一种基于时间阈内的隐马尔可夫模型人车合一算法制造技术

本发明专利技术涉及GPS轨迹定位技术领域，具体涉及一种基于时间阈内的隐马尔可夫模型人车合一算法，包括路网数据、用户数据、GPS数据、车辆GPS定位轨迹与路网地图的匹配、用户手机信令数据与路网地图的匹配和车辆轨迹与司机轨迹的匹配，所述用户数据包括司机数据和信令数据，该车辆GPS定位轨迹与路网地图的匹配基于隐马尔科夫模型HMM来实现，HMM模型的λ＝(S,0,π，A，B)。该基于时间阈内的隐马尔可夫模型人车合一算法在以往单独研究车辆GPS轨迹定位与路网地图的匹配、信令定位数据与路网地图匹配的基础上，将两者融合为一体，高效的将现有货物运输中能采集到的GPS轨迹与信令数据进行车与人的智能算法匹配。

【技术实现步骤摘要】
一种基于时间阈内的隐马尔可夫模型人车合一算法
本专利技术涉及GPS轨迹定位
，具体涉及一种基于时间阈内的隐马尔可夫模型人车合一算法。
技术介绍
“人车合一”的概念一般出现在车辆制造、车辆销售中，特指达到的技术手段，本专利提到的“人车合一”特指人(司机)使用联通智运卡的信令定位轨迹与车辆GPS定位轨迹通过相关的智能算法进行匹配的二合一体的轨迹信息，在现有技术方面，主要是针对车辆的终端设备(监控系统、摄像功能等)硬件设备做的一些技术专利技术，但针对信令数据和GPS的定位数据信息通过智能算法的“人车合一”暂未有相关的技术研究。针对现有的人车合一车载终端的硬件设备做出的技术应用有很多，但这些技术应用的使用前提是需要有相关的硬件设备生产制造的基础，通过在硬件设备生产的某些环节中进行升级改造，对于从事数据信息加工使用的互联网公司，传统的人车合一的技术已达不到产品在业务模式下的快速迭代，已不适用，为此针对目前我们能获取到的信令轨迹和GPS定位轨迹的数据信息，提出了在相同时间阈值内的车辆、司机在货物运输过程中的基于隐马尔可夫模型的“人车合一”匹配算法模型，因此，设计出一种基于时间阈内的隐马尔可夫模型人车合一算法，对于目前GPS轨迹定位
来说是迫切需要的。
技术实现思路
本专利技术提供一种基于时间阈内的隐马尔可夫模型人车合一算法，以解决现有技术存在的问题。为了实现上述目的，本专利技术实施例提供如下技术方案：根据本专利技术的实施例，一种基于时间阈内的隐马尔可夫模型人车合一算法，包括路网数据、用户数据、GPS数据、车辆GPS定位轨迹与路网地图的匹配、用户手机信令数据与路网地图的匹配和车辆轨迹与司机轨迹的匹配，所述用户数据包括司机数据和信令数据，该车辆GPS定位轨迹与路网地图的匹配基于隐马尔科夫模型HMM来实现，HMM模型的λ＝(S,0,π，A，B)；其中，S为状态值集合；O：观察值集合；π：初始化概率；A：状态转移概率矩阵；B：给定状态下，观察值概率矩阵；结合现有物流业务场景，可行性的HMM模型所需的五要素分别为：S：路网信息中道路的路段ri状态标识；O：观测序列中隐马尔可夫链中的顶点集，顶点为候选点：GPS轨迹点在路网上的投影点称为候选点；π：πi＝p(zt|ri)表示车辆zt在路段ri上被观测到的似然概率；A：观测序列中隐马尔可夫链中的边集，表示相邻候选点在路段转移代价的权重(转移代价越大，权重越小；转移代价越小，权重越大)；B：GPS定位点投影到路段上的概率情况；对于需要匹配的路网数据和轨迹采样点数据，轨迹采样点在一定路网距离内会有一个或多个候选路段，轨迹采样点在这些候选路段上的投影点为候选节点，一条完整的轨迹采样点的候选节点统称为候选节点集，为了使得一个轨迹采样点在一定路网距离内