CN112020012A - 一种移动轨迹重建及道路匹配方法、存储介质及服务器 - Google Patents

一种移动轨迹重建及道路匹配方法、存储介质及服务器 Download PDF

Info

Publication number
CN112020012A
CN112020012A CN202010832238.6A CN202010832238A CN112020012A CN 112020012 A CN112020012 A CN 112020012A CN 202010832238 A CN202010832238 A CN 202010832238A CN 112020012 A CN112020012 A CN 112020012A
Authority
CN
China
Prior art keywords
road network
nodes
base station
transition probability
network nodes
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
Application number
CN202010832238.6A
Other languages
English (en)
Other versions
CN112020012B (zh
Inventor
常晓猛
李帆
李清泉
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.)
Shenzhen Nuodi Digital Technology Co ltd
Original Assignee
Shenzhen Nuodi Digital Technology Co ltd
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 Shenzhen Nuodi Digital Technology Co ltd filed Critical Shenzhen Nuodi Digital Technology Co ltd
Priority to CN202010832238.6A priority Critical patent/CN112020012B/zh
Publication of CN112020012A publication Critical patent/CN112020012A/zh
Application granted granted Critical
Publication of CN112020012B publication Critical patent/CN112020012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • 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
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/03—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers
    • G01S19/10—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers providing dedicated supplementary positioning signals
    • G01S19/12—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers providing dedicated supplementary positioning signals wherein the cooperating elements are telecommunication base stations
    • 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
    • G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种移动轨迹重建及道路匹配方法、存储介质及服务器，所述方法包括：对采集的目标区域城市居民多源时空GPS轨迹数据进行路网匹配，获取路网节点并构建路网节点之间的转移概率矩阵；对所述路网节点进行筛选，提取基站辐射范围内的关键路网节点；根据路网节点之间的转移概率矩阵，得到基站切换过程中关键路网节点之间的最大转移概率路径和最大转移概率，构建关键路网节点的最优路径经验轨迹库；根据所述最优路径经验轨迹库和已知基站序列构建双层路网结构图；根据所述双层路网结构图和最优路径经验轨迹库，还原路网节点间起点与终点的最大真实转移概率路径。所述方法对于缓解交通拥堵，合理进行交通规划以及指导公众出行具有重要意义。

