CN112882073A - 一种基于时间阈内的隐马尔可夫模型人车合一算法 - Google Patents
一种基于时间阈内的隐马尔可夫模型人车合一算法 Download PDFInfo
- Publication number
- CN112882073A CN112882073A CN202110063313.1A CN202110063313A CN112882073A CN 112882073 A CN112882073 A CN 112882073A CN 202110063313 A CN202110063313 A CN 202110063313A CN 112882073 A CN112882073 A CN 112882073A
- Authority
- CN
- China
- Prior art keywords
- track
- matching
- road network
- points
- vehicle
- 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
- 230000011664 signaling Effects 0.000 claims abstract description 40
- 238000005070 sampling Methods 0.000 claims description 30
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
-
- 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
Abstract
本发明涉及GPS轨迹定位技术领域，具体涉及一种基于时间阈内的隐马尔可夫模型人车合一算法，包括路网数据、用户数据、GPS数据、车辆GPS定位轨迹与路网地图的匹配、用户手机信令数据与路网地图的匹配和车辆轨迹与司机轨迹的匹配，所述用户数据包括司机数据和信令数据，该车辆GPS定位轨迹与路网地图的匹配基于隐马尔科夫模型HMM来实现，HMM模型的λ＝(S,0,π，A，B)。该基于时间阈内的隐马尔可夫模型人车合一算法在以往单独研究车辆GPS轨迹定位与路网地图的匹配、信令定位数据与路网地图匹配的基础上，将两者融合为一体，高效的将现有货物运输中能采集到的GPS轨迹与信令数据进行车与人的智能算法匹配。
Description
技术领域
本发明涉及GPS轨迹定位技术领域，具体涉及一种基于时间阈内的隐马尔可夫模型人车合一算法。
背景技术
“人车合一”的概念一般出现在车辆制造、车辆销售中，特指达到的技术手段，本专利提到的“人车合一”特指人(司机)使用联通智运卡的信令定位轨迹与车辆GPS定位轨迹通过相关的智能算法进行匹配的二合一体的轨迹信息，在现有技术方面，主要是针对车辆的终端设备(监控系统、摄像功能等)硬件设备做的一些技术发明，但针对信令数据和GPS的定位数据信息通过智能算法的“人车合一”暂未有相关的技术研究。
针对现有的人车合一车载终端的硬件设备做出的技术应用有很多，但这些技术应用的使用前提是需要有相关的硬件设备生产制造的基础，通过在硬件设备生产的某些环节中进行升级改造，对于从事数据信息加工使用的互联网公司，传统的人车合一的技术已达不到产品在业务模式下的快速迭代，已不适用，为此针对目前我们能获取到的信令轨迹和GPS定位轨迹的数据信息，提出了在相同时间阈值内的车辆、司机在货物运输过程中的基于隐马尔可夫模型的“人车合一”匹配算法模型，因此，设计出一种基于时间阈内的隐马尔可夫模型人车合一算法，对于目前GPS轨迹定位技术领域来说是迫切需要的。
发明内容
本发明提供一种基于时间阈内的隐马尔可夫模型人车合一算法，以解决现有技术存在的问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明的实施例，一种基于时间阈内的隐马尔可夫模型人车合一算法，包括路网数据、用户数据、GPS数据、车辆GPS定位轨迹与路网地图的匹配、用户手机信令数据与路网地图的匹配和车辆轨迹与司机轨迹的匹配，所述用户数据包括司机数据和信令数据，该车辆GPS定位轨迹与路网地图的匹配基于隐马尔科夫模型HMM来实现，HMM模型的λ＝(S,0,π，A，B)；
其中，S为状态值集合；
O：观察值集合；
π：初始化概率；
A：状态转移概率矩阵；
B：给定状态下，观察值概率矩阵；
结合现有物流业务场景，可行性的HMM模型所需的五要素分别为：
S：路网信息中道路的路段ri状态标识；
O：观测序列中隐马尔可夫链中的顶点集，顶点为候选点：GPS轨迹点在路网上的投影点称为候选点；
π：πi＝p(zt|ri)表示车辆zt在路段ri上被观测到的似然概率；
A：观测序列中隐马尔可夫链中的边集，表示相邻候选点在路段转移代价的权重(转移代价越大，权重越小；转移代价越小，权重越大)；
B：GPS定位点投影到路段上的概率情况；
对于需要匹配的路网数据和轨迹采样点数据，轨迹采样点在一定路网距离内会有一个或多个候选路段，轨迹采样点在这些候选路段上的投影点为候选节点，一条完整的轨迹采样点的候选节点统称为候选节点集，为了使得一个轨迹采样点在一定路网距离内存在满足匹配要求的候选节点，每个轨迹采样点的候选节点生成的过程为：