存在满足匹配要求的候选节点，每个轨迹采样点的候选节点生成的过程为：计算每个轨迹采样点与路网距离的初始概率，设定阈值，根据初始概率是否满足设定的阈值来判断采集的轨迹点在此路网距离中是否为中断点，根据中断点来进行轨迹切分；若不存在中断点，只需要判断采集轨迹点中判断的此轨迹点是否为最后一个采样点，确保采集轨迹点在此路网中的完整性；根据达到判断条件的轨迹点在此路网段中依次逐点筛选下一个采集点的候选节点，直至所有的轨迹采样点在此路网距离中都存在候选节点，将候选节点作为马尔科夫链中的顶点，对于距离较近的路段给予较大的观测概率，相邻轨迹候选点之间的权重作为马尔科夫链的边，由转移概率来表示，在马尔科夫链上每个节点的概率计算后，模型的参数λ＝{A，B,π}和观察序列O，求解一条使得该观测序列概率最大的隐状态序列，只需求最大的即可，若概率的最大值满足了设定的匹配阈值，即当前轨迹点匹配到了该路网中。进一步地，所述用户手机信令数据与路网地图的匹配中根据手机信令数据将用户的出行方式分为步行、非机动车和机动车三种类型，首先明确现有业务联通手机信令数据使用的定位技术，根据定位技术在实际应用中的优缺点情况对获取到的信令数据的定位设定偏移精度的阈值区间进行数据预处理，保障手机信令数据定位的相对准确性，将机动车的出行类型分离出来，分离出来的数据结合路网数据进行地图匹配，如若需要的匹配结果为大致结果，根据手机信令数据识别出某用户在某段特定时间内的出行方式为机动车即可；如若需要精确的匹配结果，则问题就转化成了车辆GPS定位轨迹与路网地图的匹配。进一步地，所述车辆轨迹与司机轨迹的匹配根据车辆GPS定位轨迹与路网地图的匹配、用户手机信令数据与路网地图的匹配情况，结合货物运输运单中的运输时间信息，截取运输时间段内的车辆与路网匹配的匹配点、信令定位与路网匹配的匹配点，针对截取的两份匹配点，首先将两份数据的匹配点分别进行时间匹配，选取匹配的时间阈值区间，之后再将同一时间阈值区间内的两份匹配点分别进行距离判断，将同一时间阈值区间内的距离最小的两个点定义为本时间阈值区域内的人车匹配点，随时间窗口以此类推，直至某一条轨迹的路网匹配点全部在时间窗内结束，最后根据两条轨迹的在时间阈值区间内匹配点数与总的时间阈值区间总得到两条轨迹的匹配率，通过匹配率来确定两条轨迹是否匹配。进一步地，所述转移概率为相邻两个轨迹采样点之间的空间距离与向量两个候选点之间的最短路网距离之比。本专利技术具有如下优点：该基于时间阈内的隐马尔可夫模型人车合一算法在以往单独研究车辆GPS轨迹定位与路网地图的匹配、信令定位数据与路网地图匹配的基础上，将两者融合为一体，方便有效的解决了在未有相关人车合一的车载终端设备采集数据的前提下，高效的将现有货物运输中能采集到的GPS轨迹与信令数据进行车与人的智能算法匹配，节约了货物运输企业来监控运输车辆和司机的运营成本，提高物流企业的决策判断力。附图说明为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
能涵盖的范围内。图1为本专利技术中车辆GPS定位轨迹与路网地图的匹配流程结构示意图。具体实施方式以下由特定的具体实施例说明本专利技术的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本专利技术的其他优点及功效，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本说明书中所引用的如“上”、“下”本文档来自技高网...

