CN118670407B - 一种基于隐马尔可夫模型的地图匹配方法和系统 - Google Patents
一种基于隐马尔可夫模型的地图匹配方法和系统 Download PDFInfo
- Publication number
- CN118670407B CN118670407B CN202411163201.3A CN202411163201A CN118670407B CN 118670407 B CN118670407 B CN 118670407B CN 202411163201 A CN202411163201 A CN 202411163201A CN 118670407 B CN118670407 B CN 118670407B
- Authority
- CN
- China
- Prior art keywords
- road network
- gps
- data
- gps track
- road
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 83
- 230000007704 transition Effects 0.000 claims abstract description 47
- 230000009467 reduction Effects 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 43
- 230000006872 improvement Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000013499 data model Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000000280 densification Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management 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
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G01C21/28—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
- G01C21/32—Structuring or formatting of map data
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请涉及一种基于隐马尔可夫模型的地图匹配方法和系统，其中，该方法包括：基于获取的GPS轨迹数据和道路网络数据，计算GPS轨迹点的方向向量与GPS轨迹点的投影点方向向量之间的航向角折减系数；基于航向角折减系数，计算出GPS轨迹点的单态生成概率；并计算出GPS轨迹点的状态转移概率；基于状态转移概率和单态生成概率，通过维特比算法计算得到GPS轨迹与道路网络的匹配结果。通过本申请，实现了对传统隐马尔可夫模型的改进，通过引入航向角折减系数来计算单态生成概率，能更加精细地考虑GPS轨迹点与候选路段之间的方向一致性，从而提高了U型弯、双向道路等特殊情况的匹配精度，解决了如何提高路网匹配精度的问题。
Description
技术领域
本申请涉及地理信息处理技术领域，特别是涉及一种基于隐马尔可夫模型的地图匹配方法和系统。
背景技术
路网匹配，也称为地图匹配或道路匹配，是一种地理信息系统技术，用于将GPS记录的车辆或行人轨迹点精确对应到路网上的实际道路。路网匹配的目的是纠正GPS定位的误差，因为原始的GPS数据可能由于信号干扰、多径效应或设备精度限制而偏离实际道路，其在导航、交通管理等场景有着广泛的应用。路网匹配一般使用特定算法将每个轨迹点匹配到路网上最近的道路段或节点，如：最近邻匹配算法、隐马尔可夫模型（HMM）、粒子滤波算法、多相似度量指标算法等。
现有的基于隐马尔可夫模型的路网匹配方案，虽然取得了显著进展，但仍存在一些局限和不足。如HMM路网匹配算法在处理大规模路网或高频率采样的GPS数据时，可能会遇到较高的计算复杂度，导致算法运行缓慢；现有的HMM路网匹配算法可能在特定数据集上表现良好，但泛化到不同的路网结构时，性能可能会下降。
