CN113505187B - 一种基于地图匹配的车辆分类轨迹纠错方法 - Google Patents
一种基于地图匹配的车辆分类轨迹纠错方法 Download PDFInfo
- Publication number
- CN113505187B CN113505187B CN202110769681.8A CN202110769681A CN113505187B CN 113505187 B CN113505187 B CN 113505187B CN 202110769681 A CN202110769681 A CN 202110769681A CN 113505187 B CN113505187 B CN 113505187B
- Authority
- CN
- China
- Prior art keywords
- track
- sequence
- points
- road
- 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.)
- Active
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
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于地图匹配的车辆分类轨迹纠错方法,包括以下步骤:步骤1、车辆轨迹预处理;步骤2、针对特定场景下的轨迹异常,划分不同的轨迹类型;步骤3、根据经步骤2获取的道路信息和识别成功的轨迹序列,使用特定的轨迹纠错方法进行分类轨迹纠错处理。本发明解决了现有技术针对特定轨迹类型的局限性以及全区地图匹配的复杂度问题。
Description
技术领域
本发明属于卫星导航技术领域,具体涉及一种基于地图匹配的车辆分类轨迹纠错方法。
背景技术
汽车出行已经成为了我国国民出行的主要交通手段,并随着移动互联网的高速发展和GPS导航的广泛应用,车辆轨迹应用已与人们的出行密不可分。现有的车辆轨迹应用在针对隧道、环岛等特定场景下的轨迹异常情况不能有效地进行轨迹纠错,在特殊类型的道路轨迹类型下的轨迹精确度方面有所缺失。而特殊类型的轨迹很难使用常规的轨迹处理手段进行纠错,需要结合地图匹配算法进行处理。
现有的地图匹配算法有点到点、点到曲线、曲线到曲线以及综合的地图匹配算法。点到点匹配算法是在一定匹配范围内找到实际轨迹点距离匹配路线最近的精确点,实现相对简单,但是增加数据存储量。点到曲线匹配算法通过实际轨迹点在匹配路线的投影,找到离轨迹点最近的两个精确点做直线,轨迹点在直线上的投影点作为匹配点,该方法在路网复杂的情况下匹配精度较差。曲线到曲线匹配算法通过实际的轨迹点序列与道路网络中的道路信息进行相似度匹配,最后选取相似度最大的道路作为匹配结果,这种方法复杂度高,进行全局性的地图匹配会大大降低轨迹纠错效率。不同的地图匹配算法都有自己局限性和适用范围,针对特殊的道路轨迹需结合具体的轨迹特征进行轨迹纠错。同时现有的地图匹配算法是对采集的轨迹数据进行全局的地图匹配,这样效率会比较差。
发明内容
本发明的目的是提供一种基于地图匹配的车辆分类轨迹纠错方法,解决了现有技术针对特定轨迹类型的局限性以及全区地图匹配的复杂度问题。
本发明所采用的技术方案是,一种基于地图匹配的车辆分类轨迹纠错方法,包括以下步骤:
步骤1、车辆轨迹预处理
步骤1.1、获取轨迹数据,对轨迹数据进行清洗;
步骤1.2、根据步骤1.1处理后得到的轨迹数据,进行轨迹点剔除处理;
步骤1.3、根据步骤1.2处理后得到的轨迹数据,进行轨迹点补偿处理;
步骤2、针对特定场景下的轨迹异常,划分不同的轨迹类型
步骤2.1、结合实际应用,针对特定场景下的轨迹异常,根据不同的轨迹形状和道路类型对轨迹进行分类,将轨迹分为十字路口轨迹、隧道轨迹、环形轨迹;
步骤2.2、根据步骤2.1划分的轨迹类型的特征,进行轨迹特征模型的定义,分别定义十字路口轨迹特征模型、环形轨迹特征模型、隧道轨迹特征模型,设计对应的轨迹特征识别方式;
步骤2.3、根据划分的轨迹类型以及轨迹特征识别方式,将经步骤1轨迹预处理后的轨迹数据进行轨迹特征模型识别,获取轨迹特征识别成功的轨迹序列和轨迹特征点,根据轨迹特征点在地图数据库上获取对应的道路信息;
步骤3、根据经步骤2获取的道路信息和识别成功的轨迹序列,使用特定的轨迹纠错方法进行分类轨迹纠错处理
当步骤2识别的轨迹类型是十字路口轨迹,使用十字路口轨迹道路匹配算法找到匹配的道路,最后根据匹配的道路信息对原有轨迹进行替换,实现十字路口轨迹的纠错;
当步骤2识别的轨迹类型是环形轨迹,根据获取到的轨迹特征点、道路信息以及道路交叉口等信息,将候选道路信息与已知的环形轨迹序列进行比对判断,找到匹配的道路信息,接下来对匹配的道路信息进行处理,由于环形道路实际行驶的轨迹是从道路的某一个交叉口驶入,从另一个交叉口驶出,获取匹配的道路是整条道路,需要根据道路交叉口信息截取需要的轨迹序列。理想状态下,驶入轨迹特征点和驶出轨迹特征点和道路交叉口轨迹点重合,实际上通过环形轨迹识别算法找到的轨迹特征点离道路交叉口有一定的偏差。因此还需要对匹配的道路数据进行扩展处理,保证驶入驶出环形轨迹的道路和环形轨迹间的轨迹的精确性,最后再对原有环形轨迹进行替换,实现环形轨迹的纠错;
当步骤2识别的轨迹类型是隧道轨迹,对隧道轨迹进行轨迹缺失数据补全,进行隧道轨迹纠错。
本发明的特点还在于,
步骤1.1具体为:
获取对应的轨迹序列,判断该轨迹序列中是否存在轨迹坐标信息相同的轨迹点,如果存在,获取重复的轨迹点,进一步判断这些重复轨迹点的速度或者方向是否为0,将速度或者方向为0的轨迹数据视为无效数据进行清洗处理,保留重复轨迹点中有效的轨迹数据。
步骤1.2按照以下步骤实施:
步骤1.2.1、界定临界速度
利用滑动窗口算法,通过定义窗口的长度,不断调整子序列的开始和结束的位置,找到轨迹点中合适的速度进行临界速度界定,具体为,首先对轨迹数据按照50个轨迹点进行分段处理,获取一段轨迹序列对应的速度序列,定义一个覆盖10个轨迹点长度的滑动窗口,初始位置在轨迹序列的最左端,滑动窗口每次向右移动10个轨迹点长度,获取滑动窗口在不同位置的速度的平均值,并放入对应的平均速度数组中,进而在该数组中找到最大的平均速度Vmax来进一步确定临界速度V=1.12Vmax;
步骤1.2.2、相邻轨迹点间的速度计算通过计算相邻轨迹点之间的距离d和时间间隔t,通过在相邻轨迹点对应的时间进行差运算得到相邻轨迹点的时间间隔t,通过haversine公式计算相邻两个轨迹坐标点之间的距离d,计算d/t得出相邻两个轨迹点之间的平均速度Vb,Vb用来表示相邻的轨迹点的瞬时速度;
步骤1.2.3、轨迹点剔除
遍历轨迹点序列,估计相邻轨迹点间的速度,如果相邻轨迹点间速度Vb<临界速度V,则认为相邻的轨迹点是正常点,否则进行轨迹点剔除。
步骤1.3按照以下步骤实施:
步骤1.3.1、轨迹剔除点补偿
通过计算剔除轨迹点相邻的轨迹点方向、速度、时间信息的均值,计算得到补偿点,将补偿点添加到剔除的轨迹点所在的轨迹序列位置。
步骤1.3.2、轨迹缺失点补偿
通过计算相邻轨迹点的时间间隔找出时间间隔超过3秒的相邻轨迹点,设定距离阈值threshold=5vt',其中,v表示两正常的相邻轨迹点间的平均速度,t'表示平均两正常的相邻轨迹点间的时间间隔,将距离阈值threshold和相邻轨迹点的距离差distance进行比较,如果距离差distance小于等于距离阈值threshold,则对轨迹缺失点进行补偿处理,如果距离差distance大于距离阈值threshold,对轨迹序列进行标记,提取轨迹缺失点,在后续步骤中进行处理。
步骤2.2按照以下步骤实施:
步骤2.2.1、十字路口轨迹带有明确的方向角变化特征,根据方向角的变化特征定义十字路口轨迹特征模型,将轨迹点输入到这个模型中,进行特征识别,符合轨迹特征模型的即是十字路口轨迹;
十字路口轨迹特征模型定义如下:
轨迹点的属性包含经度、纬度、时间戳、方向角、瞬时速度等信息,方向角表示行驶方向与正北方向的顺时针夹角,将轨迹点方向角记为m,定义十字路口轨迹特征方向角序列D=<m1,m2,…,mn>,n是不为0的自然数,以起始轨迹点的方向角m1为基准,十字路口轨迹方向角序列的特征如下:
随机取轨迹特征方向角序列方向角mi、mj,2<i<n,2<j<n,
①若m1<m2:
则(m1+m2)/2<m3,(m2+m3)/2<m4,…,(mn-2+mn-1)/2<mn,m1-mn∈-90±10;
m2-m1<[(mi-mi-1)+(mj-mj-1)]/2,mn-mn-1<[(mi-mi-1)+(mj-mj-1)]/2,
②若m1>m2:
则(m1+m2)/2>m3,(m2+m3)/2>m4,…,(mn-2+mn-1)/2>mn,m1-mn∈90±10;
m1-m2<[(mi-1-mi)+(mj-1-mj)]/2,mn-1-mn<[(mi-1-mi)+(mj-1-mj)]/2;
步骤2.2.2、环形轨迹的方向角变化速度是均匀的,并且轨迹点方向角变化是单调的,即朝着方向角增大的方向或者减小的方向变化,因此根据方向角的变化特征定义环形轨迹特征模型,将轨迹点输入到环形轨迹特征模型中,进行特征识别,符合轨迹特征模型的即是环形轨迹;
环形轨迹特征模型定义如下:
轨迹点的属性包含经度、纬度、时间戳、方向角、瞬时速度等信息,方向角表示行驶方向与正北方向的顺时针夹角,将轨迹点方向角记为m,定义环形轨迹特征方向角序列D=<m1,m2,…,mn>,将方向角变化超过90即视为环形轨迹,定义环形估计起始方向角m1和结尾方向角mn的差值大于90,以起始轨迹点的方向角m1为基准,环形轨迹方向角序列的特征如下:
随机取轨迹特征方向角序列方向角mi,2<i<n,
①若m1<m2:
则(m1+m2)/2<m3,(m2+m3)/2<m4,…,(mn-2+mn-1)/2<mn,mn-m1>90;
(mi-mi-1)-(mi+1-mi)<10,(mi-mi-1)-(mn-m1)/n<10;
②若m1>m2:
则(m1+m2)/2>m3,(m2+m3)/2>m4,…,(mn-2+mn-1)/2>mn,m1-mn>90;
(mi-1-mi)-(mi-mi+1)<10,(mi-1-mi)-(m1-mn)/n<10;
步骤2.2.3、在隧道轨迹特定的场景下,由于隧道的环境较为封闭,会严重影响GPS信号的质量,会出现大量轨迹点缺失,针对大量轨迹点缺失的情况,通过计算轨迹点间的距离distance与设定距离阈值threshold进行比较,将轨迹点间的距离distance大于设定距离阈值threshold的轨迹序列视为隧道轨迹类型,即找出轨迹点间的距离差超过距离阈值的轨迹序列,识别该轨迹序列为隧道轨迹类型,对识别成功的轨迹序列进行标记,隧道轨迹识别通过获取标记的轨迹序列,提取对应的轨迹特征点。
步骤3十字路口轨迹纠错具体为:
十字路口轨迹道路匹配:先通过十字路口轨迹特征点获取候选道路轨迹点集合roads,定义轨迹相似度数组same,获取轨迹点序列round,如果候选道路中的轨迹点在轨迹序列中找到距离小于3米的对应点,则认为该轨迹点重合,重合次数+1,依次遍历候选道路,定义相似度sim,将当前候选道路重合次数作为相似度判定条件,候选道路中的轨迹点在round序列中进行距离计算,如果找到距离小于3米的点,sim+1,继续候选道路下一个轨迹点的比对,当前候选道路遍历完成后,将sim添加到same数组中,所有候选道路和round序列比对完成后,找到same数组中的最大的相似度sim所在的位置point,通过point在roads集合中找到对应的匹配的道路序列match;
十字路口轨迹替换:首先获取对应的匹配道路序列match,起始轨迹特征点start和结束轨迹特征点end,待替换的十字路口轨迹序列round,遍历输入的轨迹序列road,定义标志tag,默认tag=-1,如果当前轨迹点是轨迹特征点start,则将tag=1,将match序列替换到轨迹序列round轨迹特征点start的位置,否则继续遍历round序列,如果tag!=-1,即tag不等于-1,表示已经找到了轨迹特征点start的位置,并将匹配道路序列match插入到待替换的十字路口轨迹序列round中,此时将当前轨迹点和轨迹点特征点end进行比对,如果当前轨迹点不是轨迹特征点end,则删除当前轨迹点,否则,停止对round序列进行遍历,已经完成了匹配道路序列match在待替换十字路口轨迹序列round中的替换,输出替换成功的轨迹序列round。
步骤3环形轨迹的纠错具体为:
环形轨迹道路匹配:通过统计环形轨迹的轨迹点在候选道路中对应的轨迹点的数量,找到重合次数最多的候选道路进行匹配,具体为:获取候选道路轨迹点集合roads,定义轨迹相似度数组same,获取轨迹点序列round,如果候选道路中的轨迹点在轨迹序列中找到距离小于3米的对应点,则认为该轨迹点重合,重合次数+1,依次遍历候选道路,定义相似度sim,将当前候选道路重合次数作为相似度判定条件,候选道路中的轨迹点在round序列中进行距离计算,如果找到距离小于3米的点,sim+1,继续候选道路下一个轨迹点的比对,当前候选道路遍历完成后,将sim添加到same数组中,所有候选道路和round序列比对完成后,找到same数组中的最大的相似度sim所在的位置point,通过point在roads集合中找到对应的匹配的道路序列match;
环形轨迹替换,将获取的匹配道路序列替换到对应的轨迹序列,还需考虑环形道路和其他道路的道路交叉口处的轨迹是否发生了偏移,如果发生了偏移,还需要在候选道路集合中获取轨迹特征点和道路交叉口之间的轨迹序列进行轨迹替换处理,具体为,首先获取匹配的道路序列match,轨迹特征点start、end,道路交叉口集合cross,候选道路集合roads以及待替换环形轨迹序列round,定义数组points1、points2,points1、points2分别用来记录轨迹特征点start、end与道路交叉口坐标的距离差,之后遍历道路交叉口集合cross,将特征点start、end与道路交叉口坐标的距离差分别添加到points1、points2中,道路交叉口集合cross遍历完成后,找到points1、points2数组中的最小距离差,如果最小距离差小于3米,则认为轨迹特征点和道路交叉口坐标重合,否则在集合roads中获取对应的轨迹特征点和道路交叉口坐标之间的轨迹序列,将获取的轨迹序列添加到匹配道路序列match中,得到可替换的轨迹序列,再对原有的环形轨迹序列round进行替换。
步骤3隧道轨迹的纠错具体为:
通过起始轨迹特征点start,结束轨迹特征点end在地图数据库中获取对应的轨迹点序列road,定义需要补全的轨迹序列record,定义轨迹缺失序列miss,定义找到轨迹特征点的标志find=-1,如果标志find=-1,遍历road序列找到特征点start,将标志find=1,否则将之后遍历的轨迹点加入到miss序列中,直到找到特征点end,停止遍历,之后遍历record序列,找到对应特征点start,将miss序列在特征点start处插入到record序列中,输出补全的轨迹序列record。
本发明的有益效果是:
本发明一种基于地图匹配的车辆分类轨迹纠错方法,解决了现有技术针对特定轨迹类型的局限性以及全区地图匹配的复杂度问题。本发明的分类轨迹纠错方法,针对特定轨迹类型的轨迹纠错,在有效性,稳定性和准确性上都有了很大的提高,具有较高的实用性。
附图说明
图1是一种基于地图匹配的车辆分类轨迹纠错方法步骤2.2中十字路口轨迹方向角变化特征图;
图2是一种基于地图匹配的车辆分类轨迹纠错方法步骤2.2中环形轨迹方向角变化特征图;
图3是一种基于地图匹配的车辆分类轨迹纠错方法步骤2.2中隧道轨迹识别的轨迹数据对应的轨迹路线图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明一种基于地图匹配的车辆分类轨迹纠错方法,包括以下步骤:
步骤1、车辆轨迹预处理
步骤1.1、获取轨迹数据,对轨迹数据进行清洗;
步骤1.1具体为:
获取对应的轨迹序列,判断该轨迹序列中是否存在轨迹坐标信息相同的轨迹点,如果存在,获取重复的轨迹点,进一步判断这些重复轨迹点的速度或者方向是否为0,将速度或者方向为0的轨迹数据视为无效数据进行清洗处理,保留重复轨迹点中有效的轨迹数据。
步骤1.2、根据步骤1.1处理后得到的轨迹数据,进行轨迹点剔除处理;
步骤1.2按照以下步骤实施:
步骤1.2.1、界定临界速度
利用滑动窗口算法,通过定义窗口的长度,不断调整子序列的开始和结束的位置,找到轨迹点中合适的速度进行临界速度界定,具体为,首先对轨迹数据按照50个轨迹点进行分段处理,获取一段轨迹序列对应的速度序列,定义一个覆盖10个轨迹点长度的滑动窗口,初始位置在轨迹序列的最左端,滑动窗口每次向右移动10个轨迹点长度,获取滑动窗口在不同位置的速度的平均值,并放入对应的平均速度数组中,进而在该数组中找到最大的平均速度Vmax来进一步确定临界速度V=1.12Vmax;
步骤1.2.2、相邻轨迹点间的速度计算通过计算相邻轨迹点之间的距离d和时间间隔t,通过在相邻轨迹点对应的时间进行差运算得到相邻轨迹点的时间间隔t,通过haversine公式计算相邻两个轨迹坐标点之间的距离d,计算d/t得出相邻两个轨迹点之间的平均速度Vb,Vb用来表示相邻的轨迹点的瞬时速度;
haversine公式即半正矢公式,是用来计算球体两个点之间的距离,假设d是沿着球的大圆的两点之间的球面距离,r是球体的半径,根据两点的经度λ1、λ2和纬度(以弧度为单位),则圆心角θ的半正矢值hav(θ)如式(1)所示,
而在球面三角形中,haversine公式用于表达两边夹角及其对边或两角夹边及其对角的关系式,具体表达式如式(2)所示,
因此,要求解距离d,由θ=d/r和h=hav(θ),使用反正弦函数代入式(1)中,可以求出两点之间的球面距离,如式(3)所示,
步骤1.2.3、轨迹点剔除
遍历轨迹点序列,估计相邻轨迹点间的速度,如果相邻轨迹点间速度Vb<临界速度V,则认为相邻的轨迹点是正常点,否则进行轨迹点剔除。
步骤1.3、根据步骤1.2处理后得到的轨迹数据,进行轨迹点补偿处理;
步骤1.3按照以下步骤实施:
步骤1.3.1、轨迹剔除点补偿
通过计算剔除轨迹点相邻的轨迹点方向、速度、时间信息的均值,计算得到补偿点,将补偿点添加到剔除的轨迹点所在的轨迹序列位置。
步骤1.3.2、轨迹缺失点补偿
通过计算相邻轨迹点的时间间隔找出时间间隔超过3秒的相邻轨迹点,设定距离阈值threshold=5vt',其中,v表示两正常的相邻轨迹点间的平均速度,t'表示平均两正常的相邻轨迹点间的时间间隔,将距离阈值threshold和相邻轨迹点的距离差distance进行比较,如果距离差distance小于等于距离阈值threshold,则对轨迹缺失点进行补偿处理,如果距离差distance大于距离阈值threshold,对轨迹序列进行标记,提取轨迹缺失点,在后续步骤中进行处理。
步骤2、针对特定场景下的轨迹异常,划分不同的轨迹类型
步骤2.1、结合实际应用,针对特定场景下的轨迹异常,根据不同的轨迹形状和道路类型对轨迹进行分类,将轨迹分为十字路口轨迹、隧道轨迹、环形轨迹;
步骤2.2、根据步骤2.1划分的轨迹类型的特征,进行轨迹特征模型的定义,分别定义十字路口轨迹特征模型、环形轨迹特征模型、隧道轨迹特征模型,设计对应的轨迹特征识别方式;
步骤2.2按照以下步骤实施:
步骤2.2.1、十字路口轨迹带有明确的方向角变化特征,如图1所示,根据方向角的变化特征定义十字路口轨迹特征模型,将轨迹点输入到这个模型中,进行特征识别,符合轨迹特征模型的即是十字路口轨迹;
十字路口轨迹特征模型定义如下:
轨迹点的属性包含经度、纬度、时间戳、方向角、瞬时速度等信息,方向角表示行驶方向与正北方向的顺时针夹角,将轨迹点方向角记为m,定义十字路口轨迹特征方向角序列D=<m1,m2,…,mn>,n是不为0的自然数,以起始轨迹点的方向角m1为基准,十字路口轨迹方向角序列的特征如下:
随机取轨迹特征方向角序列方向角mi、mj,2<i<n,2<j<n,
③若m1<m2:
则(m1+m2)/2<m3,(m2+m3)/2<m4,…,(mn-2+mn-1)/2<mn,m1-mn∈-90±10;
m2-m1<[(mi-mi-1)+(mj-mj-1)]/2,mn-mn-1<[(mi-mi-1)+(mj-mj-1)]/2,
④若m1>m2:
则(m1+m2)/2>m3,(m2+m3)/2>m4,…,(mn-2+mn-1)/2>mn,m1-mn∈90±10;
m1-m2<[(mi-1-mi)+(mj-1-mj)]/2,mn-1-mn<[(mi-1-mi)+(mj-1-mj)]/2;
步骤2.2.2、环形轨迹的方向角变化速度是均匀的,并且轨迹点方向角变化是单调的,如图2所示,即朝着方向角增大的方向或者减小的方向变化,因此根据方向角的变化特征定义环形轨迹特征模型,将轨迹点输入到环形轨迹特征模型中,进行特征识别,符合轨迹特征模型的即是环形轨迹;
环形轨迹特征模型定义如下:
轨迹点的属性包含经度、纬度、时间戳、方向角、瞬时速度等信息,方向角表示行驶方向与正北方向的顺时针夹角,将轨迹点方向角记为m,定义环形轨迹特征方向角序列D=<m1,m2,…,mn>,将方向角变化超过90即视为环形轨迹,定义环形估计起始方向角m1和结尾方向角mn的差值大于90,以起始轨迹点的方向角m1为基准,环形轨迹方向角序列的特征如下:
随机取轨迹特征方向角序列方向角mi,2<i<n,
③若m1<m2:
则(m1+m2)/2<m3,(m2+m3)/2<m4,…,(mn-2+mn-1)/2<mn,mn-m1>90;
(mi-mi-1)-(mi+1-mi)<10,(mi-mi-1)-(mn-m1)/n<10;
④若m1>m2:
则(m1+m2)/2>m3,(m2+m3)/2>m4,…,(mn-2+mn-1)/2>mn,m1-mn>90;
(mi-1-mi)-(mi-mi+1)<10,(mi-1-mi)-(m1-mn)/n<10;
步骤2.2.3、在隧道轨迹特定的场景下,由于隧道的环境较为封闭,会严重影响GPS信号的质量,会出现大量轨迹点缺失,针对大量轨迹点缺失的情况,通过计算轨迹点间的距离distance与设定距离阈值threshold进行比较,将轨迹点间的距离distance大于设定距离阈值threshold的轨迹序列视为隧道轨迹类型,如图3所示,即找出轨迹点间的距离差超过距离阈值的轨迹序列,识别该轨迹序列为隧道轨迹类型,对识别成功的轨迹序列进行标记,隧道轨迹识别通过获取标记的轨迹序列,提取对应的轨迹特征点。
步骤2.3、根据划分的轨迹类型以及轨迹特征识别方式,将经步骤1轨迹预处理后的轨迹数据进行轨迹特征模型识别,获取轨迹特征识别成功的轨迹序列和轨迹特征点,根据轨迹特征点在地图数据库上获取对应的道路信息。
步骤3、根据经步骤2获取的道路信息和识别成功的轨迹序列,使用特定的轨迹纠错方法进行分类轨迹纠错处理:
当步骤2识别的轨迹类型是十字路口轨迹,使用十字路口轨迹道路匹配算法找到匹配的道路,最后根据匹配的道路信息对原有轨迹进行替换,实现十字路口轨迹的纠错;
步骤3十字路口轨迹纠错具体为:
十字路口轨迹道路匹配:先通过十字路口轨迹特征点获取候选道路轨迹点集合roads,定义轨迹相似度数组same,获取轨迹点序列round,如果候选道路中的轨迹点在轨迹序列中找到距离小于3米的对应点,则认为该轨迹点重合,重合次数+1,依次遍历候选道路,定义相似度sim,将当前候选道路重合次数作为相似度判定条件,候选道路中的轨迹点在round序列中进行距离计算,如果找到距离小于3米的点,sim+1,继续候选道路下一个轨迹点的比对,当前候选道路遍历完成后,将sim添加到same数组中,所有候选道路和round序列比对完成后,找到same数组中的最大的相似度sim所在的位置point,通过point在roads集合中找到对应的匹配的道路序列match;
十字路口轨迹替换:首先获取对应的匹配道路序列match,起始轨迹特征点start和结束轨迹特征点end,待替换的十字路口轨迹序列round,遍历输入的轨迹序列road,定义标志tag,默认tag=-1,如果当前轨迹点是轨迹特征点start,则将tag=1,将match序列替换到轨迹序列round轨迹特征点start的位置,否则继续遍历round序列,如果tag!=-1,即tag不等于-1,表示已经找到了轨迹特征点start的位置,并将匹配道路序列match插入到待替换的十字路口轨迹序列round中,此时将当前轨迹点和轨迹点特征点end进行比对,如果当前轨迹点不是轨迹特征点end,则删除当前轨迹点,否则,停止对round序列进行遍历,已经完成了匹配道路序列match在待替换十字路口轨迹序列round中的替换,输出替换成功的轨迹序列round。
当步骤2识别的轨迹类型是环形轨迹,根据获取到的轨迹特征点、道路信息以及道路交叉口等信息,将候选道路信息与已知的环形轨迹序列进行比对判断,找到匹配的道路信息,接下来对匹配的道路信息进行处理,由于环形道路实际行驶的轨迹是从道路的某一个交叉口驶入,从另一个交叉口驶出,获取匹配的道路是整条道路,需要根据道路交叉口信息截取需要的轨迹序列。理想状态下,驶入轨迹特征点和驶出轨迹特征点和道路交叉口轨迹点重合,实际上通过环形轨迹识别算法找到的轨迹特征点离道路交叉口有一定的偏差。因此还需要对匹配的道路数据进行扩展处理,保证驶入驶出环形轨迹的道路和环形轨迹间的轨迹的精确性,最后再对原有环形轨迹进行替换,实现环形轨迹的纠错;
步骤3环形轨迹的纠错具体为:
环形轨迹道路匹配:通过统计环形轨迹的轨迹点在候选道路中对应的轨迹点的数量,找到重合次数最多的候选道路进行匹配,具体为:获取候选道路轨迹点集合roads,定义轨迹相似度数组same,获取轨迹点序列round,如果候选道路中的轨迹点在轨迹序列中找到距离小于3米的对应点,则认为该轨迹点重合,重合次数+1,依次遍历候选道路,定义相似度sim,将当前候选道路重合次数作为相似度判定条件,候选道路中的轨迹点在round序列中进行距离计算,如果找到距离小于3米的点,sim+1,继续候选道路下一个轨迹点的比对,当前候选道路遍历完成后,将sim加到same数组中,所有候选道路和round序列比对完成后,找到same数组中的最大的相似度sim所在的位置point,通过point在roads集合中找到对应的匹配的道路序列match;
环形轨迹替换,将获取的匹配道路序列替换到对应的轨迹序列,还需考虑环形道路和其他道路的道路交叉口处的轨迹是否发生了偏移,如果发生了偏移,还需要在候选道路集合中获取轨迹特征点和道路交叉口之间的轨迹序列进行轨迹替换处理,具体为,首先获取匹配的道路序列match,轨迹特征点start、end,道路交叉口集合cross,候选道路集合roads以及待替换环形轨迹序列round,定义数组points1、points2,points1、points2分别用来记录轨迹特征点start、end与道路交叉口坐标的距离差,之后遍历道路交叉口集合cross,将特征点start、end与道路交叉口坐标的距离差分别添加到points1、points2中,道路交叉口集合cross遍历完成后,找到points1、points2数组中的最小距离差,如果最小距离差小于3米,则认为轨迹特征点和道路交叉口坐标重合,否则在集合roads中获取对应的轨迹特征点和道路交叉口坐标之间的轨迹序列,将获取的轨迹序列添加到匹配道路序列match中,得到可替换的轨迹序列,再对原有的环形轨迹序列round进行替换。
当步骤2识别的轨迹类型是隧道轨迹,对隧道轨迹进行轨迹缺失数据补全,进行隧道轨迹纠错;
步骤3隧道轨迹的纠错具体为:
通过起始轨迹特征点start,结束轨迹特征点end在地图数据库中获取对应的轨迹点序列road,定义需要补全的轨迹序列record,定义轨迹缺失序列miss,定义找到轨迹特征点的标志find=-1,如果标志find=-1,遍历road序列找到特征点start,将标志find=1,否则将之后遍历的轨迹点加入到miss序列中,直到找到特征点end,停止遍历,之后遍历record序列,找到对应特征点start,将miss序列在特征点start处插入到record序列中,输出补全的轨迹序列record。
Claims (7)
1.一种基于地图匹配的车辆分类轨迹纠错方法,其特征在于,包括以下步骤:
步骤1、车辆轨迹预处理
步骤1.1、获取轨迹数据,对轨迹数据进行清洗;
步骤1.2、根据步骤1.1处理后得到的轨迹数据,进行轨迹点剔除处理;
步骤1.3、根据步骤1.2处理后得到的轨迹数据,进行轨迹点补偿处理;
步骤2、针对特定场景下的轨迹异常,划分不同的轨迹类型
步骤2.1、结合实际应用,针对特定场景下的轨迹异常,根据不同的轨迹形状和道路类型对轨迹进行分类,将轨迹分为十字路口轨迹、隧道轨迹、环形轨迹;
步骤2.2、根据步骤2.1划分的轨迹类型的特征,进行轨迹特征模型的定义,分别定义十字路口轨迹特征模型、环形轨迹特征模型、隧道轨迹特征模型,设计对应的轨迹特征识别方式;
所述步骤2.2按照以下步骤实施:
步骤2.2.1、十字路口轨迹带有明确的方向角变化特征,根据方向角的变化特征定义十字路口轨迹特征模型,将轨迹点输入到这个模型中,进行特征识别,符合轨迹特征模型的即是十字路口轨迹;
十字路口轨迹特征模型定义如下:
轨迹点的属性包含经度、纬度、时间戳、方向角、瞬时速度信息,方向角表示行驶方向与正北方向的顺时针夹角,将轨迹点方向角记为m,定义十字路口轨迹特征方向角序列D=<m1,m 2,…,m n>,n是不为0的自然数,以起始轨迹点的方向角m1为基准,十字路口轨迹方向角序列的特征如下:
随机取轨迹特征方向角序列方向角mi、mj,2<i<n,2<j<n,
⑤若m1<m2:
则(m1+m2)/2<m3,(m2+m3)/2<m4,…,(mn-2+mn-1)/2<mn,m1-mn∈-90±10;
m2-m1<[(mi-mi-1)+(mj-mj-1)]/2,mn-mn-1<[(mi-mi-1)+(mj-mj-1)]/2,
⑥若m1>m2:
则(m1+m2)/2>m3,(m2+m3)/2>m4,…,(mn-2+mn-1)/2>mn,m1-mn∈90±10;
m1-m2<[(mi-1-mi)+(mj-1-mj)]/2,mn-1-mn<[(mi-1-mi)+(mj-1-mj)]/2;
步骤2.2.2、环形轨迹的方向角变化速度是均匀的,并且轨迹点方向角变化是单调的,即朝着方向角增大的方向或者减小的方向变化,因此根据方向角的变化特征定义环形轨迹特征模型,将轨迹点输入到环形轨迹特征模型中,进行特征识别,符合轨迹特征模型的即是环形轨迹;
环形轨迹特征模型定义如下:
轨迹点的属性包含经度、纬度、时间戳、方向角、瞬时速度信息,方向角表示行驶方向与正北方向的顺时针夹角,将轨迹点方向角记为m,定义环形轨迹特征方向角序列D=<m1,m2,…,mn>,将方向角变化超过90即视为环形轨迹,定义环形估计起始方向角m1和结尾方向角mn的差值大于90,以起始轨迹点的方向角m1为基准,环形轨迹方向角序列的特征如下:
随机取轨迹特征方向角序列方向角mi,2<i<n,
⑤若m1<m2:
则(m1+m2)/2<m3,(m2+m3)/2<m4,…,(mn-2+mn-1)/2<mn,mn-m1>90;
(mi-mi-1)-(mi+1-mi)<10,(mi-mi-1)-(mn-m1)/n<10;
⑥若m1>m2:
则(m1+m2)/2>m3,(m2+m3)/2>m4,…,(mn-2+mn-1)/2>mn,m1-mn>90;
(mi-1-mi)-(mi-mi+1)<10,(mi-1-mi)-(m1-mn)/n<10;
步骤2.2.3、在隧道轨迹特定的场景下,由于隧道的环境较为封闭,会严重影响GPS信号的质量,会出现大量轨迹点缺失,针对大量轨迹点缺失的情况,通过计算轨迹点间的距离distance与设定距离阈值threshold进行比较,将轨迹点间的距离distance大于设定距离阈值threshold的轨迹序列视为隧道轨迹类型,即找出轨迹点间的距离差超过距离阈值的轨迹序列,识别该轨迹序列为隧道轨迹类型,对识别成功的轨迹序列进行标记,隧道轨迹识别通过获取标记的轨迹序列,提取对应的轨迹特征点;
步骤2.3、根据划分的轨迹类型以及轨迹特征识别方式,将经步骤1轨迹预处理后的轨迹数据进行轨迹特征模型识别,获取轨迹特征识别成功的轨迹序列和轨迹特征点,根据轨迹特征点在地图数据库上获取对应的道路信息;
步骤3、根据经步骤2获取的道路信息和识别成功的轨迹序列,使用特定的轨迹纠错方法进行分类轨迹纠错处理
当步骤2识别的轨迹类型是十字路口轨迹,使用十字路口轨迹道路匹配算法找到匹配的道路,最后根据匹配的道路信息对原有轨迹进行替换,实现十字路口轨迹的纠错;
当步骤2识别的轨迹类型是环形轨迹,根据获取到的轨迹特征点、道路信息以及道路交叉口信息,将候选道路信息与已知的环形轨迹序列进行比对判断,找到匹配的道路信息,接下来对匹配的道路信息进行处理,由于环形道路实际行驶的轨迹是从道路的某一个交叉口驶入,从另一个交叉口驶出,获取匹配的道路是整条道路,需要根据道路交叉口信息截取需要的轨迹序列,理想状态下,驶入轨迹特征点和驶出轨迹特征点和道路交叉口轨迹点重合,实际上通过环形轨迹识别算法找到的轨迹特征点离道路交叉口有偏差,因此还需要对匹配的道路数据进行扩展处理,保证驶入驶出环形轨迹的道路和环形轨迹间的轨迹的精确性,最后再对原有环形轨迹进行替换,实现环形轨迹的纠错;
当步骤2识别的轨迹类型是隧道轨迹,对隧道轨迹进行轨迹缺失数据补全,进行隧道轨迹纠错。
2.根据权利要求1所述的一种基于地图匹配的车辆分类轨迹纠错方法,其特征在于,所述步骤1.1具体为:
获取对应的轨迹序列,判断该轨迹序列中是否存在轨迹坐标信息相同的轨迹点,如果存在,获取重复的轨迹点,进一步判断这些重复轨迹点的速度或者方向是否为0,将速度或者方向为0的轨迹数据视为无效数据进行清洗处理,保留重复轨迹点中有效的轨迹数据。
3.根据权利要求1所述的一种基于地图匹配的车辆分类轨迹纠错方法,其特征在于,所述步骤1.2按照以下步骤实施:
步骤1.2.1、界定临界速度
利用滑动窗口算法,通过定义窗口的长度,不断调整子序列的开始和结束的位置,找到轨迹点中合适的速度进行临界速度界定,具体为,首先对轨迹数据按照50个轨迹点进行分段处理,获取一段轨迹序列对应的速度序列,定义一个覆盖10个轨迹点长度的滑动窗口,初始位置在轨迹序列的最左端,滑动窗口每次向右移动10个轨迹点长度,获取滑动窗口在不同位置的速度的平均值,并放入对应的平均速度数组中,进而在该数组中找到最大的平均速度Vmax来进一步确定临界速度V=1.12Vmax;
步骤1.2.2、相邻轨迹点间的速度计算通过计算相邻轨迹点之间的距离d和时间间隔t,通过在相邻轨迹点对应的时间进行差运算得到相邻轨迹点的时间间隔t,通过haversine公式计算相邻两个轨迹坐标点之间的距离d,计算d/t得出相邻两个轨迹点之间的平均速度Vb,Vb用来表示相邻的轨迹点的瞬时速度;
步骤1.2.3、轨迹点剔除
遍历轨迹点序列,估计相邻轨迹点间的速度,如果相邻轨迹点间速度Vb<临界速度V,则认为相邻的轨迹点是正常点,否则进行轨迹点剔除。
4.根据权利要求3所述的一种基于地图匹配的车辆分类轨迹纠错方法,其特征在于,所述步骤1.3按照以下步骤实施:
步骤1.3.1、轨迹剔除点补偿
通过计算剔除轨迹点相邻的轨迹点方向、速度、时间信息的均值,计算得到补偿点,将补偿点添加到剔除的轨迹点所在的轨迹序列位置;
步骤1.3.2、轨迹缺失点补偿
通过计算相邻轨迹点的时间间隔找出时间间隔超过3秒的相邻轨迹点,设定距离阈值threshold=5vt',其中,v表示两正常的相邻轨迹点间的平均速度,t'表示平均两正常的相邻轨迹点间的时间间隔,将距离阈值threshold和相邻轨迹点的距离差distance进行比较,如果距离差distance小于等于距离阈值threshold,则对轨迹缺失点进行补偿处理,如果距离差distance大于距离阈值threshold,对轨迹序列进行标记,提取轨迹缺失点,在后续步骤中进行处理。
5.根据权利要求1所述的一种基于地图匹配的车辆分类轨迹纠错方法,其特征在于,所述步骤3十字路口轨迹纠错具体为:
十字路口轨迹道路匹配:先通过十字路口轨迹特征点获取候选道路轨迹点集合roads,定义轨迹相似度数组same,获取轨迹点序列round,如果候选道路中的轨迹点在轨迹序列中找到距离小于3米的对应点,则认为该轨迹点重合,重合次数+1,依次遍历候选道路,定义相似度sim,将当前候选道路重合次数作为相似度判定条件,候选道路中的轨迹点在round序列中进行距离计算,如果找到距离小于3米的点,sim+1,继续候选道路下一个轨迹点的比对,当前候选道路遍历完成后,将sim添加到same数组中,所有候选道路和round序列比对完成后,找到same数组中的最大的相似度sim所在的位置point,通过point在roads集合中找到对应的匹配的道路序列match;
十字路口轨迹替换:首先获取对应的匹配道路序列match,起始轨迹特征点start和结束轨迹特征点end,待替换的十字路口轨迹序列round,遍历输入的轨迹序列road,定义标志tag,默认tag=-1,如果当前轨迹点是轨迹特征点start,则将tag=1,将match序列替换到轨迹序列round轨迹特征点start的位置,否则继续遍历round序列,如果tag!=-1,即tag不等于-1,表示已经找到了轨迹特征点start的位置,并将匹配道路序列match插入到待替换的十字路口轨迹序列round中,此时将当前轨迹点和轨迹点特征点end进行比对,如果当前轨迹点不是轨迹特征点end,则删除当前轨迹点,否则,停止对round序列进行遍历,已经完成了匹配道路序列match在待替换十字路口轨迹序列round中的替换,输出替换成功的轨迹序列round。
6.根据权利要求1所述的一种基于地图匹配的车辆分类轨迹纠错方法,其特征在于,所述步骤3环形轨迹的纠错具体为:
环形轨迹道路匹配:通过统计环形轨迹的轨迹点在候选道路中对应的轨迹点的数量,找到重合次数最多的候选道路进行匹配,具体为:获取候选道路轨迹点集合roads,定义轨迹相似度数组same,获取轨迹点序列round,如果候选道路中的轨迹点在轨迹序列中找到距离小于3米的对应点,则认为该轨迹点重合,重合次数+1,依次遍历候选道路,定义相似度sim,将当前候选道路重合次数作为相似度判定条件,候选道路中的轨迹点在round序列中进行距离计算,如果找到距离小于3米的点,sim+1,继续候选道路下一个轨迹点的比对,当前候选道路遍历完成后,将sim加到same数组中,所有候选道路和round序列比对完成后,找到same数组中的最大的相似度sim所在的位置point,通过point在roads集合中找到对应的匹配的道路序列match;
环形轨迹替换,将获取的匹配道路序列替换到对应的轨迹序列,还需考虑环形道路和其他道路的道路交叉口处的轨迹是否发生了偏移,如果发生了偏移,还需要在候选道路集合中获取轨迹特征点和道路交叉口之间的轨迹序列进行轨迹替换处理,具体为,首先获取匹配的道路序列match,轨迹特征点start、end,道路交叉口集合cross,候选道路集合roads以及待替换环形轨迹序列round,定义数组points1、points2,points1、points2分别用来记录轨迹特征点start、end与道路交叉口坐标的距离差,之后遍历道路交叉口集合cross,将特征点start、end与道路交叉口坐标的距离差分别添加到points1、points2中,道路交叉口集合cross遍历完成后,找到points1、points2数组中的最小距离差,如果最小距离差小于3米,则认为轨迹特征点和道路交叉口坐标重合,否则在集合roads中获取对应的轨迹特征点和道路交叉口坐标之间的轨迹序列,将获取的轨迹序列添加到匹配道路序列match中,得到可替换的轨迹序列,再对原有的环形轨迹序列round进行替换。
7.根据权利要求1所述的一种基于地图匹配的车辆分类轨迹纠错方法,其特征在于,所述步骤3隧道轨迹的纠错具体为:
通过起始轨迹特征点start,结束轨迹特征点end在地图数据库中获取对应的轨迹点序列road,定义需要补全的轨迹序列record,定义轨迹缺失序列miss,定义找到轨迹特征点的标志find=-1,如果标志find=-1,遍历road序列找到特征点start,将标志find=1,否则将之后遍历的轨迹点加入到miss序列中,直到找到特征点end,停止遍历,之后遍历record序列,找到对应特征点start,将miss序列在特征点start处插入到record序列中,输出补全的轨迹序列record。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110769681.8A CN113505187B (zh) | 2021-07-07 | 2021-07-07 | 一种基于地图匹配的车辆分类轨迹纠错方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110769681.8A CN113505187B (zh) | 2021-07-07 | 2021-07-07 | 一种基于地图匹配的车辆分类轨迹纠错方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505187A CN113505187A (zh) | 2021-10-15 |
CN113505187B true CN113505187B (zh) | 2023-04-18 |
Family
ID=78011947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110769681.8A Active CN113505187B (zh) | 2021-07-07 | 2021-07-07 | 一种基于地图匹配的车辆分类轨迹纠错方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505187B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114199246A (zh) * | 2021-11-05 | 2022-03-18 | 南京钢铁股份有限公司 | 布料小车行驶路线的模拟系统和方法 |
CN114639216A (zh) * | 2022-02-18 | 2022-06-17 | 国政通科技有限公司 | 一种特定人员的轨迹区域分析预警系统和方法 |
CN114822044B (zh) * | 2022-06-29 | 2022-09-09 | 山东金宇信息科技集团有限公司 | 一种基于隧道的行车安全预警方法及设备 |
CN116168538B (zh) * | 2023-02-23 | 2024-04-12 | 公安部交通管理科学研究所 | 一种平面道路车辆通行空间识别方法 |