计算每个轨迹采样点与路网距离的初始概率，设定阈值，根据初始概率是否满足设定的阈值来判断采集的轨迹点在此路网距离中是否为中断点，根据中断点来进行轨迹切分；若不存在中断点，只需要判断采集轨迹点中判断的此轨迹点是否为最后一个采样点，确保采集轨迹点在此路网中的完整性；根据达到判断条件的轨迹点在此路网段中依次逐点筛选下一个采集点的候选节点，直至所有的轨迹采样点在此路网距离中都存在候选节点，将候选节点作为马尔科夫链中的顶点，对于距离较近的路段给予较大的观测概率，相邻轨迹候选点之间的权重作为马尔科夫链的边，由转移概率来表示，在马尔科夫链上每个节点的概率计算后，模型的参数λ＝{A，B,π}和观察序列O，求解一条使得该观测序列概率最大的隐状态序列，只需求最大的即可，若概率的最大值满足了设定的匹配阈值，即当前轨迹点匹配到了该路网中。
进一步地，所述用户手机信令数据与路网地图的匹配中根据手机信令数据将用户的出行方式分为步行、非机动车和机动车三种类型，首先明确现有业务联通手机信令数据使用的定位技术，根据定位技术在实际应用中的优缺点情况对获取到的信令数据的定位设定偏移精度的阈值区间进行数据预处理，保障手机信令数据定位的相对准确性，将机动车的出行类型分离出来，分离出来的数据结合路网数据进行地图匹配，如若需要的匹配结果为大致结果，根据手机信令数据识别出某用户在某段特定时间内的出行方式为机动车即可；如若需要精确的匹配结果，则问题就转化成了车辆GPS定位轨迹与路网地图的匹配。
进一步地，所述车辆轨迹与司机轨迹的匹配根据车辆GPS定位轨迹与路网地图的匹配、用户手机信令数据与路网地图的匹配情况，结合货物运输运单中的运输时间信息，截取运输时间段内的车辆与路网匹配的匹配点、信令定位与路网匹配的匹配点，针对截取的两份匹配点，首先将两份数据的匹配点分别进行时间匹配，选取匹配的时间阈值区间，之后再将同一时间阈值区间内的两份匹配点分别进行距离判断，将同一时间阈值区间内的距离最小的两个点定义为本时间阈值区域内的人车匹配点，随时间窗口以此类推，直至某一条轨迹的路网匹配点全部在时间窗内结束，最后根据两条轨迹的在时间阈值区间内匹配点数与总的时间阈值区间总得到两条轨迹的匹配率，通过匹配率来确定两条轨迹是否匹配。
进一步地，所述转移概率为相邻两个轨迹采样点之间的空间距离与向量两个候选点之间的最短路网距离之比。
本发明具有如下优点：
该基于时间阈内的隐马尔可夫模型人车合一算法在以往单独研究车辆GPS轨迹定位与路网地图的匹配、信令定位数据与路网地图匹配的基础上，将两者融合为一体，方便有效的解决了在未有相关人车合一的车载终端设备采集数据的前提下，高效的将现有货物运输中能采集到的GPS轨迹与信令数据进行车与人的智能算法匹配，节约了货物运输企业来监控运输车辆和司机的运营成本，提高物流企业的决策判断力。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明中车辆GPS定位轨迹与路网地图的匹配流程结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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。
本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
本发明提供一种技术方案：
一种基于时间阈内的隐马尔可夫模型人车合一算法，包括路网数据、用户数据、GPS数据、车辆GPS定位轨迹与路网地图的匹配、用户手机信令数据与路网地图的匹配和车辆轨迹与司机轨迹的匹配，用户数据包括司机数据和信令数据，该车辆GPS定位轨迹与路网地图的匹配基于隐马尔科夫模型HMM来实现，HMM模型的λ＝(S,0,π，A，B)；
其中，S为状态值集合；
O：观察值集合；
π：初始化概率；
A：状态转移概率矩阵；
B：给定状态下，观察值概率矩阵；
结合现有物流业务场景，可行性的HMM模型所需的五要素分别为：
S：路网信息中道路的路段ri状态标识；
O：观测序列中隐马尔可夫链中的顶点集，顶点为候选点：GPS轨迹点在路网上的投影点称为候选点；
π：πi＝p(zt|ri)表示车辆zt在路段ri上被观测到的似然概率；
A：观测序列中隐马尔可夫链中的边集，表示相邻候选点在路段转移代价的权重(转移代价越大，权重越小；转移代价越小，权重越大)；
B：GPS定位点投影到路段上的概率情况；
对于需要匹配的路网数据和轨迹采样点数据，轨迹采样点在一定路网距离内会有一个或多个候选路段，轨迹采样点在这些候选路段上的投影点为候选节点，一条完整的轨迹采样点的候选节点统称为候选节点集，为了使得一个轨迹采样点在一定路网距离内存在满足匹配要求的候选节点，每个轨迹采样点的候选节点生成的过程为：
计算每个轨迹采样点与路网距离的初始概率，设定阈值，根据初始概率是否满足设定的阈值来判断采集的轨迹点在此路网距离中是否为中断点，根据中断点来进行轨迹切分；若不存在中断点，只需要判断采集轨迹点中判断的此轨迹点是否为最后一个采样点，确保采集轨迹点在此路网中的完整性；根据达到判断条件的轨迹点在此路网段中依次逐点筛选下一个采集点的候选节点，直至所有的轨迹采样点在此路网距离中都存在候选节点，将候选节点作为马尔科夫链中的顶点，对于距离较近的路段给予较大的观测概率，相邻轨迹候选点之间的权重作为马尔科夫链的边，由转移概率来表示，在马尔科夫链上每个节点的概率计算后，模型的参数λ＝{A，B,π}和观察序列O，求解一条使得该观测序列概率最大的隐状态序列，只需求最大的即可，若概率的最大值满足了设定的匹配阈值，即当前轨迹点匹配到了该路网中。