目前针对相关技术中如何提高路网匹配精度的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种基于隐马尔可夫模型的地图匹配方法和系统，以至少解决相关技术中如何提高路网匹配的效率和精度的问题。
第一方面，本申请实施例提供了一种基于隐马尔可夫模型的地图匹配方法，所述方法包括：
获取GPS轨迹数据和道路网络数据；
基于所述GPS轨迹数据和所述道路网络数据，计算GPS轨迹点的方向向量与所述GPS轨迹点在道路网络中候选路段上的投影点的方向向量之间的航向角折减系数；
基于所述航向角折减系数、所述GPS轨迹数据和所述道路网络数据，计算得到GPS轨迹点在道路网络中的候选路段的单态生成概率；
基于所述GPS轨迹数据和所述道路网络数据，计算得到连续的两个GPS轨迹点的候选路段之间的状态转移概率；
基于所述状态转移概率和所述单态生成概率，通过维特比算法计算得到GPS轨迹与道路网络的匹配结果。
在其中一些实施例中，基于所述GPS轨迹数据和所述道路网络数据，计算GPS轨迹点的方向向量与所述GPS轨迹点在道路网络中候选路段上的投影点的方向向量之间的航向角折减系数包括：
基于所述道路网络数据，计算道路网络中每个路段的方向向量，得到路网路段方向向量；
基于所述GPS轨迹数据，计算每个GPS轨迹点的方向向量，得到GPS轨迹点方向向量；
基于所述路网路段方向向量和所述GPS轨迹点方向向量，计算得出GPS轨迹点的方向向量与所述GPS轨迹点在道路网络中候选路段上的投影点的方向向量之间的航向角折减系数。
在其中一些实施例中，基于所述路网路段方向向量和所述GPS轨迹点方向向量，计算得出GPS轨迹点的方向向量与所述GPS轨迹点在道路网络中候选路段上的投影点的方向向量之间的航向角折减系数包括：
基于所述路网路段方向向量，确定GPS轨迹点在道路网络中候选路段上的投影点的方向向量；
通过方向向量夹角计算公式，计算得出方向向量之间的夹角θ，其中，u为GPS轨迹点在道路网络中候选路段上的投影点的方向向量，v为GPS轨迹点方向向量；
基于预设区间数量N，对所述方向向量之间的夹角θ进行划分，得到航向角折减系数K(<θ*N/180>)，其中，<x>代表对x取整，K(n)代表K的第n个元素。
在其中一些实施例中，基于所述航向角折减系数、所述GPS轨迹数据和所述道路网络数据，计算得到GPS轨迹点在道路网络中的候选路段的单态生成概率包括：
基于所述GPS轨迹数据和所述道路网络数据，计算出GPS轨迹点到道路网路中候选路段的投影距离；
通过单态生成概率计算公式，计算得到GPS轨迹点在道路网络中的候选路段的单态生成概率，其中， 为GPS轨迹点gps i 到候选路段e j 的投影距离，K(<*N/180>)为航向角折减系数， 为GPS轨迹点gps i 的方向向量与候选路段e j 上投影点的方向向量之间的夹角，σ为观测误差的标准差。
在其中一些实施例中，基于所述状态转移概率和所述单态生成概率，通过维特比算法计算得到GPS轨迹与道路网络的匹配结果包括：
基于状态转移概率和单态生成概率，通过维特比算法对于每个后续的GPS轨迹点进行递推计算，以更新F MAT 和I MAT ，其中，F MAT 为用于存储最终状态生成概率的终态生成概率哈希表，I MAT 为用于记录达到最终状态生成概率的最优索引哈希表。
在其中一些实施例中，基于状态转移概率和单态生成概率，通过维特比算法对于每个后续的GPS轨迹点进行递推计算，以更新F MAT 和I MAT 包括：
通过基于自然对数的计算公式：
递推计算出t和t index ，其中，A MAT 为状态转移概率的集合，B MAT 为单态生成概率的集合，t为临时存储概率的数组，t index 为概率最大值的索引；
基于递推计算出t和t index ，通过更新公式更新F MAT ，通过更新公式更新I MAT 。
在其中一些实施例中，在获取GPS轨迹数据和道路网络数据之后，所述方法包括：
基于所述道路网络数据，对道路网络的连通性进行修复，得到修复后的道路网络数据。
在其中一些实施例中，基于所述道路网络数据，对道路网络的连通性进行修复包括：
对于道路网络中的每个节点，基于所述道路网络数据，确定出与所述节点的距离小于第一距离阈值的边集合；
