改进方法 | |
EP2172048B1 (en) | System and methods for determining location using cellular transition patterns | |
CN110008872B (zh) | 一种结合车辆轨迹和遥感图像的路网提取方法 | |
CN107270922B (zh) | 一种基于poi索引的交通事故空间定位方法 | |
CN106408124B (zh) | 一种面向数据稀疏环境下的移动路径混合预测方法 | |
CN111189459A (zh) | 一种定位信息与道路匹配的方法和装置 | |
CN111292356B (zh) | 运动轨迹与道路的匹配方法及装置 | |
CN113932821B (zh) | 基于连续窗口平均方向特征的轨迹地图匹配方法 | |
CN112988936A (zh) | 出行轨迹预测方法、装置、计算设备及存储介质 | |
WO2021236006A1 (en) | Route deviation quantification and vehicular route learning based thereon | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
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 | |
JP2004354395A (ja) | マップマッチング方法と装置 | |
CN113611115B (zh) | 一种基于路网敏感特征的车辆轨迹聚类方法 | |
de Sousa et al. | A map matching based framework to reconstruct vehicular trajectories from gps datasets | |
CN112309118B (zh) | 一种基于时空相似度的车辆轨迹推算方法 | |
Hou et al. | Fast online map matching for recovering travelling routes from low-sampling GPS data | |
CN110411450A (zh) | 一种用于压缩轨迹的地图匹配方法 | |
Viel et al. | Map matching with sparse cellular fingerprint observations |
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 |