CN113465613A - 一种城市轨道交通中隧道网络定位的地图匹配优化方法 - Google Patents
一种城市轨道交通中隧道网络定位的地图匹配优化方法 Download PDFInfo
- Publication number
- CN113465613A CN113465613A CN202110832876.2A CN202110832876A CN113465613A CN 113465613 A CN113465613 A CN 113465613A CN 202110832876 A CN202110832876 A CN 202110832876A CN 113465613 A CN113465613 A CN 113465613A
- Authority
- CN
- China
- Prior art keywords
- matching
- positioning
- road
- tunnel network
- rail transit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000007704 transition Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 description 5
- 239000002131 composite material Substances 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Abstract
本发明涉及定位导航技术领域，特别涉及一种城市轨道交通中隧道网络定位的地图匹配优化方法。其方法包括以下步骤：A、进行隧道网络路线数据的获取；B、对定位点附近的路段进行定位点匹配路段集合计算；C、使用Gibbs抽样器产生马尔科夫链蒙特卡洛法需要的马尔科夫链；D、构建状态模型，初始化状态转移概率矩阵；E、使用蒙特卡洛积分计算所述状态模型的期望值，最后得到的期望值即为各个路段的匹配概率，其中概率最大的为匹配路段，完成地图匹配。本发明使用一种基于马尔科夫链蒙特卡洛法模型，并进行贝叶斯优化的地图匹配算法，可以解决现有技术下隧道网络密集，拓扑关系复杂的城市轨道交通地图中定位匹配精度低、时效慢的问题。
Description
技术领域
本发明涉及定位导航技术领域，特别涉及一种城市轨道交通中隧道网络定位的地图匹配优化方法。
背景技术
随着导航系统的应用越来越广泛，人们对导航系统的定位精确度提出了更高的要求。由于存在多种不可避免的影响因素，利用卫星导航系统(Global NavigationSatellite System，GNSS)技术进行定位的方法存在较大误差。
为了解决定位精度差的问题，一般使用一些地图匹配算法进行纠正。现有的地图匹配算法大体可分为4种类型：基于几何信息的算法，基于拓扑关系的算法，基于概率统计的算法及复合匹配算法。
除此之外，还有一些通过其他数学模型建立的改进算法：1、基于几何信息的算法未考虑道路拓扑结构，易造成错误匹配。2、基于拓扑关系的算法易受噪声、数据稀疏性等因素的影响，难以解决复杂隧道网络路线匹配的问题。3、卡尔曼滤波、D-S证据理论等复合匹配算法虽然准确率很高，但低频采样时错误率较高。4、基于概率统计的算法涉及复杂的公式证明与推导，算法稳定性不佳。
现在技术中，与本发明类似的有使用基于隐马尔可夫模型的地图匹配算法，这种算法通过使用隐马尔可夫模代入行驶距离和路段参数进行计算，然后使用标准的前后向算法来进行参数学习并使用Viterbi或其他算法进行路段预测得到最优路段，完成地图匹配。
现有的基于隐马尔可夫模型和遗传算法的地图匹配算法，需要输入定位点和路线数据，而现代化的城市轨道交通线路网数据非常庞大，隧道网络密集，拓扑关系复杂，在寻找隧道网上的路段、拐点和路线交叉点时十分耗时。定位点的纠正候选点选取时需要计算定位点到每个路段的最小距离，现在的城市轨道交通线路复杂，隧道多，每个路段都进行匹配计算会大幅降低时效性。最后，建模前后候选匹配点转移概率时，匹配特征不足或者特征选择错误都会显著影响模型对于匹配上下文的描述能力从而导致匹配准确度的显著下降。
对于网络密集，交通网络拓扑关系复杂的城市轨道交通地图，需要有一个能精确定位到每一个隧道网络路线，并且定位时间快的算法。
发明内容
本发明提供了一种城市轨道交通中隧道网络定位的地图匹配优化方法，其使用一种基于马尔科夫链蒙特卡洛法模型，并进行贝叶斯优化的地图匹配算法，可以解决现有技术下隧道网络密集，拓扑关系复杂的城市轨道交通地图中定位匹配精度低、时效慢的问题。
本发明所采用的技术方案如下：
一种城市轨道交通中隧道网络定位的地图匹配优化方法，包括以下步骤：
A、进行隧道网络路线数据的获取；
B、对定位点附近的路段进行定位点匹配路段集合计算；
C、使用Gibbs抽样器产生马尔科夫链蒙特卡洛法需要的马尔科夫链；
D、构建状态模型，初始化状态转移概率矩阵；
E、使用蒙特卡洛积分计算所述状态模型的期望值，最后得到的期望值即为各个路段的匹配概率，其中概率最大的为匹配路段，完成地图匹配。
步骤A具体是根据经纬度范围对隧道网络路线进行分块，根据经纬度范围将隧道网络路线等分成10ⅹ10的100块区域，再根据经纬度将每块区域等分成10ⅹ10的路段哈希块和拐点哈希块，采用哈希算法得到隧道网络路线数据的获取，在数据读取时读取每块区域里的路段，根据路段的经纬度放置相应的路段哈希块，再顺序读取路段中的拐点。
步骤B中，附近路段的选取方式为计算每个路段到定位点的最短距离，然后删除最短距离比平均值大两倍标准差的路段。
步骤D中，状态转移概率矩阵给出了定位点在候选匹配路段之间转移的概率，对于一个定位点和其匹配路段，以及下一个定位点和匹配路段，点和路之间的最短距离产生了变化，变化小的转移概率就更大，反之则更小。