对于所述边集合中的每条边，基于所述道路网络数据，计算所述节点到所述边的投影点，若所述投影点与所述边的端点的距离小于第二距离阈值，则执行所述节点与所述端点的直连修复，否则，执行所述节点与所述投影点的打断修复。
在其中一些实施例中，基于所述GPS轨迹数据和所述道路网络数据，计算得到连续的两个GPS轨迹点的候选路段之间的状态转移概率包括：
基于所述GPS轨迹数据，计算得到连续的两个GPS轨迹点之间的直线距离，
基于所述GPS轨迹数据和所述道路网络数据，计算得到所述两个GPS轨迹点在道路网络中各自候选路段上的投影点之间的路径距离；
基于所述直线距离和所述路径距离，计算得到所述候选路段的状态转移概率。
第二方面，本申请实施例提供了一种基于隐马尔可夫模型的地图匹配系统，所述系统用于执行上述第一方面任一项所述的方法，所述系统包括数据获取模块、单态生成概率计算模块、状态转移概率计算模块、地图匹配模块；
所述数据获取模块，用于获取GPS轨迹数据和道路网络数据；
所述单态生成概率计算模块，用于根据所述GPS轨迹数据和所述道路网络数据，计算GPS轨迹点的方向向量与所述GPS轨迹点在道路网络中候选路段上的投影点的方向向量之间的航向角折减系数；基于所述航向角折减系数、所述GPS轨迹数据和所述道路网络数据，计算得到GPS轨迹点在道路网络中的候选路段的单态生成概率；
所述状态转移概率计算模块，用于根据所述GPS轨迹数据和所述道路网络数据，计算得到连续的两个GPS轨迹点的候选路段之间的状态转移概率；
所述地图匹配模块，用于根据所述状态转移概率和所述单态生成概率，通过维特比算法计算得到GPS轨迹与道路网络的匹配结果。
相比于相关技术，本申请实施例提供的一种基于隐马尔可夫模型的地图匹配方法和系统，该方法通过获取GPS轨迹数据和道路网络数据；基于GPS轨迹数据和道路网络数据，计算GPS轨迹点的方向向量与GPS轨迹点在道路网络中候选路段上的投影点的方向向量之间的航向角折减系数；基于航向角折减系数、GPS轨迹数据和道路网络数据，计算得到GPS轨迹点在道路网络中的候选路段的单态生成概率；基于GPS轨迹数据和道路网络数据，计算得到连续的两个GPS轨迹点的候选路段之间的状态转移概率；基于状态转移概率和单态生成概率，通过维特比算法计算得到GPS轨迹与道路网络的匹配结果，实现了对传统隐马尔可夫模型的改进，通过融合航向角信息和引入航向角折减系数来计算单态生成概率，能更加精细地考虑GPS轨迹点与候选路段之间的方向一致性，从而提高了U型弯、双向道路等特殊情况的匹配精度，解决了如何提高路网匹配精度的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的基于隐马尔可夫模型的地图匹配方法的步骤流程图；
图2是根据本申请实施例的道路网络数据的数据模型示意图；
图3是根据本申请实施例的GPS轨迹点与道路网络的关系示意图；
图4a是根据本申请实施例的道路网络连通性修复的示意图；
图4b是根据本申请实施例的道路网络连通性修复的示意图；
图5是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块（单元）的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请实施例提供了一种基于隐马尔可夫模型的地图匹配方法，图1是根据本申请实施例的基于隐马尔可夫模型的地图匹配方法的步骤流程图，如图1所示，该方法包括以下步骤：
步骤S102，获取GPS轨迹数据和道路网络数据；
步骤S102具体地，图2是根据本申请实施例的道路网络数据的数据模型示意图，如图2所示，道路网络数据的数据模型采用有向图G=(V,E)，其中， V={v 1,v 2,…,v N }表示道路路网中的节点，如交叉口、起点、终点、路段划分点等，每个节点具有经纬度属性以确定其在地理空间中的位置，而折点tp区别于节点，为路段上的中间点，用于模拟路段弯曲线型，同一路段中的折点前后的路段方向向量不同；E ={e 1,e 2,…,e N }表示道路网络中的边（路段），每条边e i 可以表示为从节点v fromi 到节点v toi 的有向边，即e i =(v fromi , v toi )。表1为存储节点集合的数据结构字段示例表，表2为存储边集合的数据结构字段示例表。
