一种面向立体城市交通网的道路最优匹配方法组成比例

本发明专利技术属于数据分析、智慧交通等交叉技术领域，具体的是一种面向立体城市交通网的道路最优匹配方法，该道路最优匹配方法首先利用路网数据构建三维KD树，将整个路网划分为多个域，再通过GPS轨迹数据在KD树中进行查找，确定若干候选点；其次，其次通过路网与GPS轨迹及其之间的关系进行位置上下文分析与相互影响建模，确定每个采样点对应的候选点的局部最优路径以及候选图；最后，通过每个候选点的局部最优路径以及候选图进行交互式边投票，计算出最终的匹配结果。本发明专利技术解决了GPS轨迹与路网的匹配准确率与效率的问题。匹配准确率与效率的问题。

【技术实现步骤摘要】
一种面向立体城市交通网的道路最优匹配方法


[0001]本专利技术属于数据分析、智慧交通等交叉
，具体的说是一种面向立体城市交通网的道路最优匹配方法。

技术介绍

[0002]近些年随着GPS技术的发展，支持GPS技术的设备越来越多，车辆、智能手机、智能穿戴设备等都可以记录完整的轨迹路线，丰富的GPS轨迹数据为智慧交通以及相关技术提供了数据基础，尤其是近几年网约车的兴起，网约车中配备的GPS设备产生了大量轨迹数据，这些数据能够极大反应道路的状况，将这些数据聚合分析能够实现实时监控道路状态，为交通安全和交通效率方面提供数据基础。地图匹配(MM)技术是通过将惯性导航轨迹与现有的地图数据库中的道路特征进行比较来校正位置误差的技术，是智能交通系统(ITS)的重要组成部分。地图匹配技术不需要增加外部传感器，具有成本低、自主性强、可靠性高的优势，是进一步提高地面设备自主定位能力的有效途径，也是加快智慧交通建设最重要的基础。
[0003]理想情况下，车辆的GPS点应位于道路连接线上，然而GPS设备的信号易受到电磁干扰或功率限制的影响，产生大量噪声数据，且目前搭载在车辆上的GPS设备大部分为低采样率设备(采样间隔大于30秒)，低采样率设备产生的数据中连续采样点之间的联系较低，且存在噪声数据的影响。地图匹配算法不仅是交通数据的可视化工具，更重要的是能够减少GPS设备精度问题对匹配结果的影响，能够将尽可能多的采样点匹配到正确的道路上。目前国内外车辆导航系统中应用的现有方法已被证明是有效的，利用航位推算技术、差分GPS、无线电信标或高精度载波相位接收机等提高GPS定位精度。然而，由于这些方法依赖外部辅助装置，通常成本很高，相关技术也有点复杂，这些方法限制了它们在实际应用中的推广。为了降低地图匹配的成本，ST
‑
Matching算法考虑了GPS轨迹的空间和时间信息，并对GPS点之间的加权相互影响建模，但算法的过程复杂，数据必须重复映射进行匹配，这限制了该算法的效率。

