基于多维数据融合分析的低频GPS轨迹路网匹配方法组成比例

基于多维数据融合分析的低频GPS轨迹路网匹配方法，首先，计算每个GPS轨迹点的候选点集，从空间、时间和环境等多个维度考虑相邻候选点的匹配度，并进行多维数据融合分析，形成最终匹配度；然后，构建和压缩全局静态投票矩阵，剔除低关联度异常轨迹点，同时综合考虑信号配时等因素，生成动态优化的局部加权投票矩阵；最后，进行路径生成和候选点投票，选择投票值最高的一条候选路径作为最终匹配路径，完成GPS轨迹的路网匹配。本发明专利技术适用于城市路网，考虑了相邻轨迹点的时空关系和环境影响，进行了多维数据融合分析，剔除了低关联度异常点，提高了路网匹配的准确性；同时，考虑了信号配时等动态因素，进一步提高了路网匹配的精度。

Low frequency GPS track road network matching method based on multidimensional data fusion analysis

【技术实现步骤摘要】
基于多维数据融合分析的低频GPS轨迹路网匹配方法
本专利技术涉及智能交通的GPS轨迹路网匹配方法，GPS轨迹路网匹配不仅可以用于车辆导航、道路规划和交通流量预测等，也可以用于各类位置服务和移动社交网络。
技术介绍
近年来云计算与物联网的发展，带动了城市车联网的发展进程。许多网联车的检测仪器实时产生并上传了海量数据，引发了全球对“数据城市”研究的浪潮，当下正处于一个由传统信息化交通迈向智能化互联互通社会的过渡阶段。受限于成本因素，在安装并部署各类先进检测器设备的同时需要兼容早期低质量、高异常、标准不统一的数据采集设备，这个阶段必然是漫长与持久的。以出租车为例，国内出租车GPS采集设备规定每两次上传时间间隔一般不得高于20秒，但受限于设备老化、成本较高、存储能力有限等，现有GPS数据采集设备的采样频率多数达不到这一标准，一般在20～120秒之间浮动。虽然采样频率较低，但这些低频数据仍蕴含着大量有价值的信息。因此，采用适当方法利用这些低频数据来获得较高精度的有价值数据，可以减少社会资源的浪费和硬件设备的重复投入，也可以加快构建基于车路协同的社会。而且，在车联网背景下，车路协同的交通运行模式使得不同种类数据可以相互补充，低采样频率的GPS轨迹数据结合其他较高精度的固定检测器设备，可以更精准地定位某一时刻车辆的瞬时位置。再结合路网拓扑以及路口信号配时，可以精确识别车辆的行驶方向，从而弥补低频GPS轨迹数据在路网匹配中存在的问题。GPS轨迹路网匹配方法有很多种，但大多数方法只适用于高采样频率的GPS轨迹，不适用于低频GPS轨迹和复杂的城市路网。低频GPS轨迹路网匹配方法主要分为两类。第一类方法以ST匹配算法为主要代表，也有学者在ST算法基础上，提出了基于隐马尔可夫模型的路网匹配方法。这类方法采用简单权重求和的方式，具有计算简便，实时性强的特点，但没有综合考虑其它因素，匹配精度较低，尤其不适用于较长时间GPS轨迹的路网匹配。第二类方法主要通过投票算法、神经网络等将GPS轨迹与路网拓扑进行拟合，达到较好的效果，而且有关学者在交互式投票算法的基础上，引入旅行时间等指标进一步改进了该类方法。相对于第一类方法，第二类方法考虑了路网拓扑结构和GPS轨迹点之间的关系，大幅提高了匹配精度，但仍需要较高采样精度的GPS轨迹点，而且无法直接发现异常的GPS轨迹数据。目前，现有的低频GPS轨迹路网匹配方法存在以下主要问题：1)第一类方法没有综合考虑相邻GPS轨迹点之间存在的空间关联性、时间关联性和环境关联性，从而导致低关联度异常点的存在，降低了路网匹配精度，不适用于复杂的城市路网；2)第二类方法虽然考虑了空间和时间等因素，但没有考虑城市道路的信号配时等因素，也没有消除异常轨迹点的干扰，影响了最终的路网匹配精度。
技术实现思路