表1
| 字段名称 | 字段类型 | 字段说明 |
| node_id | int | 节点唯一编码,一定是大于0的正整数 |
| geometry | geometry | 节点坐标几何列 |
表2
| 字段名称 | 字段类型 | 字段说明 |
| link_id | int | 路段唯一编码,一定是大于0的正整数 |
| from_node | int | 路段拓扑起点节点编号,一定是大于0的正整数 |
| to_node | int | 路段拓扑终点节点编号,一定是大于0的正整数 |
| length | float | 路段长度，单位米 |
| geometry | geometry | 路段几何线型 |
图3是根据本申请实施例的GPS轨迹点与道路网络的关系示意图，如图3所示，GPS轨迹数据的数据模型记为G={gps 1,gps 2,…,gps T }，其中，gps T 表示GPS轨迹点，GPS轨迹数据带有经纬度、时间属性等，表3为GPS轨迹数据的数据结构字段示例表。
表3
| 字段名称 | 字段类型 | 字段说明 |
| agent_id | string | 车辆唯一编码,准确来说这个字段标注的是车辆的某一次完整出行 |
| lng | float | 经度 |
| lat | float | 纬度 |
| time | string | 定位时间戳 |
进一步地，基于GPS轨迹数据和道路网络数据，可以确定GPS轨迹点在道路网络中的候选路段和投影点。具体地，对于候选路段，以GPS轨迹点为圆心创建一个半径为buffer的圆，关联到的道路网络的路段为候选路段，如第i个GPS轨迹点gps i 的候选路段集合P i ={e i1,e i2,…,e iF }，一共包含F条候选路段；对于投影点，投影点是指候选路段上与GPS轨迹点距离最短的点，如代表GPS轨迹点gps i 在候选路段e j 上的投影点。
更进一步地，在确定GPS轨迹点在道路网络中的候选路段和投影点的基础上，通过球面三角学公式和哈弗西公式，可以计算得到GPS轨迹点到候选路段的投影距离（如为GPS轨迹点gps i 到候选路段e j 的投影距离）、GPS轨迹点到候选路段的投影点坐标（如为GPS轨迹点gps i 在候选路段e j 上的投影点坐标）、GPS轨迹点到候选路段的投影点到候选路段拓扑起点的距离（如为投影点到候选路段e j 拓扑起点的距离）。
需要说明的是，步骤S102中采用高效的数据结构来存储和索引道路网路数据和GPS轨迹数据 ，从而在匹配过程中快速定位和访问相关信息，能够进一步提高地图匹配的处理速度。
在步骤S102之后，该方法包括步骤S103，基于道路网络数据，对道路网络的连通性进行修复，得到修复后的道路网络数据。
步骤S103具体包括以下步骤：
步骤S1031，对于道路网络中的每个节点，基于道路网络数据，确定出与节点的距离小于第一距离阈值的边集合；
步骤S1031具体地，对于道路网络中的每个节点v i ，定义一个检测半径buffer，计算以节点为圆心的检测半径范围内的边集合Candidate。
步骤S1032，图4a和图4b是根据本申请实施例的道路网络连通性修复的示意图，如图4a和4b所示，对于边集合Candidate中的每条边，基于道路网络数据，计算节点到边的投影点，若投影点与边的端点的距离小于第二距离阈值，则执行节点与端点的直连修复，否则，执行节点与投影点的打断修复。
需要说明的是，通过步骤S103引入一套路网节点联通性的修复机制，可以在匹配进行前对路网进行检查，实现对不连通节点的自动修复，降低由于路网问题导致的匹配失败概率。
步骤S104，基于GPS轨迹数据和道路网络数据，计算GPS轨迹点的方向向量与GPS轨迹点在道路网络中候选路段上的投影点的方向向量之间的航向角折减系数；
步骤S104具体包括以下步骤：
步骤S1041，基于道路网络数据，计算道路网络中每个路段的方向向量，得到路网路段方向向量；