本发明中：用户手机信令数据与路网地图的匹配中根据手机信令数据将用户的出行方式分为步行、非机动车和机动车三种类型，首先明确现有业务联通手机信令数据使用的定位技术，根据定位技术在实际应用中的优缺点情况对获取到的信令数据的定位设定偏移精度的阈值区间进行数据预处理，保障手机信令数据定位的相对准确性，将机动车的出行类型分离出来，分离出来的数据结合路网数据进行地图匹配，如若需要的匹配结果为大致结果，根据手机信令数据识别出某用户在某段特定时间内的出行方式为机动车即可；如若需要精确的匹配结果，则问题就转化成了车辆GPS定位轨迹与路网地图的匹配。
本发明中：车辆轨迹与司机轨迹的匹配根据车辆GPS定位轨迹与路网地图的匹配、用户手机信令数据与路网地图的匹配情况，结合货物运输运单中的运输时间信息，截取运输时间段内的车辆与路网匹配的匹配点、信令定位与路网匹配的匹配点，针对截取的两份匹配点，首先将两份数据的匹配点分别进行时间匹配，选取匹配的时间阈值区间，之后再将同一时间阈值区间内的两份匹配点分别进行距离判断，将同一时间阈值区间内的距离最小的两个点定义为本时间阈值区域内的人车匹配点，随时间窗口以此类推，直至某一条轨迹的路网匹配点全部在时间窗内结束，最后根据两条轨迹的在时间阈值区间内匹配点数与总的时间阈值区间总得到两条轨迹的匹配率，通过匹配率来确定两条轨迹是否匹配。
本发明中：转移概率为相邻两个轨迹采样点之间的空间距离与向量两个候选点之间的最短路网距离之比。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (4)
1.一种基于时间阈内的隐马尔可夫模型人车合一算法，包括路网数据、用户数据、GPS数据、车辆GPS定位轨迹与路网地图的匹配、用户手机信令数据与路网地图的匹配和车辆轨迹与司机轨迹的匹配，其特征在于：所述用户数据包括司机数据和信令数据，该车辆GPS定位轨迹与路网地图的匹配基于隐马尔科夫模型HMM来实现，HMM模型的λ＝(S,0,π，A，B)；
其中，S为状态值集合；
O：观察值集合；
π：初始化概率；
A：状态转移概率矩阵；
B：给定状态下，观察值概率矩阵；
结合现有物流业务场景，可行性的HMM模型所需的五要素分别为：
S：路网信息中道路的路段ri状态标识；
O：观测序列中隐马尔可夫链中的顶点集，顶点为候选点：GPS轨迹点在路网上的投影点称为候选点；
π：πi＝p(zt|ri)表示车辆zt在路段ri上被观测到的似然概率；
A：观测序列中隐马尔可夫链中的边集，表示相邻候选点在路段转移代价的权重(转移代价越大，权重越小；转移代价越小，权重越大)；
B：GPS定位点投影到路段上的概率情况；
对于需要匹配的路网数据和轨迹采样点数据，轨迹采样点在一定路网距离内会有一个或多个候选路段，轨迹采样点在这些候选路段上的投影点为候选节点，一条完整的轨迹采样点的候选节点统称为候选节点集，为了使得一个轨迹采样点在一定路网距离内存在满足匹配要求的候选节点，每个轨迹采样点的候选节点生成的过程为：
计算每个轨迹采样点与路网距离的初始概率，设定阈值，根据初始概率是否满足设定的阈值来判断采集的轨迹点在此路网距离中是否为中断点，根据中断点来进行轨迹切分；若不存在中断点，只需要判断采集轨迹点中判断的此轨迹点是否为最后一个采样点，确保采集轨迹点在此路网中的完整性；根据达到判断条件的轨迹点在此路网段中依次逐点筛选下一个采集点的候选节点，直至所有的轨迹采样点在此路网距离中都存在候选节点，将候选节点作为马尔科夫链中的顶点，对于距离较近的路段给予较大的观测概率，相邻轨迹候选点之间的权重作为马尔科夫链的边，由转移概率来表示，在马尔科夫链上每个节点的概率计算后，模型的参数λ＝{A，B,π}和观察序列O，求解一条使得该观测序列概率最大的隐状态序列，只需求最大的即可，若概率的最大值满足了设定的匹配阈值，即当前轨迹点匹配到了该路网中。
2.根据权利要求1所述的一种基于时间阈内的隐马尔可夫模型人车合一算法，其特征在于：所述用户手机信令数据与路网地图的匹配中根据手机信令数据将用户的出行方式分为步行、非机动车和机动车三种类型，首先明确现有业务联通手机信令数据使用的定位技术，根据定位技术在实际应用中的优缺点情况对获取到的信令数据的定位设定偏移精度的阈值区间进行数据预处理，保障手机信令数据定位的相对准确性，将机动车的出行类型分离出来，分离出来的数据结合路网数据进行地图匹配，如若需要的匹配结果为大致结果，根据手机信令数据识别出某用户在某段特定时间内的出行方式为机动车即可；如若需要精确的匹配结果，则问题就转化成了车辆GPS定位轨迹与路网地图的匹配。
3.根据权利要求1所述的一种基于时间阈内的隐马尔可夫模型人车合一算法，其特征在于：所述车辆轨迹与司机轨迹的匹配根据车辆GPS定位轨迹与路网地图的匹配、用户手机信令数据与路网地图的匹配情况，结合货物运输运单中的运输时间信息，截取运输时间段内的车辆与路网匹配的匹配点、信令定位与路网匹配的匹配点，针对截取的两份匹配点，首先将两份数据的匹配点分别进行时间匹配，选取匹配的时间阈值区间，之后再将同一时间阈值区间内的两份匹配点分别进行距离判断，将同一时间阈值区间内的距离最小的两个点定义为本时间阈值区域内的人车匹配点，随时间窗口以此类推，直至某一条轨迹的路网匹配点全部在时间窗内结束，最后根据两条轨迹的在时间阈值区间内匹配点数与总的时间阈值区间总得到两条轨迹的匹配率，通过匹配率来确定两条轨迹是否匹配。