Description

一种移动轨迹重建及道路匹配方法、存储介质及服务器
技术领域
本发明涉及多源轨迹数据应用领域，尤其涉及一种移动轨迹重建及道路匹配方法、存储介质及服务器。
背景技术
近年来，基于移动手机信令数据的分析成为大规模用户出行行为特征分析及交通信息采集的重要技术。制约其进一步发挥数据价值的关键技术之一是手机定位移动轨迹点的道路网匹配及移动轨迹还原技术。
受限于移动通信服务商数据记录方式，常见的手机信令数据，通常为单源基站源址定位方式，该方式的定位精度远低于GPS定位方式，现阶段能够采集到的大规模人群的手机轨迹时间粒度也远大于智能交通系统(ITS)浮动车数据的时间粒度，这给手机用户移动轨迹点的地图匹配及轨迹还原带来极大的困难，严重制约了进一步的深化分析及后续应用，造成了大量数据的浪费。
发明内容
有鉴于此，本发明的目的在于提供一种移动轨迹重建及道路匹配方法、存储介质及服务器，旨在解决现有技术基于单源基站的道路匹配误差较大，轨迹难以还原的问题。
第一方面，本发明实施例提供了一种移动轨迹重建及道路匹配方法，包括：
对采集的目标区域城市居民多源时空GPS轨迹数据进行路网匹配，获取路网节点并构建路网节点之间的转移概率矩阵；
对所述路网节点进行筛选，提取基站辐射范围内的关键路网节点；
根据路网节点之间的转移概率矩阵，得到基站切换过程中关键路网节点之间的最大转移概率路径和最大转移概率，构建关键路网节点的最优路径经验轨迹库；
根据所述最优路径经验轨迹库和已知基站序列构建双层路网结构图；
根据所述双层路网结构图和最优路径经验轨迹库，还原路网节点间起点与终点的最大真实转移概率路径。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述城市居民多源时空GPS轨迹数据包括出租车轨迹数据、公交车轨迹数据、共享单车轨迹数据以及社交网络轨迹数据。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述对采集的目标区域城市居民多源时空GPS轨迹数据进行路网匹配，获取路网节点并构建路网节点之间的转移概率矩阵的步骤具体包括：
采用地图匹配方法将城市居民多源时空GPS轨迹数据进行还原和轨迹重建，得到路网节点；
将目标区域路网用有向图G＝＜V，E＞表示，其中V为路网节点集合，E为边集；
统计目标区域路网任一路网节点的通过频次，生成路网节点的通行频次集F；
统计相连通的路网节点间的转移概率，构建整个路网的转移概率矩阵T。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述对所述路网节点进行筛选，提取基站辐射范围内的关键路网节点的步骤具体还包括：
将基站辐射范围与路网节点进行空间叠置操作，提取每个基站的辐射路网节点集合N＝{N1，N2，...，NM}，其中，M为基站辐射范围内的路网节点数；
剔除所述路网节点集合中度小于2的叶子节点，生成候选路网节点集合；
按照通行频次高低对所述候选路网节点集合中的节点进行降序排列，将通行频次最高的节点转移到关键路网节点集合中；
按通行频次高低顺序依次遍历所述候选路网节点集合中的剩余节点，判断所述剩余节点是否与关键路网节点集合中的节点是否有连通关系：
当判定所述剩余节点是否与关键路网节点集合中的节点有连通关系时，则舍弃该剩余节点；
当判定所述剩余节点是否与关键路网节点集合中的节点没有连通关系，且所述剩余节点与关键路网节点集合中的节点之间的距离均大于第一距离阈值时，则将所述剩余节点转移到关键路网节点集合中。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述根据路网节点之间的转移概率矩阵，得到基站切换过程中关键路网节点之间的最大转移概率路径和最大转移概率集，构建关键路网节点经验轨迹库的步骤具体还包括：