需要说明的是，由于道路网络的物理属性相对稳定，因此可以预计算得出道路网络的路网路段方向向量并进行存储，如此便可省去步骤S1041的计算开销。具体地，预计算路段方向向量即对路网中每个路段的方向向量进行预计算。定义路段方向向量集合V用于存储路网中每个路段的方向向量。对于直线路段e i ，由于其仅有起终点v starti 和v endi ，没有折点tp，其方向向量可以通过计算两个端点的坐标差分直接获得；而对于包含多个折点tp的路段e j ，存在多个路段方向向量，计算每段方向向量，并形成一个嵌套的方向向量集合。如此一来，在GPS轨迹点投影至候选路段的过程中，通过路段ID查询路段方向向量集合V，可以快速确定GPS轨迹点所在候选路段的方向向量。对于直线路段，直接使用存储的方向向量；对于有多个折点的路段，则结合投影点到路段拓扑起点的路径距离进一步查询对应的子路段方向向量。这种多层次的向量集合结构不仅减少了匹配过程中的计算开销，而且通过快速检索机制，显著优化了算法性能，加速了匹配过程。
步骤S1042，基于GPS轨迹数据，计算每个GPS轨迹点的方向向量，得到GPS轨迹点方向向量；
需要说明的是，GPS轨迹点方向向量也可以进行预计算并存储，GPS轨迹数据包含位置坐标和时间戳，可以通过差分方向的方法计算出航向角（即方向向量）进行存储，以此提高计算后续单态转移概率的航向角折减系数的效率。
步骤S1043，基于路网路段方向向量和GPS轨迹点方向向量，计算得出GPS轨迹点的方向向量与GPS轨迹点在道路网络中候选路段上的投影点的方向向量之间的航向角折减系数。
步骤S1043具体地，基于路网路段方向向量，确定GPS轨迹点在道路网络中候选路段上的投影点的方向向量；
通过方向向量夹角计算公式，计算得出方向向量之间的夹角θ，其中，u为GPS轨迹点在道路网络中候选路段上的投影点的方向向量，v为GPS轨迹点方向向量；
基于预设区间数量N，对方向向量之间的夹角θ进行划分，得到航向角折减系数K(<θ*N/180>)，其中，<x>代表对x取整，K(n)代表K的第n个元素，K这个折减系数数组是可以自由定义的。
步骤S106，基于航向角折减系数、GPS轨迹数据和道路网络数据，计算得到GPS轨迹点在道路网络中的候选路段的单态生成概率；
步骤S106具体地，基于GPS轨迹数据和道路网络数据，计算出GPS轨迹点到道路网路中候选路段的投影距离；
通过单态生成概率计算公式，计算得到GPS轨迹点在道路网络中的候选路段的单态生成概率，其中，为GPS轨迹点gps i 到候选路段e j 的投影距离，K(<*N/180>)为航向角折减系数， 为GPS轨迹点gps i 的方向向量与候选路段e j 上投影点的方向向量之间的夹角，σ为观测误差的标准差。
需要说明的是，在传统的隐马尔可夫模型中，单态生成概率是：给定观测GPS轨迹点由状态空间中各候选路段状态产生的概率，它量化了在特定隐藏状态下产生观测数据的可能性。而在本实施例中GPS轨迹点的单态生成概率的计算不仅考虑了GPS轨迹点与候选路段之间的投影距离，还融合了航向角对概率的影响，并通过引入航向角折减系数实现。通过融合航向角信息和引入航向角折减系数，在计算单态生成概率时，更加精细地考虑了GPS轨迹点与候选路段之间的方向一致性，从而提高了U型弯、双向道路等特殊情况的匹配精度。
步骤S108，基于GPS轨迹数据和道路网络数据，计算得到连续的两个GPS轨迹点的候选路段之间的状态转移概率；
步骤S108具体包括以下步骤：
步骤S1081，基于GPS轨迹数据，计算得到连续的两个GPS轨迹点之间的直线距离，
步骤S1081具体地，GPS轨迹数据中包含了GPS轨迹点的经纬度信息，利用球面三角学公式或哈弗西公式，计算得出连续的两个GPS轨迹点之间的直线距离。
步骤S1082，基于GPS轨迹数据和道路网络数据，计算得到两个GPS轨迹点在道路网络中各自候选路段上的投影点之间的路径距离；
需要说明的是，由于道路网络的物理属性相对稳定，因此可以预计算得出道路网络的路网节点最短路径信息并进行存储，如此便可省去步骤S1082的计算开销。具体地，预计算最短路径的策略是针对路网中的节点对进行的。通过单源最短路径算法对路网G=(V,E)中的每一对节点(v i , v j )计算最短路径，预计算的最短路径存储在哈希表D中，最短路径开销存储在哈希表F中，其中，D ij =path i->j 表示从节点v i 到v j 的最短路径节点序列，F ij =d a->b 表示从节点v i 到v j 的最短路径长度。进一步地，考虑到相邻GPS轨迹点的直线距离不会太远，其对应的路径长度也不会太远。对某一节点：在计算最短路径时将引入一个截断距离参数，不会计算路径距离超过该截断值的节点路径，避免搜索过多无关节点，一方面可以提升匹配的计算效率，另一方面也可以降低计算机的内存占用。在地图匹配过程中需要计算两个GPS轨迹点之间的最短路径时，首先将这些轨迹点映射到投影点所在路段的起点节点。然后通过索引D和F，可以快速找到这两个节点之间的最短路径长度和最短路径节点序列，而无需在匹配过程中重新计算。这种方法将最短路相关的计算复杂度由O(n 2)降低到了O(1)。