技术实现思路

[0004]为了上述技术问题，本专利技术提供了一种面向立体城市交通网的道路最优匹配方法，解决了GPS轨迹与路网的匹配准确率与效率的问题。
[0005]为了达到上述目的，本专利技术是通过以下技术方案实现的：
[0006]本专利技术是一种面向立体城市交通网的道路最优匹配方法，提高地图匹配准确率与效率，具体的包括如下步骤：
[0007]步骤1)候选点匹配，首先进行候选路段匹配，本专利技术为提高候选点匹配的准确率与效率，将原始路网数据与GPS轨迹数据进行数据预处理，降低路网数据复杂度以及过滤GPS轨迹噪声，利用简化后的路网数据构建三维KD树并利用该树进行空间域搜索，得到每个采样点的若干候选路段，然后使用web墨卡托投影进行候选点的计算。
[0008]步骤2)位置上下文分析，GPS采样点与候选点之间以及相邻候选点之间都存在相关性，通过空间分析、时间分析以及道路分析对所有路径进行权重计算，并提出三个约束条件，当某些路径不满足所提出的约束条件时会被过滤，不参与后续计算，只有满足约束条件的路径才会被保留，参与下一步计算。
[0009]步骤3)相互影响建模，连续的GPS采样点之间会相互影响，某一点越靠近一点，对该点的影响就越大。首先，根据筛选出的候选点创建候选图其中表示各个采样点的候选点集合，ε表示前一个采样点的候选点到当前采样点的候选点之间的路径集合。图中包含各个相邻采样点的候选点构成的路径，再以时间分析、空间分析以及道路分析为基础，构建静态评分矩阵M，根据矩阵M，相互影响建模为n
‑
1维距离权重矩阵W。
[0010]步骤4)交互式投票，首先通过遍历上述步骤生成的候选图，计算所有候选点的局部最优路径，局部最优路径可以反映最终匹配路径所经过的路径的可能性。如果路径(用P表示)被更多的路径所包含，则路径P称为最终路径一部分的概率就越大；如果路径P没有被任何局部最优路径所包含，则最终匹配路径不包括该路径P；再根据每个候选点的局部最优路径，对每条路径进行投票，每两个相邻采样点之间的候选点形成的路径只选出一个票数最大的，最终选出的所有子路径拼接为最终路径。
[0011]其中所述步骤1)具体如下：
[0012]步骤11)首先对原始GPS轨迹数据进行预处理，GPS轨迹数据一般为出租车生成的轨迹数据，在原始GPS轨迹数据中包含部分车辆静止时采集到的GPS点，需要删除这些点，因为车辆在静止时GPS设备采集的数据集中在某一个区域呈现不规则形状。在这种情况下，采样点之间的位置信息为概率性波动，这会干扰采样点间的相互影响，导致后续的计算中产生大量噪声且增加计算时长；然后对原始路网数据进行简化，现有的路网数据均为未优化的数据，在路口的表示上，通常有多少个道路交叉点就有多少个路口，如果某个交通岗道路很多，就会产生大量交叉点，进而增加路网中路口的数量，增加路网复杂度。应该将属于同一交通岗的所有道路交叉点合并为一个路口，这样可以简化路网数据，加快有关路网的计算，如查找最短路径以及其相关计算。
[0013]步骤12)首先匹配候选路段，p
i
，i＝0,1,
…
,n
‑
1，都有候选点其中n为采样点个数，m为候选点个数，本专利技术使用基于KD树的k近邻算法KNN来获取候选路段，将静态路网数据建模为三维KD树，然后通过KD树找出距离采样点最近的候选路段。为了将球面坐标系中的GPS数据应用到KNN算法，我们采用以下公式将采样点以及路网使用的球面坐标系转换为三维笛卡尔坐标系后，构建三维KD树。
[0014]x:r
×
cosφ
×
cosθ
[0015]y:r
×
cosφ
×
sinθ
[0016]z:r
×
sinφ
[0017]其中，r为地球半径，θ、φ分别为经度、纬度对应的弧度，在构建完三维KD树后，KNN算法使用采样点与候选路段之间的欧几里得距离以及车辆方向与候选路段方向之间的夹角来确定候选路段，其公式为：
[0018]Q(t)＝αD(t)+βA(t)
[0019]其中，t为时间表，α与β表示权重，D(t)表示车辆采样点与候选路段之间的垂直距
离的贡献度：
[0020][0021]其中p
c
为车辆位置，p
r
为车辆在候选路段上的投影位置，σ
′
为位置误差的标准差。车辆行驶方向与候选路段间的方向夹角贡献度：
[0022][0023]其中表示车辆的行驶方向，表示候选路段的方向，θ表示车辆方向与候选路段方向的夹角。车辆位置与候选路段之间的垂直距离使用海伦公式计算，其中p,a,b,c分别为三角形的半周长以及3条边长。