计算与当前基站泰森多边形相连的所有基站之间的空间距离，求取最大距离dmax；
将预设的第二距离阈值dbuffer与所述最大距离dmax的大小进行比较，以当前基站作为圆心，以dbuffer和dmax两者之间较大的值作为基站半径，筛选与当前基站空间临近的所有基站集合；
计算当前基站辐射范围内的关键路网节点到空间临近的所有基站中关键路网节点集中任一节点的概率最大路径Pmax和最大转移概率p。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，根据最优路径经验轨迹库和已知基站序列，构建所述双层路网结构图，包括上层路网结构图和下层路网结构图，其中，所述上层网络结构图为空间临近基站覆盖的路网关键节点之间的有向带权拓扑连通图；所述下层路网结构图为用于还原路网路径的真实路网图。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述根据所述双层路网结构图和最优路径经验轨迹库，还原路网节点间起点与终点的最大转移概率路径的步骤具体包括：
在上层路网结构图上应用DijkStra算法，目标函数为最大转移概率，找到虚拟起点到虚拟终点之间的一条最大虚拟转移概率路径；
对所述最大虚拟转移概率路径进行下层路网映射路径补全，查询最优路径经验轨迹库，得到还原路网节点间起点与终点的最大真实转移概率路径。
第二方面，本发明实施例还提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序被一个或多个处理器执行，以实现上述一种移动轨迹重建及道路匹配方法的步骤。
第三方面，本发明实施例还提供了一种应用服务器，其中，所述应用服务器包括至少一个处理器、显示屏、存储器以及通信接口和总线，所述处理器、显示屏、存储器和通信接口通过总线完成相互间的通信，所述处理器调用存储器中的逻辑指令以执行权利要求上述一种移动轨迹重建及道路匹配方法的步骤。
本发明实施例带来了以下有益效果：
本发明实施例基于城市居民多源时空GPS轨迹数据，对不同源GPS轨迹数据进行路网匹配，提取大规模群体在城市区域及道路重要节点间路径选择经验模式；对路网节点进行筛选，提取手机基站辐射范围内的关键路网节点，分析个体移动过程中的基站切换模式，构建个体在手机网络层基站切换过程中映射的路网层节点转移概率矩阵，设计基于手机信令的道路网匹配及轨迹重建方法。本发明提供的方法有效解决了基于单源基站的道路匹配存在误差较大、轨迹难以还原的问题，这对于大规模城市居民出行及通勤时空行为的获取、规律分析具有重要意义。
附图说明
图1为本发明实施例提供的一种移动轨迹重建及道路匹配方法较佳实施例的流程图。
图2为本发明实施例提供的一种获取路网节点并构建路网节点之间的转移概率矩阵的流程图。
图3为本发明实施例提供的一种提取基站辐射范围内的关键路网节点的流程图。
图4为本发明实施例提供的一种构建关键路网节点的经验轨迹库的流程图。
图5为本发明实施例提供的一种上层路网结构图的示意图。
图6为本发明实施例提供的一种应用服务器较佳实施例的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案及效果更加清楚、明确，下面将结合附图对本发明的技术方案做进一步阐述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明提供的一种移动轨迹重建及道路匹配方法较佳实施例的流程图，其中，如图所示，包括步骤：
步骤S10，对采集的目标区域城市居民多源时空GPS轨迹数据进行路网匹配，获取路网节点并构建路网节点之间的转移概率矩阵；
步骤S20，对所述路网节点进行筛选，提取基站辐射范围内的关键路网节点；