4.根据权利要求1所述的一种基于时间阈内的隐马尔可夫模型人车合一算法，其特征在于：所述转移概率为相邻两个轨迹采样点之间的空间距离与向量两个候选点之间的最短路网距离之比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110063313.1A CN112882073B (zh) | 2021-01-18 | 2021-01-18 | 一种基于时间阈内的隐马尔可夫模型人车合一算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110063313.1A CN112882073B (zh) | 2021-01-18 | 2021-01-18 | 一种基于时间阈内的隐马尔可夫模型人车合一算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112882073A true CN112882073A (zh) | 2021-06-01 |
| CN112882073B CN112882073B (zh) | 2023-07-25 |
Family
ID=76049066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110063313.1A Active CN112882073B (zh) | 2021-01-18 | 2021-01-18 | 一种基于时间阈内的隐马尔可夫模型人车合一算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112882073B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113282699A (zh) * | 2021-07-22 | 2021-08-20 | 北京交通大学 | 针对有噪声且参数不明的自行车轨迹数据的路网匹配方法 |
| CN113673770A (zh) * | 2021-08-24 | 2021-11-19 | 杭州海康威视数字技术股份有限公司 | 移动治超点的位置确定方法、装置、设备及存储介质 |
| CN114529311A (zh) * | 2022-02-16 | 2022-05-24 | 安徽肇立科技有限公司 | 一种基于定位曲线相似性的路线轨迹匹配方法 |
| 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 |
| WO2024025360A1 (ko) * | 2022-07-27 | 2024-02-01 | 홍익대학교 산학협력단 | 지구위치데이터 맵 매칭방법 및 이를 위한 컴퓨팅 장치 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| US20190346572A1 (en) * | 2018-05-10 | 2019-11-14 | Here Global B.V. | Algorithm and architecture for map-matching streaming probe data |
| 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 |
| CN112013862A (zh) * | 2020-07-31 | 2020-12-01 | 深圳大学 | 一种基于众包轨迹的行人路网提取及更新方法 |
-
2021
- 2021-01-18 CN CN202110063313.1A patent/CN112882073B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20190346572A1 (en) * | 2018-05-10 | 2019-11-14 | Here Global B.V. | Algorithm and architecture for map-matching streaming probe data |
| 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 |
| 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 |
| CN112013862A (zh) * | 2020-07-31 | 2020-12-01 | 深圳大学 | 一种基于众包轨迹的行人路网提取及更新方法 |
Non-Patent Citations (1)
| Title |
|---|
| 柴明璐;唐晓岚;陈潇然;陈文龙;: "利用时空轨迹数据的城市可达区域计算方法", 小型微型计算机系统, no. 05 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113282699A (zh) * | 2021-07-22 | 2021-08-20 | 北京交通大学 | 针对有噪声且参数不明的自行车轨迹数据的路网匹配方法 |
| CN113282699B (zh) * | 2021-07-22 | 2022-01-28 | 北京交通大学 | 针对有噪声且参数不明的自行车轨迹数据的路网匹配方法 |