步骤E中，蒙特卡洛积分公式如下：
即
，其中xt为上述抽样模型产生的样本，其中n为上述抽样过程的总样本数，m为上述产生的马尔可夫链达到平稳时的样本数。
拓扑关系：指满足拓扑几何学原理的各空间数据间的相互关系。即用结点、弧段和多边形所表示的实体之间的邻接、关联、包含和连通关系。如：点与点的邻接关系、点与面的包含关系、线与面的相离关系、面与面的重合关系等。
隧道网络：由城市轨道交通地下轨道线路构成的网络。
马尔科夫链蒙特卡洛方法：简称MCMC，是在贝叶斯理论框架下，通过计算机进行模拟的蒙特卡洛方法(Monte Carlo)。该方法将马尔科夫(Markov)过程引入到Monte Carlo模拟中，实现抽样分布随模拟的进行而改变的动态模拟，弥补了传统的蒙特卡罗积分只能静态模拟的缺陷。
地图匹配方法：从基准图中提取具有不变特征或明显特征的子区，或者用已知地面控制点作为模板，使用一种方法在所匹配的图中搜索与模板相似的区域。当匹配相似性测度达到最大,且超过预先规定的阈值时,即判定为找到了正确的匹配位置。是一种地图定位纠偏的方法。
城市轨道交通：城市轨道交通为采用轨道结构进行承重和导向的车辆运输系统，依据城市交通总体规划的要求，设置全封闭或部分封闭的专用轨道线路，以列车或单车形式，运送相当规模客流量的公共交通方式。
本发明提供的技术方案带来的有益效果是：
本发明使用哈希技术处理城市轨道交通隧道网络路线数据，在数据读取时读取每块区域里的路段，根据路段的经纬度放置相应的路段哈希块；再顺序读取路段中的拐点，大大降低了数据获取和读取的时间，缩短了定位的时间。使用马尔科夫链蒙特卡洛法可进行动态模拟并且大大加快收敛速度，缩短计算时间，提高了计算效率，使得定位的精确性和时效性大大提高。
与现有技术相比，本发明具有以下特点：
1.使用马尔科夫链蒙特卡洛法计算大大降低了计算时间，提高了计算的效率。
2.使用哈希技术处理隧道网络数据，降低了数据处理和读取时间。
3.使用马尔科夫链蒙特卡洛法建立模型，提高了定位的精准度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明的一种城市轨道交通中隧道网络定位的地图匹配优化方法的方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一
如附图1所示，本实施例的一种城市轨道交通中隧道网络定位的地图匹配优化方法，包括以下步骤：
1.首先进行隧道网络路线数据的获取，寻找各个线路的路段和拐点十分耗时，所以采用哈希技术对城市轨道交通的隧道网络数据进行处理。因为各地的城市轨道交通路线都不同，采用适用于各地的根据经纬度范围进行分块。根据经纬度范围将隧道网络路线等分成10ⅹ10的100块区域，再根据经纬度将每块区域等分成10ⅹ10的路段哈希块和拐点哈希块。
2.使用Gibbs抽样器产生马尔科夫链蒙特卡洛法需要的马尔科夫链。
距离定位点附近的路段有多少个，则Gibbs抽样器产生的状态向量为m维向量，其中第n个样本可以表示为
(1)令n＝0，初始状态点
一般初始状态默认为每个路段作为初始路段的概率为每个路段到定位点的最短距离除以所有路段中最短距离的最大值。若马尔科夫链收敛所需的最低迭代次数为k，预期模拟序列的长度为g，则抽样的总次数为t＝k+g。
(2)从完全条件分布
中抽取
从完全条件分布
中抽取
依次类推，完成
的抽取。
(3)令i＝i+1,重复步骤(2)，直至i＝t
3.构建状态模型，初始化状态转移概率矩阵：状态转移概率矩阵给出了定位点在候选匹配路段之间转移的概率，对于一个定位点和其匹配路段，以及下一个定位点和匹配路段，点和路之间的最短距离产生了变化，变化小的转移概率就更大，反之则更小。
4.使用蒙特卡洛积分计算上述模型的期望，即
，其中xt为上述抽样模型产生的样本，其中n为上述抽样过程的总样本数，m为上述产生的马尔可夫链达到平稳时的样本数。
构建的状态转移概率矩阵是用于Gibbs抽样器产生所需的马尔可夫链,即用于完全条件分布
中抽取
的每一步的抽取。
最后得到的期望值即为各个路段的匹配概率，其中概率最大的为匹配路段，完成地图匹配。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种城市轨道交通中隧道网络定位的地图匹配优化方法，包括以下步骤：
A、进行隧道网络路线数据的获取；
B、对定位点附近的路段进行定位点匹配路段集合计算；
C、使用Gibbs抽样器产生马尔科夫链蒙特卡洛法需要的马尔科夫链；
D、构建状态模型，初始化状态转移概率矩阵；
E、使用蒙特卡洛积分计算所述状态模型的期望值，最后得到的期望值即为各个路段的匹配概率，其中概率最大的为匹配路段，完成地图匹配。
2.根据权利要求1所述的一种城市轨道交通中隧道网络定位的地图匹配优化方法，其特征在于，所述的步骤A具体是根据经纬度范围对隧道网络路线进行分块，根据经纬度范围将隧道网络路线等分成10ⅹ10的100块区域，再根据经纬度将每块区域等分成10ⅹ10的路段哈希块和拐点哈希块，采用哈希算法得到隧道网络路线数据的获取，在数据读取时读取每块区域里的路段，根据路段的经纬度放置相应的路段哈希块，再顺序读取路段中的拐点。
3.根据权利要求1所述的一种城市轨道交通中隧道网络定位的地图匹配优化方法，其特征在于，所述的步骤B中，附近路段的选取方式为计算每个路段到定位点的最短距离，然后删除最短距离比平均值大两倍标准差的路段。
4.根据权利要求1所述的一种城市轨道交通中隧道网络定位的地图匹配优化方法，其特征在于，所述的步骤D中，状态转移概率矩阵给出了定位点在候选匹配路段之间转移的概率，对于一个定位点和其匹配路段，以及下一个定位点和匹配路段，点和路之间的最短距离产生了变化，变化小的转移概率就更大，反之则更小。
