一種基於低採樣率浮動車數據的全局投票地圖匹配方法
2023-04-23 14:48:01 1
一種基於低採樣率浮動車數據的全局投票地圖匹配方法
【專利摘要】一種基於低採樣率浮動車數據的全局投票地圖匹配方法，該方法在浮動車GPS軌跡數據的基礎上，考慮道路網絡的拓撲結構和不同距離的空間位置相鄰的GPS軌跡數據對地圖匹配過程的影響。定義了新的地圖匹配函數指標，綜合考慮道路網絡的幾何學特性和拓撲結構對匹配的影響，得出作為初始地圖匹配結果的靜態匹配矩陣(SMM)；在此基礎上，定義反映節點之間距離影響的距離加權函數對SMM進行修正，得到動態匹配矩陣(DMM)，最後，對DMM採用全局投票的方法，找出最優軌跡作為地圖匹配的結果。本發明能在低採樣率的情況下，以較低的計算時間複雜度實現較好的地圖匹配效果。
【專利說明】一種基於低採樣率浮動車數據的全局投票地圖匹配方法
【技術領域】
[0001]本發明涉及交通領域，特別是指一種基於低採樣率浮動車數據的全局投票地圖匹配方法。
【背景技術】
[0002]浮動車一般是指安裝了車載GPS定位裝置並行駛在城市主幹道上的公交汽車或計程車。浮動車技術是近年來興起的一種動態交通信息檢測的技術，是近年來智能交通系統中所採用的獲取道路交通信息的先進技術手段之一。浮動車可以定期將車輛編號、時刻、方向、經緯度坐標等數據傳送到調度中心，經過信息處理，可以方便地獲得整個城市路網的實時交通信息。地圖匹配方法是浮動車數據處理的關鍵技術之一，它可以最大程度地校正GPS衛星定位所產生的誤差，從而矯正車輛軌跡偏離道路的現象，並進一步將GPS數據轉化為道路的交通信息。
[0003]傳統的地圖匹配方法，GPS採樣率往往都很高，匹配的正確率才得以保證。但實際在浮動車技術中，為了節約能源以及浮動車本身特性，返回給調度中心的數據往往都是低採樣率的。在低採樣率的情況下(比如2分鐘)，在車輛的速度僅為30km/h，兩個採樣點之間的距離就達到了 1000米，兩個GPS點之間的關聯信息會大部分丟失。因此，傳統的地圖匹配方法不能很好運用在基於低採樣率的浮動車數據的匹配過程。以此為背景，為了提高匹配方法在低採樣率GPS數據輸入情況下的正確匹配率，本文提出的全局投票方法考慮道路網絡的拓撲結構以及GPS點之間的相互影響。
[0004]考慮幾何學特性的地圖匹配方法，根據匹配過程，這類方法又可以分為點對點的匹配，點對曲線的匹配，曲線對曲線的匹配。由於缺乏對整體道路網絡拓撲結構的考慮，在複雜的道路環境和低採樣率的浮動車數據情況下，這些方法很容易出現匹配誤差。同時這些匹配方法不考慮全局GPS點之間的相互影響，在某個GPS點的匹配過程中，只利用該點本身的信息，或者僅僅考慮其相鄰節點對其匹配過程的影響，但針對節點間關聯信息大量丟失的低採樣率浮動車數據時，很難得到正確的匹配結果。
【發明內容】
[0005]為了克服現有的全區投票地圖匹配方法的正確率較低的不足，本發明提供一種一種基於低採樣率浮動車數據的全局投票地圖匹配方法，在道路網絡的模型基礎上，首先計算當前GPS軌跡點可能匹配的候選集合，考慮集合中候選點的近距概率和連通概率，得出靜態分析矩陣。再考慮節點之間距離的不同導致影響程度的不同，得出加權匹配矩陣，在此基礎上，各個GPS軌跡點之間相互投票，完成匹配方法。
[0006]為了解決上述技術問題採用的技術方案如下:
[0007]—種基於低採樣率浮動車數據的全局投票地圖匹配方法，所述匹配方法包括以下步驟:
[0008]步驟一:構建有向道路網絡G (V，E)，其中V為道路的交叉點、起點或終點，E為被兩個相鄰交叉口分隔出的路段，定義一條路徑為:在道路網絡中，選取兩個節點Vi, Vj,找到一條互相連接的路段集合S1 — S2 — s3...— sn,並且S1.start = Vi, sn.end = Vj,即路段S1的起點為Vi,路段Sn的終點為Vj ;在道路網絡的基礎上，處理浮動車GPS數據，得到浮動車GPS軌跡數據T ；
[0009]步驟二:針對浮動車GPS軌跡數據T % — p2 — p3...— Pn中的軌跡點Pi,
選取在半徑r範圍內的所有路段為候選路段<，k表示點Pi的第k個候選路段；
通過投影得到對應的候選節點:如果軌跡點Pi在路段的範圍內存在垂點，則選取該垂點作為軌跡點Pi的候選節點，記為cf，並且選取垂線的長度為該軌跡點與該路段的距離；否則，選取該路段離軌跡點較近的起點或者終點為候選節點，選取軌跡點與該路段起點或者終點的連線長度為該軌跡點與該路段的距離；根據路段投影過程，得出每個GPS軌跡點的候選點集合；
[0010]步驟三:靜態分析過程，定義匹配函數指標+4Cf)，其中
c\力點Pg的第j個候選節點，Cki為點Pi的第k個候選節點，i≥2 ;對每個候選點進行匹配函數計算，得出靜態分析矩陣；
[0011]步驟四:加權得分過程，定義與兩個軌跡點Pi，Pj之間的距離有關的函數的距離加權函數WJ = f (dist (Pi, Pj)), (Iist(PpPj)為軌跡點Pi, Pj之間的歐式距離，I≤i≤η,I≤j≤n,i古j，距離加權函數代表節點之間距離越遠，節點之間影響越弱，對每一個GPS點，經過全局計算，得出加權分析矩陣；
[0012]步驟五:全局投票，對每個軌跡點Pi，在其對應的加權分析矩陣Gi中，尋找一條最優的通過每個軌跡點的候選節點的路徑，定義為單點投票過程；某個候選節點被選取，對這個候選節點進行記錄加一操作，表示一次投票選中過程，針對全部候選節點集合，依次重複上述操作，會得到全部候選節點的得票情況；最後，對每個軌跡點Pi,在其候選節點集合中選擇得票數最多的候選點作為全局候選節點結果，即得到了全局匹配結果。
[0013]進一步，所述步驟一中，一個GPS點P的記錄包括經度、緯度、時間，所有的GPS點的集合定義為GPS記錄L，GPS軌跡T定義為一組採樣間隔為Λ t的GPS點的序列；一個路段s為一條道路被兩個相鄰交叉口分隔出的一段路，每個路段包含起始點、結束點、路段長度。
[0014]再進一步,所述步驟三中，根據步驟二得到的候選節點集合，定義候選節點的近距概率MP為候選盧c是正確的匹配結果的概率，I≤k≤n，即:
【權利要求】
1.一種基於低採樣率浮動車數據的全局投票地圖匹配方法，其特徵在於:所述匹配方法包括以下步驟: 步驟一:構建有向道路網絡G(V，E)，其中V為道路的交叉點、起點或終點，E為被兩個相鄰交叉口分隔出的路段，定義一條路徑為:在道路網絡中，選取兩個節點Vi, Vj，找到一條互相連接的路段集合S1 — S2 — s3...— sn,並且S1.start = Vi, sn.end = Vj,即路段S1的起點為Vi，路段Sn的終點為Vj ;在道路網絡的基礎上，處理浮動車GPS數據，得到浮動車GPS軌跡數據T ； 步驟二:針對浮動車GPS軌跡數據T -.P1 — p2 — p3...