步骤S30，根据路网节点之间的转移概率矩阵，得到基站切换过程中关键路网节点之间的最大转移概率路径和最大转移概率，构建关键路网节点的最优路径经验轨迹库；
步骤S40，根据所述最优路径经验轨迹库和已知基站序列构建双层路网结构图；
步骤S50，根据所述双层路网结构图和最优路径经验轨迹库，还原路网节点间起点与终点的最大真实转移概率路径。
具体来讲，现有基于单源基站的道路匹配存在误差较大、轨迹难以还原的问题，假设ABCD分别是4个基站服务区，它们构成了一条基站链路，基站链路的基站之间是有顺序的，每个基站服务区内有众多可选道路节点，如果直接遍历所有基站之间的道路节点求一条最优路径，那么时间复杂度将是MN(M为服务区内平均节点数，N为链路节点数)，这显然是不可取的。为解决上述问题，本发明提供了一种移动轨迹重建及道路匹配方法，基于多源轨迹数据融合，实现地图匹配以及移动轨迹重建。
在本发明实施例中，所述步骤S10还包括：
步骤S11，采用地图匹配方法将城市居民多源时空GPS轨迹数据进行还原和轨迹重建，得到路网节点；
步骤S12，将目标区域路网用有向图G＝＜V，E＞表示，其中V为路网节点集合，E为边集；
步骤S13，统计目标区域路网任一路网节点的通过频次，生成路网节点的通行频次集F；
步骤S14，统计相连通的路网节点间的转移概率，构建整个路网的转移概率矩阵T。
具体来讲，采集的目标区域城市居民多源时空GPS轨迹数据包括但不限于出租车轨迹数据、公交车轨迹数据、共享单车轨迹数据以及社交网络轨迹数据，采用地图匹配的方法，可将居民出现轨迹进行还原和轨迹重建，在此基础上，统计目标区域路网任一路网节点的通过频次，生成路网节点的通行频次集F，并将目标区域路网用有向图G＝＜V，E＞表示，其中V为路网节点集合，E为边集；进一步地，统计任一道路节点到它连通的路网节点的转移概率，构建整个路网的转移概率矩阵T，为了避免零概率的问题，即历史经验轨迹中，某个路网节点到它连通的下一个路网节点在训练集中没有出现过而导致该事件出现的概率为0，本发明实施例将采用拉普拉斯平滑的方法对这一问题漏洞进行弥补。
作为其中一具体实施例，所述步骤S20具体还包括：
步骤S21，对基站辐射范围与路网节点进行空间叠置操作，提取每个基站的辐射路网节点集合N＝{N1，N2，...，NM}，其中，M为基站辐射范围内的路网节点数；
步骤S22，剔除所述路网节点集合中度小于2的叶子节点，生成候选路网节点集合；
步骤S23，按照通行频次高低对所述候选路网节点集合中的节点进行降序排列，将通行频次最高的节点转移到关键路网节点集合中；
步骤S24，按通行频次高低顺序依次遍历所述候选路网节点集合中的剩余节点，判断所述剩余节点是否与关键路网节点集合中的节点是否有连通关系；
步骤S25，当判定所述剩余节点与关键路网节点集合中的节点有连通关系时，则舍弃该剩余节点；
步骤S26，当判定所述剩余节点与关键路网节点集合中的节点没有连通关系，且所述剩余节点与关键路网节点集合中的节点之间的距离均大于第一距离阈值时，则将所述剩余节点转移到关键路网节点集合中。
具体来讲，手机运营商通常有各个基站的发射功率和辐射范围内的实测信号强度，但这一资料通常不易获取，若已知基站b辐射半径Rb，则采纳方案1，否则采纳方案2。
方案1：直接以基站b的地理坐标为圆心，构建以辐射半径Rb的圆作为基站b的辐射范围区域；
方案2：目前业内通行的做法，构建所在研究区域基站的泰森多边形，以泰森多边形作为基站的辐射范围。这种做法在基站密集区域，每个基站分割的区域过小，造成大量基站辐射范围不能覆盖路网的情形发生。本发明实施例在泰森多边形的基础上，设计了一种改进方法。若基站b对应的的泰森多边形Tb的边数为
Figure BDA0002638405060000081