| CN113673770A (zh) * | 2021-08-24 | 2021-11-19 | 杭州海康威视数字技术股份有限公司 | 移动治超点的位置确定方法、装置、设备及存储介质 |
| CN113673770B (zh) * | 2021-08-24 | 2024-04-09 | 杭州海康威视数字技术股份有限公司 | 移动治超点的位置确定方法、装置、设备及存储介质 |
| CN114529311A (zh) * | 2022-02-16 | 2022-05-24 | 安徽肇立科技有限公司 | 一种基于定位曲线相似性的路线轨迹匹配方法 |
| 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 |
| 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 |
| WO2024025360A1 (ko) * | 2022-07-27 | 2024-02-01 | 홍익대학교 산학협력단 | 지구위치데이터 맵 매칭방법 및 이를 위한 컴퓨팅 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112882073B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112882073A (zh) | 一种基于时间阈内的隐马尔可夫模型人车合一算法 | |
| CN108345822B (zh) | 一种点云数据处理方法及装置 | |
| WO2022252398A1 (zh) | 基于船舶轨迹特征点提取的时空dp方法 | |
| CN108073170A (zh) | 用于自主车辆的自动化协同驾驶控制 | |
| CN110084308B (zh) | 一种基于车辆轨迹分析构建通勤路径的方法 | |
| Tiwari et al. | Route prediction using trip observations and map matching | |
| CN114450557B (zh) | 路线偏差量化及基于此的车辆路线学习 | |
| CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
| CN110222912B (zh) | 基于时间依赖模型的铁路行程路线规划方法及装置 | |
| CN109859505B (zh) | 高速站点的预警处理方法、装置、服务器和介质 | |
| CN112530158B (zh) | 一种基于历史轨迹的路网补充方法 | |
| CN110889444B (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
| CN113932821A (zh) | 基于连续窗口平均方向特征的轨迹地图匹配方法 | |
| CN114596709A (zh) | 数据处理方法、装置、设备以及存储介质 | |
| CN116824870B (zh) | 路段流量预测方法、装置、设备以及存储介质 | |
| CN116698075B (zh) | 路网数据处理方法、装置、电子设备及存储介质 | |
| CN109308806A (zh) | 一种交通工具的行驶检测方法及服务器 | |
| Duan et al. | Revealing taxi driver route choice characteristics based on GPS data | |
| CN111613052B (zh) | 一种交通状况确定方法、装置、电子设备及存储介质 | |
| CN109670085B (zh) | 一种车辆碰撞事故等级的判别方法 | |
| CN114663992B (zh) | 一种多源数据融合高速公路门架定位方法 | |
| CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
| CN110530378A (zh) | 一种基于v2x的map消息集的车辆定位方法 | |
| CN115565376A (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
| CN113468282A (zh) | 货车场地轨迹的构建方法、装置、终端及存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220307 Address after: No.13, heiniucheng Road, Hexi District, Tianjin 300210 Applicant after: CCCC Intelligent Transportation Co.,Ltd. Applicant after: CHINA HIGHWAY ENGINEERING CONSULTING Corp. Applicant after: ZHONGZI DATA CO.,LTD. Address before: No.13, heiniucheng Road, Hexi District, Tianjin 300210 Applicant before: CCCC Intelligent Transportation Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |