CN113932821A - 基于连续窗口平均方向特征的轨迹地图匹配方法 - Google Patents
基于连续窗口平均方向特征的轨迹地图匹配方法 Download PDFInfo
- Publication number
- CN113932821A CN113932821A CN202111304962.2A CN202111304962A CN113932821A CN 113932821 A CN113932821 A CN 113932821A CN 202111304962 A CN202111304962 A CN 202111304962A CN 113932821 A CN113932821 A CN 113932821A
- Authority
- CN
- China
- Prior art keywords
- point
- track
- gps
- road
- points
- 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 42
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 238000005070 sampling Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 abstract description 5
- 238000004220 aggregation Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 19
- 238000012732 spatial analysis Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 8
- 230000007704 transition Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000012731 temporal analysis Methods 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- 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
- 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
-
- 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
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/026—Services making use of location information using location based information parameters using orientation information, e.g. compass
-
- 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
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)
- Automation & Control Theory (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明适用于基于连续窗口平均方向特征的轨迹地图匹配方法,包括如下步骤:S1、基于路网数据生成道路拓扑网络,对GPS轨迹进行聚类形成GPS轨迹Ⅰ,获取GPS轨迹Ⅰ上各轨迹点在道路拓扑网络中的候选路段及候选点;S2、基于空间分析、时间分析及方向分析将GPS轨迹Ⅰ上的各轨迹点匹配到最佳的候选路段。本发明主要用于解决在交叉路口,尤其是在Y字型路口处GPS点未匹配到正确路段的问题;通过加入连续窗口方向平均值概念来处理交叉路段使之匹配精度更高。另外,当车辆在繁忙的街道堵车时以及车辆在进行红绿灯等待时,将会产生大量的聚集点。为了减少匹配点的重叠性,我们对聚集点进行GPS聚类简化轨迹,以此来提高匹配效率。
Description
技术领域
本发明属于轨迹匹配技术领域,提供了一种基于连续窗口平均方向特征的轨迹地图匹配方法。
背景技术
随着内置GPS传感器的电子移动设备的普及,使得大量GPS轨迹数据的收集成为可能,激发更多基于位置服务应用的发展。精确的轨迹数据能使得用户获取更高质量的服务。然而,由于定位系统本身的不稳定性,卫星信号容易受到干扰,导致部分GPS轨迹点与实际位置存在误差,甚至发生数据丢失。地图匹配是一个将原始轨迹准确映射到道路网络的处理过程。因此由轨迹数据驱动的各种应用(如路径规划、交通流分析、空间数据挖掘、自动驾驶汽车和地理社会网络分析等)在进行与路网相关的分析之前必须对其进行地图匹配处理GPS轨迹处理过程如图1所示。
针对复杂道路网络,已经通过考虑轨迹空间特征和时间特征提出ST-matching匹配方法,计算空间分析函数和时间分析函数来进行匹配分析,由于没有考虑采样点之间的影响关系,无法处理交叉点周围的GPS点。另一方面,该方法没有对轨迹进行预处理,在处理由太多GPS点组成的轨迹时,系统时间效率低。
发明内容
本发明实施例提供了一种基于连续窗口平均方向特征的轨迹地图匹配方法,旨在改善上述问题。
本发明是这样实现的,一种基于连续窗口平均方向特征的轨迹地图匹配方法,所述方法具体包括如下步骤:
S1、基于路网数据生成道路拓扑网络,对GPS轨迹进行聚类形成GPS轨迹Ⅰ,获取GPS轨迹Ⅰ上各轨迹点在道路拓扑网络中的候选路段及候选点;
S2、基于空间分析、时间分析及方向分析将GPS轨迹Ⅰ上的各轨迹点匹配到最佳的候选路段。
进一步的,基于如下公式进行方向分析:
其中,表示基于方向分析函数计算所得GPS采样点pi在第j条候选路段方向的概率,表示GPS轨迹Ⅰ上第i个轨迹点pi的方向,θavgi表示GPS轨迹Ⅰ上第i个轨迹点pi的平均方向值,σ、μ分别表示正态分布的两个参数;
表示路段方向,ei.end.lat、ei.start.lat分别表示路段ei的起始点纬度和终止点纬度,ei.end.lng、ei.start.lng分别表示路段ei的终止点经度和起始点经度,pi.lat、pi.lng分别表示第i个GPS点pi的纬度及经度。
进一步的,道路网络拓扑的生成方法具体如下:
遍历整个路网数据,将道路的ID作为HashMap中对应边的唯一标识进行存储;
添加所有边的开始节点和终止节点到该HashMap中;
遍历起始节点和终止节点之间的中间节点,将中间节点添加至HashMap中的ID对应路段中,作为对应路段的内部节点。
进一步的,GPS轨迹Ⅰ的形成方法具体如下:
S11、检测当前轨迹点pi-1与下一轨迹点pi是否同时满足条件1和条件2,若检测结果为是,则执行步骤S12,若检测结果为否,执行步骤S13;
条件1:当前轨迹点pi-1与下一轨迹点pi小于等于距离阈值;
条件2:当前轨迹点pi-1与下一轨迹点pi的时间戳间隔大于时间阈值;
S13、将轨迹点pi作为当前轨迹点,执行步骤S11。
本发明提供的基于连续窗口平均方向特征的轨迹地图匹配方法具有如下益技术效果具体如下:
(1)生成路网拓扑,自适应地生成路网数据,使得道路网络更准确,用于实验基础支撑,通过执行轨迹数据聚类预处理,来减少轨迹上全球定位系统输入点的数量,降低轨迹点重叠性,提高算法匹配效率;
(2)考虑如距离、速度约束和道路网络拓扑等各种特征。除此之外我们采用连续窗口轨迹点的实时运动方向来更新轨迹点的方向。用前后相关轨迹点的方向来更新目标轨迹点方向,以此来提高在交叉路口等匹配精度。
附图说明
图1为本发明实施例提供的GPS轨迹匹配示过程示意图;
图2为本发明实施例提供的路段示例图;
图3为本发明实施例提供移动方向示例图;
图4为本发明是实施例提供的GPS轨迹示意图;
图5为本发明是实施例提供的基于连续窗口平均方向特征的轨迹地图匹配框架图;
图6为本发明是实施例提供的路网示意图;
图7为本发明实施例提供的轨迹点聚集的示意图;
图8为本发明实施例提供的轨迹聚类对比图,其中(a)为候选点筛选的方法,(b)为本发明记载的方法;
图9为本发明实施例提供的候选集选择的示意图;
图10为本发明实施例提供的空间转移概率示意图;
图11为本发明实施例提供的时间分析示例图;
图12为本发明实施例提供的带有方向的轨迹图;
图13为本发明实施例提供的方向信息的示例图;
图14为本发明实施例提供的环形路段匹配错误示例图;
图15为本发明实施例提供的GPS点平均方向示意图;
图16为本发明实施例提供的侯选匹配示例图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明结合路网数据的生成,提出一种新的地图匹配算法,所提方法主要用于解决在交叉路口,尤其是在Y字型路口处GPS点未匹配到正确路段的问题;通过加入连续窗口方向平均值概念来处理交叉路段使之匹配精度更高。另外,当车辆在繁忙的街道堵车时以及车辆在进行红绿灯等待时,将会产生大量的聚集点。
1.基本概念
定义1(路段):路段r是一个有向边。每个路段都有一个唯一的id标识符r.id,长度值r.l,路段起点r.start,路段终点r.end,路段的行驶速度约束r.v。如图2显示了一个路段的例子,如r1,r2是一个路段。
定义2(路径):路径P是从一个顶点vi开始到另外一个顶点vj结束的一组相连的路段,如P:r1→r2→r3→…→rn,其中r1.start=vi,rn.end=vj,rk·end=rk+1.start,1≤k<n,其中vi,vj∈V。
定义3(路网):道路网络是一个有向图G(V,E),其中V是表示道路段交叉点的一组顶点,如图2中的r2.start,其中r2.start∈V,E是一组表示道路段有向边。
定义4(GPS轨迹点):GPS轨迹点是一个带有时间戳的经纬度坐标,在本文中还引入了每个全球定位系统点的实时移动方向。因此,每个GPS轨迹点是一个四元组,表示为:P=(t,lat,lng,b),其中t是GPS点的时间戳,lat和lng是GPS点在时间t的位置的纬度和经度,b是全球定位系统实时移动方向。图3说明了量化的实时移动方向。
定义5(GPS轨迹):一个GPS轨迹T由一系列连续的GPS点组成。任意两个相邻的GPS点之间的每一个时间间隔都不超过某一个值Δt,代表采样间隔,即:T:p1→p2→p3→…→pn,且0<pi.t-pi-1.t<Δt,1<i≤n。如图4所示,p0→p1→p2→p3→p4→p5→p6构成一条轨迹T。
地图匹配的问题可以陈述定义为:给定原始全球定位系统轨迹T和道路网G(V,E),从路网G中找到与轨迹T对应的真实运动路径P。
本发明提供的交叉路段的轨迹地图匹配方法包括三个主要部分:预处理、STDA分析和匹配结果分析。首先,对轨迹和路网进行预处理;其次,执行STDA分析,同样考虑空间分析,时间分析。特别的是,方向分析我们考虑的是连续窗口GPS点的平均方向信息;最后,通过STDA分析计算每个候选路径的得分,得分最高者为最佳匹配。
(一)预处理
预处理包括对路网拓扑生成、GPS轨迹聚类和候选集搜索三个部分。路网拓扑的自动生成建立在道路提取和交叉点识别的基础上,利用路段交叉节点来表达路段与路段之间的连通性。GPS轨迹聚类指的是对原始轨迹数据进行一个简化处理,减少候选集搜索时间,随后检索经过处理后的轨迹数据在相应的道路网络上的所有可能的候选点。
1)路网拓扑生成
面对日益复杂的城市路网,准确高效的路网拓扑的建立是研究地图匹配的基础。拓扑结构旨在建立道路之间的表达关系,一般的构建路网的拓扑结构的方法有两种,第一种方法是根据边构建图,第二种是根据边的顶点来构建图。文献采用广度优先遍历的源点扩散法实现拓扑构造,从每个节点获取拓扑结构信息,用树形结构来存储路径,叶子节点和根节点之间的访问路径可以重用中间节点和根节点之间的访问路径。由于需要遍历所有的节点信息,该方法时间效率不是很高。
城市路网由道路通过交通节点而错综复杂的相互连接,一条边的内部可能存在其它边的节点。如图6所示例子中,道路road1起始节点是V0,终止节点是V14。道路road2的起始节点是V3,终止节点是V13。从图中可以看出,道路road1和道路road2有一个共同的节点V3。因此提出一种将边的内部进行拓扑化的构图方式,同时采用HashMap存储路径,即对路网内所有节点进行连接建图,大幅度提高路网的连通性。首先通过起始节点和终止节点生成一条粗略的边,随后在每一条边的内部继续构建顶点图来生成拓扑结构。即在路网边内部中,以道路交叉点作为拓扑节点,以节点间的连通道路作为拓扑边,建立了“节点-边”的图模型。同时根据HashMap中键直接获取数据路网数据的值,具有很快的访问速度。
算法1展示的是路网拓扑图生成的过程。遍历整个路网数据,将道路的ID作为HashMap中唯一标识进行存储(第1-4行),添加边的开始节点和终止节点(第5-9行),另外边的中间节点可能道路交叉点(即另外一条边的端点),遍历整条边的节点,将路段内部节点添加进去(第10-12行)。最后返回路网(第13行)。在图6中,添加道路road1的起止点V0和V14,内部节点V1,V2和V3,同时添加道路road2的起止点V3和V13,注意这里节点V3是道路road1和道路road2相交点,连接两道路使道路连通。
2)GPS轨迹聚类
在执行主程序之前,需要从原始GPS轨迹中预处理聚集的GPS点。当速度较慢或车辆停止时,轨迹点会重叠,并产生冗余数据。因此为了降低计算成本,本发明对邻近的GPS点进行聚类。Li B等人通过相邻两点之间的距离阈值移除停止点和密集点,但不好在适当的位置进行处理(如转弯处几个偏差比较大的点位置),如图8中a图所示。除此之外我们考虑到时间因素也影响轨迹数据,且我们用坐标中值点来代表轨迹点。
本发明按照算法2中执行GPS轨迹数据预处理的过程。首先,遍历整个轨迹数据集合,如果不是第一个轨迹点,则计算前后两个采样轨迹点之间的距离和间隔时间(第1-6行),下一步将对距离和时间与设定的阈值进行比较。将当前点和前一点之间的移动距离小于或等于聚类距离、两点时间大于等于时间阈值点作为聚集点,选出聚集点进行更新轨迹数据(第7-10行)。最后将返回一个处理聚集点后的新的轨迹数据(第12行)。
轨迹数据预处理详细的步骤如图7所示。浅灰色点为原始的轨迹点,深灰色点为两个轨迹采样点之间的中值点,星点表示为聚类后的中心簇点。知道这些浅灰色点都将匹配到旁边的路road,那么在本发明的算法中,首先对前后点进行距离的运算,并且按照时间的前后顺序。在图中p1与p2是相邻的两个GPS轨迹点,并且距离小于等于距离阈值,相隔时间戳大于等于时间阈值,将更新它们的中值点(即p1与p2的横坐标均值及纵坐标均值构成的点)作为新的轨迹点来代表p1与p2这两个轨迹点。以此类推,将比较点与轨迹点p3之间的距离和时间戳是否满足阈值条件,更新点与轨迹点p3的中值点即点作为下一个新的轨迹点。同理,最后点与轨迹点p4的中值点作为新的轨迹点,在这里,将点认为是聚集点p1,p2,p3,p4的一个中心簇点,并且用这个点来代表这四个点进行下一步路网匹配工作。
将本发明的聚类方法与候选点筛选方法进行比较。如图8所示,a图是候选点筛选方法处理的轨迹数据,b图是本文方法处理的轨迹数据。在十字交叉路段处(图中红色线框标识),本发明的方法很好的保留轨迹的原始状态,由于在十字交叉路段车辆转弯的速度比平时要慢,相同时间间隔内用户GPS点之间的坐标差范围不是很大,而候选点筛选方法选择直接删除小于阈值范围内的轨迹点,如a图所示,在十字交叉路段处会出现轨迹失真状态。另外我们将处理后的a图和b图轨迹进行地图匹配实验。实验表明,b图轨迹能很好的匹配,然而a图轨迹在匹配算法运行过程中出现错误,原因是我们在进行地图匹配过程中考虑道路的拓扑结构,而轨迹点pi到轨迹点pi+1的所在两条路段road1和road2不连通,轨迹点pi到轨迹点pi+1的转移概率为零。
3)候选集生成
具体地,针对给定的一个GPS轨迹T:p1→p2→p3→…→pn中的每个采样点pi(1≤i≤n),以采样点pi为圆心,在路网中搜索以半径r为范围的圆内所有路段作为候选路段,ei表示采样点pi的第i个候选路段。轨迹点pi对应候选路段上的投影点或者是离轨迹点最近的端点,称为对应的候选点,记为ci。如图9所示的例子,采样点pi在半径为r的圆内有3条候选路段,分别是是e1,e2,e3;采样点pi对应的候选点是c1,c2,c3,其中c1是路段e1和路段e2的端点。
(二)STDA分析
在进行候选集提取之后,获得每个GPS点的候选点集以及候选路径集。考虑空间、时间和方向信息来为这些候选路径建模得分函数,从中选择最佳匹配答案。这一部分由三个分析组成:空间分析、时间分析和平均方向分析。
1)空间分析
在空间分析中包括对道路网络几何信息的分析和拓扑信息的分析。对于几何信息的分析,我们使用观测概率;对于拓扑信息的分析,我们使用转移概率。
观测概率用于表示GPS点pi根据两点之间的距离匹配到候选点的可能性。即如果候选点与GPS测量的采样点pi距离远,则测量的采样点pi匹配到该候选点的可能性就低。因此,前人的工作认为观测概率可以合理地建模为采样点pi和候选点之间距离的零均值的正态分布N(μ,σ2),则采样点pi的后候选点的观察概率公式如下:
通过分析发现,在有些情况下仅考虑几何分析无法帮助我们选择正确的候选。如图10所示,道路road1和道路road2是平行的两个路段,采样点pi-1和采样点pi是连续的两个轨迹点,点和点是采样点pi的候选点。假设pi-1已经匹配到投影点ci-1,如果只考虑观测概率,采样点pi很可能会被错误匹配到候选点然而这两条道路是不相连的,采样点pi应该匹配到候选点由此可见,在匹配过程中还需要考虑路网的拓扑信息来提高匹配结果正确性。
将路段拓扑信息问题定义为转移概率问题。我们计算两个点之间的最短路径,在两个点之间进行转移时,默认两点之间最短路径为司机选择的路径。转移概率为两相邻GPS点pi-1,pi之间旅行距离与它们对应的候选点 之间最短路径之比。即转移概率公式如下:
其中,是GPS采样点pi-1在候选路段j上的候选点,是GPS采样点pi在候选路段k上的候选点,是从候选点和候选点之间最短路径距离的长度,distance(pi-1,pi)表示两个相邻GPS采样点pi-1,pi之间的欧几里得距离。
通过公式(2)可见,当采样点之间欧几里得距离与它们对应候选点之间最短路径距离越接近则表明车辆从采样点pi-1到采样点pi移动的候选路段是正确路段的可能性越大。
在等式(3)中,2≤i≤n,点和点分别为相邻采样点pi-1和采样点pi的候选点。当采样点pi为轨迹第一个点时,空间分析函数为在经过空间分析后,可以得到任意两个相邻GPS点每条候选路径的空间分析得分,表示基于空间函数计算所得从候选点到候选点的概率。
2)时间分析
在一些路网复杂的情况下,通过空间分析考虑几何信息和拓扑信息还是无法解决。例如,在主道路和旁边小道距离很近时候,仅通过空间分析无法确定车辆是在主道路还是在旁边小道上。如图11所示,道路r1是一条主道,限速为80km/h,道路r2是旁边的小道限速为40km/h。我们假设点pi-1已经匹配到主道r1上,根据空间分析,点pi在路r1和路r2的得分接近,因此不确定匹配哪条道路。
道路限速可以用来区分主道和旁边小道,考虑道路限速可以用来识别最相似速度条件的候选路段。通过路段限速与汽车行驶平均速度的差异来定义时间分析函数。计算公式如公式(4)所示:
其中,表示基于时间分析函数计算所得从候选点到候选点的概率,表示由候选点到最短路径中所包含的路段限速构成的向量,rj.v表示路段ej的限速;由候选点到之间平均速度所组成的一维j列向量。平均速度计算如公式(5)所示。
其中,Δt是两个候选点的时间差。
3)平均方向分析
经过时间和空间的分析,大部分的地图匹配问题基本上都能得到很好的解决。然而在交叉点处,仍然是难以得到正确的匹配结果。如图12所示,仅考虑空间和时间分析函数时,很可能将轨迹与路径r1→r2相匹配,而正确的匹配结果是r1→r3→r4。前人的方法中有通过计算两个相邻GPS点之间的方向,但是相邻两个点的方向并不能很好的表示轨迹的真实移动方向。如图13所示,p是轨迹进入交叉路段的第一个点,并且没有先前的GPS点。如果只考虑GPS点和对应候选点的距离因素以及单个GPS点的实时移动方向,轨迹中的GPS点p2和p4将会错误匹配到路段r1上。
在交叉口路段或者是环形路段处,由于STD-matching算法仅考虑单个GPS点方向与路段方向的差值,如图14所示,箭头处的GPS轨迹点匹配到距离它最近的路段。然而,实际上全局来看该轨迹点的正确匹配路段是在环形路段上,这导致出现匹配错误。因此在交叉口等交叉路段中,单个GPS点的方向不总是能正确反映轨迹的整体移动方向。
为解决这一问题,引入了平均方向值概念来分析。利用连续窗口GPS点方向的相关性,考虑连续GPS点实时平均方向和对应候选路段之间的角度差,对匹配过程进行改进。
提出利用连续窗口GPS点的平均方向值θavgi来代表当前点的方向值,依次更新每个点的方向,这里取三个点的方向。其中,pi的方向平均值求解见公式(6):
ei.end.lat、ei.start.lat分别表示路段ei的起始点纬度和终止点纬度,ei.end.lng、ei.start.lng分别表示路段ei的终止点经度和起始点经度,pi.lat、pi.lng分别表示第i个GPS点pi的纬度及经度,pi+1.lat、pi+1.lng分别表示第(i+1)个GPS点pi-1的纬度及经度。
用移动对象平均方向θavgi和路段方向之间的角度差Δθ来评估移动对象方向与路段方向的相似性,角度差越小则相似性度越大,对应候选路段被选择的概率越大。如图15所示,GPS采样点p1,p2,p3,p4的实时方向分别是θp2、θp3和θp4。如计算p2的平均方向值来进行后续评估。其中角度差Δθ的计算公式(9)如下所示:
(三)匹配分析
通过上一节所描述的空间分析、时间分析、方向分析来对GPS轨迹进行最佳匹配结果分析。GPS轨迹经过预处理提取候选集后,生成一个候选点和一个候选路径的候选图,如图16所示。根据公式(1)和公式(10)可计算出每个候选点的观测概率和方向分析得分,候选路径得分可通过相邻两个GPS采样点之间转移概率公式(2)和时间分析函数公式(4)计算。
本发明提出的基于连续窗口平均方向特征的轨迹地图匹配方法主要用于解决在交叉路口,尤其是在Y字型路口处GPS点未被匹配到正确路段的问题;通过加入连续窗口方向平均值概念来处理交叉路段使之匹配精度更高。另外,当车辆在繁忙的街道堵车时以及车辆在进行红绿灯等待时,将会产生大量的聚集点。为了减少匹配点的重叠性,我们对聚集点进行GPS聚类简化轨迹,以此来提高匹配效率。本发明的有益技术效果具体如下:
(1)生成路网拓扑,自适应地生成路网数据,使得道路网络更准确,用于实验基础支撑,通过执行轨迹数据聚类预处理,来减少轨迹上全球定位系统输入点的数量,降低轨迹点重叠性,提高算法匹配效率;
(2)考虑如距离、速度约束和道路网络拓扑等各种特征。除此之外我们采用连续窗口轨迹点的实时运动方向来更新轨迹点的方向。用前后相关轨迹点的方向来更新目标轨迹点方向,以此来提高在交叉路口等匹配精度。
以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于连续窗口平均方向特征的轨迹地图匹配方法,其特征在于,所述方法具体包括如下步骤:
S1、基于路网数据生成道路拓扑网络,对GPS轨迹进行聚类形成GPS轨迹Ⅰ,获取GPS轨迹Ⅰ上各轨迹点在道路拓扑网络中的候选路段及候选点;
S2、基于空间分析、时间分析及方向分析将GPS轨迹Ⅰ上的各轨迹点匹配到最佳的候选路段。
3.如权利要求1所述基于连续窗口平均方向特征的轨迹地图匹配方法,其特征在于,道路网络拓扑的生成方法具体如下:
遍历整个路网数据,将道路的ID作为HashMap中对应边的唯一标识进行存储;
添加所有边的开始节点和终止节点到该HashMap中;
遍历起始节点和终止节点之间的中间节点,将中间节点添加至HashMap中的ID对应路段中,作为对应路段的内部节点。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111294088 | 2021-11-03 | ||
CN2021112940889 | 2021-11-03 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113932821A true CN113932821A (zh) | 2022-01-14 |
CN113932821B CN113932821B (zh) | 2023-06-16 |
Family
ID=79285777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111304962.2A Active CN113932821B (zh) | 2021-11-03 | 2021-11-05 | 基于连续窗口平均方向特征的轨迹地图匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113932821B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114485692A (zh) * | 2022-03-08 | 2022-05-13 | 安徽师范大学 | 基于路网连通性的高采样率轨迹数据地图匹配方法 |
CN114674326A (zh) * | 2022-03-07 | 2022-06-28 | 厦门卫星定位应用股份有限公司 | 基于候选路径选择约束的地图匹配方法 |
CN117037465A (zh) * | 2023-05-24 | 2023-11-10 | 东北师范大学 | 交通拥堵传播模式感知与可视分析方法 |
Citations (10)
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 |
US20160377440A1 (en) * | 2015-06-26 | 2016-12-29 | Here Global B.V. | Map-centric map matching method and apparatus |
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 |
JP2018059814A (ja) * | 2016-10-05 | 2018-04-12 | 株式会社ゼンリンデータコム | 情報処理装置、情報処理方法及びプログラム |
US20190360819A1 (en) * | 2018-05-25 | 2019-11-28 | Here Global B.V. | Method and apparatus for path based map matching |
CN111307164A (zh) * | 2020-02-25 | 2020-06-19 | 西北大学 | 一种低采样率轨迹地图匹配方法 |
CN111694032A (zh) * | 2020-05-09 | 2020-09-22 | 杭州电子科技大学 | 一种基于聚类的大规模轨迹数据的快速地图匹配方法 |
CN112067005A (zh) * | 2020-09-02 | 2020-12-11 | 四川大学 | 一种基于转弯点的离线地图匹配方法、装置及终端设备 |
CN113295173A (zh) * | 2021-05-24 | 2021-08-24 | 安徽师范大学 | 环形路段的地图匹配方法 |
CN113447033A (zh) * | 2021-05-17 | 2021-09-28 | 山东科技大学 | 一种车道级地图匹配方法及系统 |
-
2021
- 2021-11-05 CN CN202111304962.2A patent/CN113932821B/zh active Active
Patent Citations (10)
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 |
US20160377440A1 (en) * | 2015-06-26 | 2016-12-29 | Here Global B.V. | Map-centric map matching method and apparatus |
JP2018059814A (ja) * | 2016-10-05 | 2018-04-12 | 株式会社ゼンリンデータコム | 情報処理装置、情報処理方法及びプログラム |
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 |
US20190360819A1 (en) * | 2018-05-25 | 2019-11-28 | Here Global B.V. | Method and apparatus for path based map matching |
CN111307164A (zh) * | 2020-02-25 | 2020-06-19 | 西北大学 | 一种低采样率轨迹地图匹配方法 |
CN111694032A (zh) * | 2020-05-09 | 2020-09-22 | 杭州电子科技大学 | 一种基于聚类的大规模轨迹数据的快速地图匹配方法 |
CN112067005A (zh) * | 2020-09-02 | 2020-12-11 | 四川大学 | 一种基于转弯点的离线地图匹配方法、装置及终端设备 |
CN113447033A (zh) * | 2021-05-17 | 2021-09-28 | 山东科技大学 | 一种车道级地图匹配方法及系统 |
CN113295173A (zh) * | 2021-05-24 | 2021-08-24 | 安徽师范大学 | 环形路段的地图匹配方法 |
Non-Patent Citations (4)
Title |
---|
HE MUJUN ET AL.: "An enhanced weight-based real-time map matching algorithm for complex urban networks", 《PHYSICA A-STATISTICAL MECHANICS AND ITS APPLICATIONS》, vol. 534, pages 1 - 13 * |
曾嘉郦等: "北京出租车GPS轨迹数据地图匹配算法研究", 《北京测绘》, vol. 33, no. 3, pages 255 - 260 * |
郑林江;刘旭;易兵;: "考虑时空特性的动态权重实时地图匹配算法", 计算机应用, no. 08, pages 259 - 264 * |
陈浩等: "基于隐马尔科夫模型和动态规划的手机数据移动轨迹匹配", 《地理与地理信息科学》, vol. 35, no. 3, pages 1 - 8 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114674326A (zh) * | 2022-03-07 | 2022-06-28 | 厦门卫星定位应用股份有限公司 | 基于候选路径选择约束的地图匹配方法 |