基站到泰森多边形各个顶点的距离集合为{d0,d1,…,dn}，其中距离最大的为dmax。为了保证每个基站都有足够大的辐射范围覆盖路网，本发明实施例还设计了一个最小辐射半径阈值D。若dmax<D，则以D为该基站的辐射半径；否则，则以dmax作为该基站的辐射半径(示意图如下，D推荐设置为500m-1000m)。
基于上述确定的基站辐射半径，生成基站辐射范围图层，将生成的基站辐射范围图层与路网节点图层进行空间叠置操作，可提取到每个基站b的辐射路网节点集合N＝{N1，N2，...，NM}，其中，M为基站辐射范围内的路网节点数。若一条原始手机轨迹为R＝{b1,b2,…,bp}，其中p为手机轨迹经过的基站数，则理论上可供选择的路径的总数为
Figure BDA0002638405060000082
在路网密集的地区，
Figure BDA0002638405060000083
通常比较大，随着轨迹增长，路径可选集呈指数级增长，而这不利于最优路径的求解。为了降低运算量，本发明实施例还提供了一种改进方法，即从基站辐射的所有路网节点中抽取关键的路网节点，其具体步骤如下：
1)剔除路网中的叶子节点；
2)将剩下的路网，重复步骤1)，递归剔除叶子节点操作，直到路网中没有叶子节点，即路网中没有度小于2的路网节点，生成候选路网节点集合Kcandidate；
3)将候选路网节点集合Kcandidate中的路网节点，按照居民出行通行频次进行降序排列，将通行频次最高的节点移到关键路网节点集合Kkey；
4)从Kcandidate剩余节点中，选择通行频次最高的节点，判断该节点是否跟Kkey集中所有的节点是否有连通关系，若没有任何连通关系，且该节点到Kkey集中所有的节点的最短路径距离均大于阈值d(d推荐设置为100m)，则予以保留，将该节点移到Kkey，否则直接从Kcandidate中直接予以舍弃。
5)重复步骤4)，直到Kcandidate中没有任何路网节点。
在本发明实施例中，所述步骤S30，具体还包括：
步骤S31，计算与当前基站泰森多边形相连的所有基站之间的空间距离，求取最大距离dmax；
步骤S32，将预设的第二距离阈值dbuffer与所述最大距离dmax的大小进行比较，以当前基站作为圆心，以dbuffer和dmax两者之间较大的值作为基站半径，筛选与当前基站空间临近的所有基站集合；
步骤S33，计算当前基站辐射范围内的关键路网节点到空间临近的所有基站中关键路网节点集中任一节点的概率最大路径Pmax和最大转移概率p。
具体来讲，个体在移动过程中，在手机网络层基站可能随时发生切换，切换带有一定的随机性，从一个基站切换到另一个基站，这两个基站在空间上可能并不相连。然而，在构建手机网络层基站切换过程中映射的路网层节点之间的概率转移矩阵时，必须构建某手机基站辐射范围内任一路网节点到其余手机基站辐射的所有可能路网节点之间的最优路径集，这是一件极度浪费时间资源和空间资源的工作。本发明实施例为了最大可能的减少资源的浪费和提高算法效率，设置了一个距离阈值dbuffer(在一些具体实施例中，推荐为5km)，仅构建当前关键路网节点到所有路网关键节点距离不超过距离阈值dbuffer的最优路径，用以形成关键路网节点之间的最优路径经验轨迹库，具体步骤如下：
a)计算与当前手机基站泰森多边形相连的所有手机基站之间的空间距离，求取最大的距离dmax；
b)若dmax<dbuffer,则将dbuffer设置为最大基站搜索半径，保证当前基站辐射范围内的道路节点能搜索到相邻基站内的任一路网节点；否则，将dmax设置为最大基站搜索半径，保证当前基站辐射范围内的道路节点能搜索到足够大范围内的邻近基站内的任一路网节点；
c)在步骤b)确定的搜索半径下，筛选当前手机基站空间临近的所有手机基站集合，提取当前手机基站中关键节点集合到空间临近的所有手机基站中的所有可能的关键路网节点集；