本专利技术要克服现有技术的上述不足之处，提供一种基于多维数据融合分析的低频GPS轨迹路网匹配方法，适用于城市路网的低频GPS轨迹数据。本专利技术首先根据城市路网数据，计算每一个GPS轨迹点映射的候选点集；然后，分别计算两两相邻候选点的空间匹配度、时间匹配度和环境匹配度，并在此基础上进行多维数据融合分析，生成相邻候选点的最终匹配度；接着，构建全局静态投票矩阵，并压缩全局静态投票矩阵，删除异常轨迹点；之后，综合考虑信号配时等因素，生成动态优化的局部加权投票矩阵；最后，依次从每一个候选点出发进行路径生成和候选点投票，并选择投票值最高的一条候选路径作为最终匹配路径，从而完成整个GPS轨迹的路网匹配。本专利技术考虑了相邻轨迹点的空间关系、时间关系和环境影响，进行了多维数据融合分析，剔除了低关联度异常点，提高了GPS轨迹路网匹配的准确性；同时，考虑了信号配时等动态因素的优化加权，采用路径生成和投票机制，实现了高精度的路网匹配。本专利技术是通过以下技术方案达到上述目的，即基于多维数据融合分析的低频GPS轨迹路网匹配方法，具体的实施步骤如下：(1)计算每个GPS轨迹点的候选点集。根据路网数据，计算GPS轨迹中的每一个轨迹点对应的候选点集，具体计算过程如下：s11.按时间先后顺序提取GPS轨迹点pi，其中1≤i≤n。GPS轨迹为：p1→p2→…→pn，其中，pi为第i个GPS轨迹点，n为GPS轨迹点总数。GPS轨迹点包含采样时间ti，纬度坐标lati和经度坐度loni等信息，即pi＝(ti,lati,loni)；s12.搜索轨迹点pi的候选路段。以轨迹点pi为圆心，r为半径，在路网中搜索在此范围内的所有路段作为候选路段集，记为其中，ki为候选路段总数，半径r可根据路网实际情况设定；s13.计算轨迹点pi的候选点。依次计算轨迹点pi到每一条候选路段rij的最短距离以及该距离下点pi在候选路段上的映射点其中1≤j≤ki。如果轨迹点pi在候选路段rij范围内存在垂点，即垂直映射点，则选取该垂点为候选点，否则选取该路段最近的端点，即起点或终点，作为候选点；s14.筛选轨迹点pi的候选路段集和候选点集。依次比较最短距离和阈值L的大小，如果则删除对应的候选路段和候选点，如此循环比较所有候选路段直至结束。其中，阈值L的取值与周围绿化情况、建筑密集程度和建筑高度有关，可以根据实际情况设定；s15.将筛选后的候选点重新编号。轨迹点pi的候选点集重新编号为其中ni表示轨迹点pi的候选点总数；s16.重复步骤s11至s15，直到完成所有GPS轨迹点的候选点集的计算；(2)从空间维度分析GPS轨迹点的匹配情况。具体分析计算过程如下：s21.在平面直角坐标系下，依次计算所有轨迹点到其候选点的欧氏距离，即轨迹点pi到其候选点的欧氏距离其中，1≤i≤n，1≤j≤ni；s22.依次计算所有轨迹点映射为其候选点的概率，即轨迹点pi映射为候选点的概率，其中，1≤i≤n，1≤j≤ni。由于GPS轨迹点与移动对象实际位置的距离服从高斯分布，即正太分布，所以轨迹点pi映射为候选点的概率为：其中，μ为期望或均值，σ2为方差；s23.依次计算所有两个相邻轨迹点之间的欧式距离，即轨迹点pi-1到pi的欧式距离其中2≤i≤n；s24.依次计算所有两个相邻候选点之间的距离，即候选点和之间的距离其中，1≤u≤ni-1，1≤v≤ni，2≤i≤n，距离是指两个候选点之间的实际路网距离。如果两个候选点处于相同路段，则直接采用欧式距离来计算否则采用A*算法来计算。A*算法的代价估计函数F(x)，具体如下：F(x)＝G(x)+H(x)(2)其中，点x是介于起始点到目标点之间的邻近路口，G(x)表示从起始点至当前点x的最大实际代价，具体如下：其中，表示候选点到当前点x的距离，twait表示车辆在路口的平均等待时间，vavg表示当前流向平均速度，而twait×vavg表示车辆在路口无阻碍通行时可以到达的真实距离。而H(x)为当前点x至目标点的最佳估计代价，采用曼哈顿距离来评估，具体如下：其中，和是点的X轴和Y轴的坐标值，xx和yx是点x的X轴和Y轴本文档来自技高网...

【技术保护点】
1.基于多维数据融合分析的低频GPS轨迹路网匹配方法，包括如下步骤：/n(1)计算每个GPS轨迹点的候选点集；根据路网数据，计算GPS轨迹中的每一个轨迹点对应的候选点集，具体计算过程如下：/ns11.按时间先后顺序提取GPS轨迹点p