— pn中的軌跡點Pi, I≤i≤η,選取在半徑r範圍內的所有路段為候選路段<，k表示點Pi的第k個候選路段；通過投影得到對應的候選節點:如果軌跡點Pi在路段4的範圍內存在垂點，則選取該垂點作為軌跡點Pi的候選節點，記為Cf，並且選取垂線的長度為該軌跡點與該路段的距離；否則，選取該路段離軌跡點較近的起點或者終點為候選節點，選取軌跡點與該路段起點或者終點的連線長度為該軌跡點與該路段的距離；根據路段投影過程，得出每個GPS軌跡點的候選點集合；步驟三:靜態分析過程，定義匹配函數指標巧匕一 =MPic1;:)+ CP(cU ,其中&為點Pm的第j個候選節點，cf為點Pi的第k個候選節點，i 2 ;對每個候選點進行匹配函數計算，得出靜態分析矩陣；步驟四:加權得分過程，定義與兩個軌跡點Pi，Pj之間的距離有關的函數的距離加權函數沙V' =.Rdisi(J)卜Pi)), dist (Pi, Pj)為軌跡點Pi, P」之間的歐式距離，I≤i≤η, I≤j≤n，i幸j，距離加權函數代表節點之間距離越遠，節點之間影響越弱，對每一個GPS點，經過全局計算，得出加權分析矩陣； 步驟五:全局投票，對每個軌跡Api，在其對應的加權分析矩陣Gi中，尋找一條最優的通過每個軌跡點的候選節點的路徑，定義為單點投票過程；某個候選節點被選取，對這個候選節點進行記錄加一操作，表示一次投票選中過程，針對全部候選節點集合，依次重複上述操作，會得到全部候選節點的得票情況；最後，對每個軌跡點Pi，在其候選節點集合中選擇得票數最多的候選點作為全局候選節點結果，即得到了全局匹配結果。
2.如權利要求1所述的一種基於低採樣率浮動車數據的全局投票地圖匹配方法，其特徵在於:所述步驟一中，一個GPS點P的記錄包括經度、緯度、時間，所有的GPS點的集合定義為GPS記錄L，GPS軌跡T定義為一組採樣間隔為Λ t的GPS點的序列；一個路段s為一條道路被兩個相鄰交叉口分隔出的一段路，每個路段包含起始點、結束點、路段長度。
3.如權利要求1或2所述的一種基於低採樣率浮動車數據的全局投票地圖匹配方法，其特徵在於:所述步驟三中，根據步驟二得到的候選節點集合，定義候選節點的近距概率MP為候選點cf是正確的匹配結果的概率 ，即:
其中為該候選盧I與軌跡點Pi的歐式距離；考慮道路網絡的拓撲結構，定義兩個候選節點CU、cf之間的連通概率CP為:
其中，l1-1-1為兩個相鄰軌跡點P1-1和軌跡點Pi之間的歐氏距離，s(i_m，k)為通過候選節點cU和cf的最短路徑長度； 選取相鄰軌跡點Pm和Pi相應的候選節點和Cf，經過匹配函數計算，得出靜態分析矩陣M，針對每條路徑cη≥i≥2，計算出匹配函數的值，得出靜態分析矩陣M:
其中Mi為路徑cL經過匹配函數計算，得到的矩陣:
其中，1≤j≤m, 1≤k≤n, m, η分別為。卜」 Ci的候選節點總個數。
4.如權利要求3所述的一種基於低採樣率浮動車數據的全局投票地圖匹配方法，其特徵在於:所述步驟四中，針對每個軌跡點Pi,定義一個η-l維距離影響矩陣W1:
其中，距離加權函數Wij採用
,其中δ為閾值，接下 來，加權分析矩陣Gi, 1 ≤ i≤ η:
【文檔編號】G01C21/30GK104197945SQ201410427108
【公開日】2014年12月10日 申請日期:2014年8月27日 優先權日:2014年8月27日
【發明者】楊旭華, 趙久強, 汪向飛 申請人:浙江工業大學