d)基于最优路径算法(在一些具体实施例中，采用Dijkstra算法，目标函数为最大转移概率)和节点之间的转移概率，计算步骤c)中当前手机基站的辐射范围内的关键道路节点到空间临近的所有手机基站的所有可能的关键路网节点集中任一节点的最大概率路径Pmax和最大转移概率p。
更进一步地，在所述步骤S40中，根据所述最优路径经验轨迹库和已知基站序列构建双层路网结构图，所述双层路网结构图包括上层路网结构图和下层路网结构图。具体地，给定一条基站序列，根据计算出基站序列中任意相邻两个基站中的关键路网节点集内的两节点之间的最大转移概率，构建上层路网结构图。上层路网结构是空间临近的基站覆盖的可选路网关键节点之间的有向带权拓扑连通图，权重为节点之间的根据大量用户经验推算出的最大转移概率；下层路网结构是真实路网，也是有向带权拓扑连图，用于路网层路径的还原。上层节点a和b在下层路网层的映射即a到b之间的一条最大概率转移路径。
上层路网结构图如图5所示，其构建具体方法是：先在序列开始处补上一个虚拟起点Start，Start点到第一个基站A的candidate候选集中的所有节点都在图中有一条虚拟路径，路径的权值即为概率值1。然后，对于基站序列中的任意一个基站A的关键路网节点集中的每一个路网节点a，遍历基站序列中基站A之后的其他基站(其他任意一个基站用B表示)，如果节点a与基站B的关键路网节点集中任一路网节点b存在于最优路径经验轨迹库中，便将边a-b添加到图中，边的权值为轨迹库中这两个路网节点之间的最大转移概率。最后在序列的末尾补上一个虚拟终点End，最后一个基站的candidate候选集中的所有节点都与End点在新图中有一条边，边的权值为概率值1。
进一步地，在上层路网结构图上再次应用最优路径算法——在一些具体实施例中，采用Dijkstra算法，目标函数为最大转移概率，进而找到虚拟起点Start到虚拟终点End之间的一条最大虚拟转移概率路径；对所述最大虚拟转移概率路径进行下层路网映射路径补全，方法是对上层路网中的每两个连续节点a和b，在最优路径经验轨迹库中查找节点a和b之间的最大转移概率路径，并用该路径去补全最终的路径，最后得到一条具体的最大真实转移概率路径。这便是根据已知的基站序列，所还原出来的最优路径。
基于上述移动轨迹重建及道路匹配方法，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一实施例所述的移动轨迹重建及道路匹配方法中的步骤。
基于上述移动轨迹重建及道路匹配方法，本发明实施例还提供了一种应用服务器，如图6所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器30通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
此外，上述存储介质以及移动终端中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
综上所述，本发明基于城市居民多源时空GPS轨迹数据，对不同源GPS轨迹数据进行路网匹配，提取大规模群体在城市区域及道路重要节点间路径选择经验模式；对路网节点进行筛选，提取手机基站辐射范围内的关键路网节点，分析个体移动过程中的基站切换模式，构建个体在手机网络层基站切换过程中映射的路网层节点转移概率矩阵，设计基于手机信令的道路网匹配及轨迹重建方法。本发明提供的方法有效解决了基于单源基站的道路匹配存在误差较大、轨迹难以还原的问题，这对于大规模城市居民出行及通勤时空行为的获取、规律分析具有重要意义。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (9)