CN116543310B (zh) * | 2023-06-30 | 2023-10-31 | 眉山环天智慧科技有限公司 | 一种基于Voronoi图和核密度的道路线提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989223A (zh) * | 2021-03-22 | 2021-06-18 | 杭州电子科技大学 | 基于轨迹的修正与简化的电动自行车轨迹地图匹配方法 |
CN113031033A (zh) * | 2021-02-03 | 2021-06-25 | 广东泰迪智能科技股份有限公司 | 一种基于gps数据的轨迹纠偏装置及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160010175A (ko) * | 2014-07-18 | 2016-01-27 | 고려대학교 산학협력단 | 방향각 오차를 이용한 차량형 이동 로봇의 오도메트리 오차 보정 방법 |
CN109919518B (zh) * | 2019-03-29 | 2021-08-03 | 百度在线网络技术(北京)有限公司 | 地图轨迹匹配数据的质量确定方法、装置、服务器及介质 |
CN111862659B (zh) * | 2020-06-30 | 2022-04-22 | 中冶智诚(武汉)工程技术有限公司 | 一种gps轨迹数据匹配和补全的方法 |
CN111949896B (zh) * | 2020-07-30 | 2023-09-15 | 安徽师范大学 | 基于轨迹大数据的轨迹异常检测方法 |
CN113009532A (zh) * | 2021-04-01 | 2021-06-22 | 南京理工大学 | 一种移动轨迹数据补全方法 |
-
2021
- 2021-07-07 CN CN202110769681.8A patent/CN113505187B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113031033A (zh) * | 2021-02-03 | 2021-06-25 | 广东泰迪智能科技股份有限公司 | 一种基于gps数据的轨迹纠偏装置及方法 |
CN112989223A (zh) * | 2021-03-22 | 2021-06-18 | 杭州电子科技大学 | 基于轨迹的修正与简化的电动自行车轨迹地图匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113505187A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113505187B (zh) | 一种基于地图匹配的车辆分类轨迹纠错方法 | |
CN110095127B (zh) | 一种基于分段的隐马尔可夫模型地图匹配方法 | |
CN109241069B (zh) | 一种基于轨迹自适应聚类的路网快速更新的方法及系统 | |
CN106840176B (zh) | Gps时空数据增量路网实时更新和轨迹匹配系统 | |
CN110176139B (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
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 | |
CN107328423B (zh) | 基于地图数据的弯道识别方法及其系统 | |
Yin et al. | Feature-based map matching for low-sampling-rate GPS trajectories | |
CN113932821B (zh) | 基于连续窗口平均方向特征的轨迹地图匹配方法 | |
CN112747755B (zh) | 道路线确定方法、装置、可读存储介质及地图更新系统 | |
CN113587944B (zh) | 准实时的车辆行驶路线生成方法、系统及设备 | |
CN111949896A (zh) | 基于轨迹大数据的轨迹异常检测方法 | |
CN114964272A (zh) | 一种融合车载图像语义的车辆轨迹地图匹配方法 | |
CN111599182A (zh) | 一种基于自然驾驶数据的换道行为自动提取方法 | |
CN112633812B (zh) | 货运车辆的轨迹分段方法、装置、设备及存储介质 | |
CN113375685A (zh) | 基于子轨迹相交的城市路口中心识别及路口转弯规则提取方法 | |
CN112309118A (zh) | 一种基于时空相似度的车辆轨迹推算方法 | |
CN115631082B (zh) | 一种基于高速路网拓扑结构的多场景路径还原方法 | |
CN114462609A (zh) | 一种基于隐马尔可夫模型的浮动车数据轨迹还原方法 | |
Kumar et al. | Vehicle re-identification and trajectory reconstruction using multiple moving cameras in the CARLA driving simulator | |
Zhang et al. | Rcivmm: A route choice-based interactive voting map matching approach for complex urban road networks | |
CN116244391A (zh) | 一种海量航迹目标典型阵位提取方法 | |
CN114705200A (zh) | 一种基于路径增量的高采样率轨迹地图匹配方法 | |
CN114216467A (zh) | 道路定位方法、装置、计算机设备和存储介质 | |
CN110727749A (zh) | 一种自适应候选路段搜索方法 |
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 |