5.根据权利要求1所述的一种城市轨道交通中隧道网络定位的地图匹配优化方法，其特征在于，所述的步骤E中，蒙特卡洛积分公式如下：
即
,
其中xt为上述抽样模型产生的样本，其中n为上述抽样过程的总样本数，m为上述产生的马尔可夫链达到平稳时的样本数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110832876.2A CN113465613B (zh) | 2021-07-22 | 2021-07-22 | 一种城市轨道交通中隧道网络定位的地图匹配优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110832876.2A CN113465613B (zh) | 2021-07-22 | 2021-07-22 | 一种城市轨道交通中隧道网络定位的地图匹配优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113465613A true CN113465613A (zh) | 2021-10-01 |
| CN113465613B CN113465613B (zh) | 2023-12-26 |
Family
ID=77881815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110832876.2A Active CN113465613B (zh) | 2021-07-22 | 2021-07-22 | 一种城市轨道交通中隧道网络定位的地图匹配优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113465613B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116862737A (zh) * | 2023-06-30 | 2023-10-10 | 数字宁波科技有限公司 | 一种基于模拟退火和蒙特卡洛方法的公共设施选址方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110313648A1 (en) * | 2010-06-16 | 2011-12-22 | Microsoft Corporation | Probabilistic Map Matching From A Plurality Of Observational And Contextual Factors |
| CN108061556A (zh) * | 2017-10-18 | 2018-05-22 | 广州傲胜机器人科技有限公司 | 一种基于隐马尔可夫模型的地图匹配方法 |
| CN109979194A (zh) * | 2019-03-07 | 2019-07-05 | 长安大学 | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 |
| EP3552904A1 (en) * | 2018-04-10 | 2019-10-16 | Bayerische Motoren Werke Aktiengesellschaft | Method, device and computer program product for predicting the development of a traffic scene involving several participants |
| 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 |
| CN111065893A (zh) * | 2017-06-01 | 2020-04-24 | 罗伯特·博世有限公司 | 用于创建精确到车道的道路地图的方法和设备 |
| 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 |
| CN112015835A (zh) * | 2020-08-13 | 2020-12-01 | 安徽师范大学 | Geohash压缩的地图匹配方法 |
-
2021
- 2021-07-22 CN CN202110832876.2A patent/CN113465613B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110313648A1 (en) * | 2010-06-16 | 2011-12-22 | Microsoft Corporation | Probabilistic Map Matching From A Plurality Of Observational And Contextual Factors |
| CN111065893A (zh) * | 2017-06-01 | 2020-04-24 | 罗伯特·博世有限公司 | 用于创建精确到车道的道路地图的方法和设备 |
| CN108061556A (zh) * | 2017-10-18 | 2018-05-22 | 广州傲胜机器人科技有限公司 | 一种基于隐马尔可夫模型的地图匹配方法 |
| EP3552904A1 (en) * | 2018-04-10 | 2019-10-16 | Bayerische Motoren Werke Aktiengesellschaft | Method, device and computer program product for predicting the development of a traffic scene involving several participants |