1.一种移动轨迹重建及道路匹配方法，其特征在于，包括：
对采集的目标区域城市居民多源时空GPS轨迹数据进行路网匹配，获取路网节点并构建路网节点之间的转移概率矩阵；
对所述路网节点进行筛选，提取基站辐射范围内的关键路网节点；
根据路网节点之间的转移概率矩阵，得到基站切换过程中关键路网节点之间的最大转移概率路径和最大转移概率，构建关键路网节点最优路径经验轨迹库；
根据所述最优路径经验轨迹库和已知基站序列构建双层路网结构图；
根据所述双层路网结构图和最优路径经验轨迹库，还原路网节点间起点与终点的最大真实转移概率路径。
2.根据权利要求1所述的移动轨迹重建及道路匹配方法，其特征在于，所述城市居民多源时空GPS轨迹数据包括但不限于出租车轨迹数据、公交车轨迹数据、共享单车轨迹数据以及社交网络轨迹数据。
3.根据权利要求1所述的移动轨迹重建及道路匹配方法，其特征在于，所述对采集的目标区域城市居民多源时空GPS轨迹数据进行路网匹配，获取路网节点并构建路网节点之间的转移概率矩阵的步骤具体包括：
采用地图匹配方法将城市居民多源时空GPS轨迹数据进行还原和轨迹重建，得到路网节点；
将目标区域路网用有向图G＝＜V，E＞表示，其中V为路网节点集合，E为边集；
统计目标区域路网任一路网节点的通过频次，生成路网节点的通行频次集F；
统计相连通的路网节点间的转移概率，构建整个路网的转移概率矩阵T。
4.根据权利要求1所述的移动轨迹重建及道路匹配方法，其特征在于，所述对所述路网节点进行筛选，提取基站辐射范围内的关键路网节点的步骤具体包括：
对基站辐射范围与路网节点进行空间叠置操作，提取每个基站的辐射路网节点集合N＝{N1，N2，...，NM}，其中，M为基站辐射范围内的路网节点数；
剔除所述路网节点集合中度小于2的叶子节点，生成候选路网节点集合；
按照通行频次高低对所述候选路网节点集合中的节点进行降序排列，将通行频次最高的节点转移到关键路网节点集合中；
按通行频次高低顺序依次遍历所述候选路网节点集合中的剩余节点，判断所述剩余节点是否与关键路网节点集合中的节点是否有连通关系：
当判定所述剩余节点与关键路网节点集合中的节点有连通关系时，则舍弃该剩余节点；
当判定所述剩余节点与关键路网节点集合中的节点没有连通关系，且所述剩余节点与关键路网节点集合中的节点之间的距离均大于第一距离阈值时，则将所述剩余节点转移到关键路网节点集合中。
5.根据权利要求1所述的移动轨迹重建及道路匹配方法，其特征在于，所述根据路网节点之间的转移概率矩阵，得到基站切换过程中关键路网节点之间的最大转移概率路径和最大转移概率，构建关键路网节点的最优路径经验轨迹库的步骤具体包括：
计算与当前基站的泰森多边形相连的所有基站之间的空间距离，求取最大距离dmax；
将预设的第二距离阈值dbuffer与所述最大距离dmax的大小进行比较，以当前基站作为圆心，以dbuffer和dmax两者之间较大的值作为基站半径，筛选与当前基站空间临近的所有基站集合；
计算当前基站辐射范围内的关键路网节点到空间临近的所有基站中关键路网节点集中任一节点的最大概率路径Pmax和最大转移概率p。
6.根据权利要求1所述的移动轨迹重建及道路匹配方法，其特征在于，所述双层路网结构图包括上层路网结构图和下层路网结构图，其中，所述上层网络结构图为空间临近基站覆盖的路网关键节点之间的有向带权拓扑连通图；所述下层路网结构图为用于还原路网路径的真实路网图。
7.根据权利要求1所述的移动轨迹重建及道路匹配方法，其特征在于，所述根据所述双层路网结构图和最优路径经验轨迹库，还原路网节点间起点与终点的最大转移概率路径的步骤具体包括：
在上层路网结构图上应用DijkStra算法，目标函数为最大转移概率，找到虚拟起点到虚拟终点之间的一条最大虚拟转移概率路径；
对所述最大虚拟转移概率路径进行下层路网映射路径补全，查询最优路径经验轨迹库，得到还原路网节点间起点与终点的最大真实转移概率路径。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序被一个或多个处理器执行，以实现上述权利要求1-7任意一种移动轨迹重建及道路匹配方法的步骤。
9.一种应用服务器，其特征在于，包括至少一个处理器、显示屏、存储器以及通信接口和总线，所述处理器、显示屏、存储器和通信接口通过总线完成相互间的通信，所述处理器调用存储器中的逻辑指令以执行权利要求上述权利要求1-7任意一种移动轨迹重建及道路匹配方法中的步骤。
CN202010832238.6A 2020-08-18 2020-08-18 一种移动轨迹重建及道路匹配方法、存储介质及服务器 Active CN112020012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010832238.6A CN112020012B (zh) 2020-08-18 2020-08-18 一种移动轨迹重建及道路匹配方法、存储介质及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010832238.6A CN112020012B (zh) 2020-08-18 2020-08-18 一种移动轨迹重建及道路匹配方法、存储介质及服务器