[0024]步骤13)根据候选路段的匹配结果，使用web墨卡托投影来确定候选路段上的候选点。考虑把地球椭球体假设为正球体，取地球半径R＝6378137m，有a＝b＝R，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向立体城市交通网的道路最优匹配方法，其特征在于：所述道路最优匹配方法包括以下步骤：步骤1、候选点匹配，首先进行候选路段匹配，将原始路网数据与GPS轨迹数据进行数据预处理，降低路网数据复杂度以及过滤GPS轨迹噪声，得到简化的路网数据，利用简化后的路网数据构建三维KD树并利用所述三维KD树进行空间域搜索，得到每个采样点的若干候选路段，再根据候选路段进行候选点的计算；步骤2、位置上下文分析，GPS采样点与候选点之间以及相邻候选点之间都存在相关性，通过空间分析、时间分析以及道路分析对所有路径进行权重计算，并提出三个约束条件，当某些路径不满足所提出的约束条件时会被过滤，不参与后续计算，只有满足约束条件的路径才会被保留，参与下一步计算；步骤3、相互影响建模：首先，根据筛选出的候选点创建候选图其中表示各个采样点的候选点集合，ε表示前一个采样点的候选点到当前采样点的候选点之间的路径集合，图中包含各个相邻采样点的候选点构成的路径，再以时间分析、空间分析以及道路分析为基础，构建静态评分矩阵M，根据静态评分矩阵M，相互影响建模为n
‑
1维距离权重矩阵W；步骤4、交互式投票，首先通过遍历步骤3生成的候选图，计算所有候选点的局部最优路径，局部最优路径反映最终匹配路径所经过的路径的可能性，如果路径被更多的路径所包含，则路径成为最终路径一部分的概率就越大；如果路径没有被任何局部最优路径所包含，则最终匹配路径不包括该路径再根据每个候选点的局部最优路径，对每条路径进行投票，每两个相邻采样点之间的候选点形成的路径只选出一个票数最大的，最终选出的所有子路径拼接为最终路径。2.根据权利要求1所述的一种面向立体城市交通网的道路最优匹配方法，其特征在于：所述步骤1具体包括如下步骤：步骤1
‑
1：对原始GPS轨迹数据进行预处理，GPS轨迹数据为出租车生成的轨迹数据，在原始GPS轨迹数据中包含部分车辆静止时采集到的GPS点，删除这些GPS点；然后将属于同一交通岗的所有道路交叉点合并为一个路口，简化路网数据，加快有关路网的计算；步骤1
‑
2：匹配候选路段，采样点p
i
，i＝0,1,
…
,n
‑
1，其中n为采样点个数，i是采样点的索引，采样点p
i
的候选点为其中m为候选点个数，j是每个采样点的候选点索引，使用基于三维KD树的k近邻算法KNN来获取候选路段，将静态路网数据建模为三维KD树，然后通过KD树找出距离采样点最近的候选路段；步骤1
‑
3：根据候选路段的匹配结果，使用web墨卡托投影来确定候选路段上的候选点，把地球椭球体假设为正球体，取地球半径R＝6378137m，有a＝b＝R，第一偏心率e＝0，web墨卡托投影公式为：其中：θ为经度、a为地球长轴，b为地球短轴，为纬度，x和y为web墨卡托投影到二维平面的两个轴。
3.根据权利要求2所述的一种面向立体城市交通网的道路最优匹配方法，其特征在于：步骤1
‑
2中，为了将球面坐标系中的GPS数据应用到KNN算法，采用以下公式将采样点以及路网使用的球面坐标系转换为三维笛卡尔坐标系后，构建三维KD树：x:r
×
coscp
×
cosθy:r
×
coscp
×
sinθz:r
×
Sinφ其中，r为地球半径，θ、φ分别为经度、纬度对应的弧度。在构建完三维KD树后，KNN算法使用采样点与候选路段之间的欧几里得距离以及车辆方向与候选路段方向之间的夹角来确定候选路段，其公式为：Q(t)＝αD(t)+pA(t)其中，t为时间表，α与β表示权重，D(t)表示车辆采样点与候选路段之间的垂直距离的贡献度：其中p
c
为车辆位置，p
r
为车辆在候选路段上的投影位置，σ
′
为位置误差的标准差，车辆行驶方向与候选路段间的方向夹角贡献度：其中表示车辆的行驶方向，表示候选路段的方向，θ表示车辆方向与候选路段方向的夹角，车辆位置与候选路段之间的垂直距离使用海伦公式计算，其中p,a,b,c分别为三角形的半周长以及3条边长。4.根据权利要求3所述的一种面向立体城市交通网的道路最优匹配方法，其特征在于：所述步骤2具体包括如下步骤：步骤2
‑
1：GPS点的测量误差满足高斯分布N(μ,σ2)，其观测概率为：其中是采样点p
i
的候选点，是从候选点到采样点p
i
的欧几里得距离，μ是正态分布的方差，σ为正态分布的标准差；从候选点到候选点的空间分析函数定义为：其中是过渡概率，t为采样点p
i
‑1的候选点索引，s为采样点p
i
的候选点索引，N为概率，n是采样点个数，i是采样点的索引，目的是测量两个连续候选点之间的最短路径和直路径的相似性，定义为：
其中d
i
‑1→
i
是采样点p
i
‑1到采样点p
i
的欧几里得距离，ω
(i
‑
1,t)
→
(i,s)
是从候选到的最短路径的长度；步骤2
‑
2：在没有交通事故的情况下，车速接近道路限速，利用时间分析函数在道路限速附近获得最大值，时间分析函数定义为：其中v...

【专利技术属性】
技术研发人员：柯昌博，张永超，肖甫，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：