【技术特征摘要】
1.基于多维数据融合分析的低频GPS轨迹路网匹配方法，包括如下步骤：
(1)计算每个GPS轨迹点的候选点集；根据路网数据，计算GPS轨迹中的每一个轨迹点对应的候选点集，具体计算过程如下：
s11.按时间先后顺序提取GPS轨迹点pi，其中1≤i≤n；GPS轨迹为：p1→p2→…→pn，其中，pi为第i个GPS轨迹点，n为GPS轨迹点总数；GPS轨迹点包含采样时间ti，纬度坐标lati和经度坐度loni等信息，即pi＝(ti,lati,loni)；
s12.搜索轨迹点pi的候选路段；以轨迹点pi为圆心，r为半径，在路网中搜索在此范围内的所有路段作为候选路段集，记为其中，ki为候选路段总数，半径r可根据路网实际情况设定；
s13.计算轨迹点pi的候选点；依次计算轨迹点pi到每一条候选路段rij的最短距离以及该距离下点pi在候选路段上的映射点其中1≤j≤ki；如果轨迹点pi在候选路段rij范围内存在垂点，即垂直映射点，则选取该垂点为候选点，否则选取该路段最近的端点，即起点或终点，作为候选点；
s14.筛选轨迹点pi的候选路段集和候选点集；依次比较最短距离和阈值L的大小，如果则删除对应的候选路段和候选点，如此循环比较所有候选路段直至结束；其中，阈值L的取值与周围绿化情况、建筑密集程度和建筑高度有关，可以根据实际情况设定；
s15.将筛选后的候选点重新编号；轨迹点pi的候选点集重新编号为其中ni表示轨迹点pi的候选点总数；
s16.重复步骤s11至s15，直到完成所有GPS轨迹点的候选点集的计算；
(2)从空间维度分析GPS轨迹点的匹配情况；具体分析计算过程如下：
s21.在平面直角坐标系下，依次计算所有轨迹点到其候选点的欧氏距离，即轨迹点pi到其候选点的欧氏距离其中，1≤i≤n，1≤j≤ni；
s22.依次计算所有轨迹点映射为其候选点的概率，即轨迹点pi映射为候选点的概率，其中，1≤i≤n，1≤j≤ni；由于GPS轨迹点与移动对象实际位置的距离服从高斯分布，即正太分布，所以轨迹点pi映射为候选点的概率为：



其中，μ为期望或均值，σ2为方差；
s23.依次计算所有两个相邻轨迹点之间的欧式距离，即轨迹点pi-1到pi的欧式距离其中2≤i≤n；
s24.依次计算所有两个相邻候选点之间的距离，即候选点和之间的距离其中，1≤u≤ni-1，1≤v≤ni，2≤i≤n，距离是指两个候选点之间的实际路网距离；如果两个候选点处于相同路段，则直接采用欧式距离来计算否则采用A*算法来计算；A*算法的代价估计函数F(x)，具体如下：
F(x)＝G(x)+H(x)(2)
其中，点x是介于起始点到目标点之间的邻近路口，G(x)表示从起始点至当前点x的最大实际代价，具体如下：



其中，表示候选点到当前点x的距离，twait表示车辆在路口的平均等待时间，vavg表示当前流向平均速度，而twait×vavg表示车辆在路口无阻碍通行时可以到达的真实距离；而H(x)为当前点x至目标点的最佳估计代价，采用曼哈顿距离来评估，具体如下：



其中，和是点的X轴和Y轴的坐标值，xx和yx是点x的X轴和Y轴的坐标值；A*算法在路网中搜索时，每次选择代价估计函数F(x)最小的邻近路口作为中间节点x，直至搜索到目标点
s25.依次计算所有两个相邻轨迹点分别映射为其候选点的概率，即轨迹点pi-1和pi分别映射为候选点和的概率其中2≤i≤n，具体如下：



如果时，令即概率的上限值为1；
s26.依次计算所有两个相邻候选点的空间匹配度，即车辆迁移路径的空间匹配度其中2≤i≤n，也即前一个轨迹点pi-1映射匹配为候选点时，下一个轨迹点pi映射匹配为候选点的概率，具体如下：



(3)从时间维度分析GPS轨迹点的匹配情况；具体分析计算过程如下：
s31.依次计算所有两个相邻轨迹点的时间差，即轨迹点pi-1和pi的时间差ti-1→i，其中2≤i≤n，具体如下：
ti-1→i＝ti-ti-1(7)
s32.统计历史数据，依次计算所有两个相邻候选点的平均旅行时间，即车辆经过相邻候选点和的平均旅行时间其中2≤i≤n；如果路线中包含多个路段和路口，则需要考虑各个路段的道路等级和路口的平均延误时间，具体如下：



其中，lj为第j条路段的道路等级，为第j条路段的平均旅行时间，为第j个路口的平均延误时间，k1为路线中包含的路段总数，k2为路线中包含的路口总数；
s33.依次计算所有两个相邻候选点的时间匹配度，即车辆迁移路径的时间匹配度其中2≤i≤n，具体如下：



其中，θ为时间维度影响因子，与道路的平均旅行时间与当前车辆的实际道路旅行时间ti-1→i有关，具体如下：



(4)从环境维度分析GPS轨迹点的匹配情况；依次计算所有两个相邻候选点的环境匹配度，即车辆迁移路径的环境匹配度其中2≤i≤...

【专利技术属性】
技术研发人员：刘端阳，韩笑，李泽葆，沈国江，杨曦，刘志，朱李楠，阮中远，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33