Publications (2)

Publication Number Publication Date
CN112020012A true CN112020012A (zh) 2020-12-01
CN112020012B CN112020012B (zh) 2022-09-30

Family

ID=73505483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010832238.6A Active CN112020012B (zh) 2020-08-18 2020-08-18 一种移动轨迹重建及道路匹配方法、存储介质及服务器

Country Status (1)

Country Link
CN (1) CN112020012B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327338A (zh) * 2021-01-05 2021-02-05 长安大学 一种快速车载gps轨迹精确地图匹配的方法
CN113254562A (zh) * 2021-06-18 2021-08-13 长安大学 一种高效gps轨迹地图匹配方法
CN114281908A (zh) * 2021-11-12 2022-04-05 上海国际港务（集团）股份有限公司 一种历史行驶路径重建方法、装置和计算机设备
CN114595300A (zh) * 2022-03-04 2022-06-07 山东大学 一种结合多源时空数据的活动链重建方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110208426A1 (en) * 2010-02-25 2011-08-25 Microsoft Corporation Map-Matching for Low-Sampling-Rate GPS Trajectories
CN110260870A (zh) * 2019-07-18 2019-09-20 北京百度网讯科技有限公司 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质
CN111343585A (zh) * 2020-02-28 2020-06-26 重庆邮电大学 一种基于隐马尔可夫模型的移动用户轨迹地图匹配方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110208426A1 (en) * 2010-02-25 2011-08-25 Microsoft Corporation Map-Matching for Low-Sampling-Rate GPS Trajectories
CN110260870A (zh) * 2019-07-18 2019-09-20 北京百度网讯科技有限公司 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质
CN111343585A (zh) * 2020-02-28 2020-06-26 重庆邮电大学 一种基于隐马尔可夫模型的移动用户轨迹地图匹配方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327338A (zh) * 2021-01-05 2021-02-05 长安大学 一种快速车载gps轨迹精确地图匹配的方法
CN113254562A (zh) * 2021-06-18 2021-08-13 长安大学 一种高效gps轨迹地图匹配方法
CN114281908A (zh) * 2021-11-12 2022-04-05 上海国际港务（集团）股份有限公司 一种历史行驶路径重建方法、装置和计算机设备
CN114595300A (zh) * 2022-03-04 2022-06-07 山东大学 一种结合多源时空数据的活动链重建方法及系统

Also Published As

Publication number Publication date
CN112020012B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN112020012B (zh) 一种移动轨迹重建及道路匹配方法、存储介质及服务器
CN108955693B (zh) 一种路网匹配的方法及系统
Cavalcante et al. Roadside unit deployment for information dissemination in a VANET: An evolutionary approach
CN113906716B (zh) 雾节点资源的分配
CN110008413B (zh) 一种交通出行问题查询方法和装置
CN105160889B (zh) 一种城市内涝情景下路网交通流的多源点协同疏导方法
WO2013167085A2 (zh) 一种基于栅格映射生长的交通网络划分方法及配置服务器
CN106408124A (zh) 一种面向数据稀疏环境下的移动路径混合预测方法
CN108647910B (zh) 城市公交站点的设置方法、装置、终端及计算机存储介质
CN108549952A (zh) 车辆搭载无人机双层路径的优化方法及装置
CN110097218B (zh) 一种时变环境下无人商品配送方法及系统
CN112163446A (zh) 一种障碍物检测方法、装置、电子设备及存储介质
CN108280463A (zh) 车辆搭载无人机双层路径的优化方法及装置
Jiang et al. Application Research of Key Frames Extraction Technology Combined with Optimized Faster R‐CNN Algorithm in Traffic Video Analysis
Du et al. GAQ-EBkSP: a DRL-based urban traffic dynamic rerouting framework using fog-cloud architecture
Laha et al. Edge nodes placement in 5G enabled urban vehicular networks: A centrality-based approach
Chen et al. A geographic routing protocol based on trunk line in VANETs
Garzó et al. Real-time streaming mobility analytics
CN107071721A (zh) 基于手机定位数据的停留点提取方法
CN109389848A (zh) 一种基于hash的车联网实时分析系统
Abbaspour et al. An evolutionary solution for multimodal shortest path problem in metropolises
Abbar et al. Robustness and resilience of cities around the world
CN103929804A (zh) 一种基于用户移动规则的位置预测方法
CN117010786A (zh) 押运线路规划方法、装置、电子设备及存储介质
Yao et al. Trip segmentation and mode detection for human mobility data

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