【技术保护点】
1.一种基于时间阈内的隐马尔可夫模型人车合一算法，包括路网数据、用户数据、GPS数据、车辆GPS定位轨迹与路网地图的匹配、用户手机信令数据与路网地图的匹配和车辆轨迹与司机轨迹的匹配，其特征在于：所述用户数据包括司机数据和信令数据，该车辆GPS定位轨迹与路网地图的匹配基于隐马尔科夫模型HMM来实现，HMM模型的λ＝(S,0,π，A，B)；/n其中，S为状态值集合；/nO：观察值集合；/nπ：初始化概率；/nA：状态转移概率矩阵；/nB：给定状态下，观察值概率矩阵；/n结合现有物流业务场景，可行性的HMM模型所需的五要素分别为：/nS：路网信息中道路的路段ri状态标识；/nO：观测序列中隐马尔可夫链中的顶点集，顶点为候选点：GPS轨迹点在路网上的投影点称为候选点；/nπ：πi＝p(zt|ri)表示车辆zt在路段ri上被观测到的似然概率；/nA：观测序列中隐马尔可夫链中的边集，表示相邻候选点在路段转移代价的权重(转移代价越大，权重越小；转移代价越小，权重越大)；/nB：GPS定位点投影到路段上的概率情况；/n对于需要匹配的路网数据和轨迹采样点数据，轨迹采样点在一定路网距离内会有一个或多个候选路段，轨迹采样点在这些候选路段上的投影点为候选节点，一条完整的轨迹采样点的候选节点统称为候选节点集，为了使得一个轨迹采样点在一定路网距离内存在满足匹配要求的候选节点，每个轨迹采样点的候选节点生成的过程为：/n计算每个轨迹采样点与路网距离的初始概率，设定阈值，根据初始概率是否满足设定的阈值来判断采集的轨迹点在此路网距离中是否为中断点，根据中断点来进行轨迹切分；若不存在中断点，只需要判断采集轨迹点中判断的此轨迹点是否为最后一个采样点，确保采集轨迹点在此路网中的完整性；根据达到判断条件的轨迹点在此路网段中依次逐点筛选下一个采集点的候选节点，直至所有的轨迹采样点在此路网距离中都存在候选节点，将候选节点作为马尔科夫链中的顶点，对于距离较近的路段给予较大的观测概率，相邻轨迹候选点之间的权重作为马尔科夫链的边，由转移概率来表示，在马尔科夫链上每个节点的概率计算后，模型的参数λ＝{A，B,π}和观察序列O，求解一条使得该观测序列概率最大的隐状态序列，只需求最大的即可，若概率的最大值满足了设定的匹配阈值，即当前轨迹点匹配到了该路网中。/n...

【技术特征摘要】
1.一种基于时间阈内的隐马尔可夫模型人车合一算法，包括路网数据、用户数据、GPS数据、车辆GPS定位轨迹与路网地图的匹配、用户手机信令数据与路网地图的匹配和车辆轨迹与司机轨迹的匹配，其特征在于：所述用户数据包括司机数据和信令数据，该车辆GPS定位轨迹与路网地图的匹配基于隐马尔科夫模型HMM来实现，HMM模型的λ＝(S,0,π，A，B)；
其中，S为状态值集合；
O：观察值集合；
π：初始化概率；
A：状态转移概率矩阵；
B：给定状态下，观察值概率矩阵；
结合现有物流业务场景，可行性的HMM模型所需的五要素分别为：
S：路网信息中道路的路段ri状态标识；
O：观测序列中隐马尔可夫链中的顶点集，顶点为候选点：GPS轨迹点在路网上的投影点称为候选点；
π：πi＝p(zt|ri)表示车辆zt在路段ri上被观测到的似然概率；
A：观测序列中隐马尔可夫链中的边集，表示相邻候选点在路段转移代价的权重(转移代价越大，权重越小；转移代价越小，权重越大)；
B：GPS定位点投影到路段上的概率情况；
对于需要匹配的路网数据和轨迹采样点数据，轨迹采样点在一定路网距离内会有一个或多个候选路段，轨迹采样点在这些候选路段上的投影点为候选节点，一条完整的轨迹采样点的候选节点统称为候选节点集，为了使得一个轨迹采样点在一定路网距离内存在满足匹配要求的候选节点，每个轨迹采样点的候选节点生成的过程为：
计算每个轨迹采样点与路网距离的初始概率，设定阈值，根据初始概率是否满足设定的阈值来判断采集的轨迹点在此路网距离中是否为中断点，根据中断点来进行轨迹切分；若不存在中断点，只需要判断采集轨迹点中判断的此轨迹点是否为最后一个采样点，确保采集轨迹点在此路网中的完整性；根据达到判断条件的轨迹点在此路网段中依次逐点筛选下一个采集点的候选节点，直至所有的轨迹采样点在此路网距离中都存在候选节点，将候选节点作为马尔科夫链中的顶点，对于距离较近的路段给予较大的观测概率，相邻轨迹候选点之间的权重作为马尔科夫链的边，由转...

【专利技术属性】
技术研发人员：王瑞，沈党云，蔡新钊，
申请(专利权)人：中交智运有限公司，
类型：发明
国别省市：天津;12