| CN109979194A (zh) * | 2019-03-07 | 2019-07-05 | 长安大学 | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 |
| 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 |
| 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 |
| CN112015835A (zh) * | 2020-08-13 | 2020-12-01 | 安徽师范大学 | Geohash压缩的地图匹配方法 |
Non-Patent Citations (2)
| Title |
|---|
| BODA HAN等: "A Map Matching Algorithm for Complex Road", 2018 IEEE INTERNATIONAL CONFERENCE ON BIG DATA AND SMART COMPUTING, pages 426 - 431 * |
| 毛江云;吴昊;孙未未;: "路网空间下基于马尔可夫决策过程的异常车辆轨迹检测算法", 计算机学报, vol. 41, no. 08, pages 1928 - 1942 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116862737A (zh) * | 2023-06-30 | 2023-10-10 | 数字宁波科技有限公司 | 一种基于模拟退火和蒙特卡洛方法的公共设施选址方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113465613B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110260870B (zh) | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 | |
| CN107103754B (zh) | 一种道路交通状况预测方法及系统 | |
| Pu et al. | A three‐dimensional distance transform for optimizing constrained mountain railway alignments | |
| CN112015835B (zh) | Geohash压缩的地图匹配方法 | |
| CN113065594B (zh) | 一种基于北斗数据与遥感影像融合的路网提取方法及装置 | |
| CN106227726B (zh) | 一种基于车辆轨迹数据的路径提取方法 | |
| Huang et al. | Automatic generation of road maps from low quality GPS trajectory data via structure learning | |
| CN113989451B (zh) | 高精地图构建方法、装置及电子设备 | |
| CN109993064B (zh) | 一种提取图片中道路网络节点间的连接路径的方法 | |
| CN105091889A (zh) | 一种热点路径的确定方法及设备 | |
| CN113723715B (zh) | 公交线网自动匹配道路网络方法、系统、设备及存储介质 | |
| CN115586557B (zh) | 一种基于路网数据的车辆行驶轨迹纠偏方法及装置 | |
| Qiu et al. | Automatic extraction of road networks from GPS traces | |
| CN110986965A (zh) | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 | |
| CN114626169A (zh) | 交通路网优化方法、装置、设备、可读存储介质及产品 | |
| CN113932821A (zh) | 基于连续窗口平均方向特征的轨迹地图匹配方法 | |
| CN113465613A (zh) | 一种城市轨道交通中隧道网络定位的地图匹配优化方法 | |
| 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 | |
| Blazquez et al. | An instance-specific parameter tuning approach using fuzzy logic for a post-processing topological map-matching algorithm | |
| Shigezumi et al. | A fast algorithm for matching planar maps with minimum Fréchet distances | |
| CN114664104A (zh) | 一种路网匹配方法和装置 | |
| Wu et al. | A Vehicle Map-matching Algorithm based on Measure Fuzzy Sorting. | |
| Fan et al. | Lane-Level Road Map Construction considering Vehicle Lane-Changing Behavior | |
| KR101475359B1 (ko) | 수치지형도 네트워크 데이터에 대한 다축척 모델 생성 방법 |
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 |