CN114674326B (zh) * | 2022-03-07 | 2024-04-26 | 厦门卫星定位应用股份有限公司 | 基于候选路径选择约束的地图匹配方法 |
CN114485692A (zh) * | 2022-03-08 | 2022-05-13 | 安徽师范大学 | 基于路网连通性的高采样率轨迹数据地图匹配方法 |
CN114485692B (zh) * | 2022-03-08 | 2023-06-16 | 安徽师范大学 | 基于路网连通性的高采样率轨迹数据地图匹配方法 |
CN117037465A (zh) * | 2023-05-24 | 2023-11-10 | 东北师范大学 | 交通拥堵传播模式感知与可视分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113932821B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109405839B (zh) | 一种基于多路径的交通网络离线地图匹配算法 | |
CN113932821A (zh) | 基于连续窗口平均方向特征的轨迹地图匹配方法 | |
CN112015835B (zh) | Geohash压缩的地图匹配方法 | |
Davies et al. | Scalable, distributed, real-time map generation | |
CN109459045B (zh) | 一种针对低频gps轨迹的改进交互式投票匹配方法 | |
Ding et al. | Network-matched trajectory-based moving-object database: Models and applications | |
CN110095127A (zh) | 一种基于分段的隐马尔可夫模型地图匹配方法 | |
CN111291790B (zh) | 一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法 | |
CN111694032A (zh) | 一种基于聚类的大规模轨迹数据的快速地图匹配方法 | |
Qiu et al. | Automatic extraction of road networks from GPS traces | |
CN109033239B (zh) | 一种基于最小二乘优化的路网结构生成方法 | |
Hansson et al. | Lane-level map matching based on HMM | |
Zhao et al. | Automatic calibration of road intersection topology using trajectories | |
CN112309118A (zh) | 一种基于时空相似度的车辆轨迹推算方法 | |
Fu et al. | Density adaptive approach for generating road network from GPS trajectories | |
CN113611115B (zh) | 一种基于路网敏感特征的车辆轨迹聚类方法 | |
CN113295173B (zh) | 环形路段的地图匹配方法 | |
CN113959452A (zh) | 基于城市路网的地图匹配方法、系统及终端 | |
CN112364890A (zh) | 利用出租车轨迹制作城市可导航路网的交叉口引导方法 | |
CN114993325A (zh) | 一种车辆gps地图道路匹配方法、装置及存储介质 | |
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 | |
CN114935773A (zh) | 基于北斗定位的在线道路匹配方法、装置、介质和设备 | |
CN110727749A (zh) | 一种自适应候选路段搜索方法 | |
Klitzke et al. | DAGMaR: A DAG-based Robust Road Membership Estimation Framework for Scenario Mining | |
Xin et al. | Map matching integration algorithm based on historical trajectory 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 |