步骤S1083，基于直线距离和路径距离，计算得到候选路段的状态转移概率。
步骤S1083具体地，基于直线距离和路径距离，通过公式计算得到候选路段的状态转移概率。
需要说明的是，状态转移概率服从指数分布，反映了两个连续状态之间的转移可能性。步骤S1081至步骤S1083为HMM地图匹配算法提供了一个全面的状态转移概率框架，使得算法能够评估和选择最可能的状态转移序列，从而实现对GPS轨迹与路网匹配的优化。
此外，在状态转移概率计算过程中，存在GPS路径没有沿最短路径方向行进，若是上述步骤S1081至步骤S1083是基于最短路径进行计算的，则在这种情况下可能会导致GPS路径识别错误。基于此，提出绕路情况识别的策略，如果判断出GPS没有沿最短路径方向行进，会返回一个较大的路径距离，以降低两条候选路段之间的状态转移概率。以下给出三种绕路情况识别的策略：
假设有两个相邻的GPS轨迹点 (gpsi，gpsi+1)。前一轨迹点的某候选路段记为e p ，后一轨迹点的某候选路段记为e q ，路段e p 起点节点记为 v p1，终点节点为v p2，路段e q 的起点节点记为v q1，终点节点为v q2 。通过预计算，可以得到v p1到 v q1的最短路径。
①根据最短路径计算，gpsi到gpsi+1应该是从v p1出发，经由v p2，到达v q1。因此可以检测最短路径节点序列第二个节点是否为v p2，如果不是，则可判断绕路。
②根据最短路径计算，gpsi到gpsi+1应该是从v p1出发，经由v p2，到达v q1。因此可以检测最短路径节点序列的倒数第二个节点是否为v q2 ，如果是，则可判断绕路。
③测到前后轨迹点的候选路段起点节点重合的情况，但是终点节点不一致。根据现实情况，不可能从e p 到达e q ，则可判断绕路。
步骤S110，基于状态转移概率和单态生成概率，通过维特比算法计算得到GPS轨迹与道路网络的匹配结果。
步骤S110具体地，基于状态转移概率和单态生成概率，通过维特比算法对于每个后续的GPS轨迹点进行递推计算，以更新F MAT 和I MAT ，其中，F MAT 为终态生成概率哈希表（用于存储最终状态生成概率），I MAT 为最优索引哈希表（用于记录达到这些概率的最优前态索引）；
步骤S110优选地，通过基于自然对数的计算公式：
递推计算出t和t index ，其中，A MAT 为状态转移概率的集合，B MAT 为单态生成概率的集合，t为临时存储概率的数组，t index 为概率最大值的索引
根据递推步骤计算的t和t index 更新F MAT ：
同时更新最优索引哈希表I MAT ：
需要说明的是，步骤S110中通过改进联合概率计算方式(对数概率替代常规概率)，减缓概率相乘带来的数值折损速率，从而提升了单条轨迹中可连续处理的GPS点规模，且在对数空间中进行加法通常比在概率空间中进行乘法更稳定和高效。通过这一系列步骤，维特比（Viterbi）算法能够有效地在地图匹配问题中找到最可能的路径，即在给定观测序列的情况下，最符合观测数据的路径状态序列。这个过程不仅考虑了观测点与路网状态之间的一致性，也考虑了路径状态之间的连续性。
通过本申请实施例中的上述步骤，实现了对传统隐马尔可夫模型的改进，通过融合航向角信息和引入航向角折减系数来计算单态生成概率，能更加精细地考虑GPS轨迹点与候选路段之间的方向一致性，从而提高了U型弯、双向道路等特殊情况的匹配精度，解决了如何提高路网匹配精度的问题。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在其中一些实施例中，在上述实施例的步骤S103，基于道路网络数据，对道路网络的连通性进行修复之后，该地图匹配方法还包括：
对GPS轨迹数据和修复后的道路网络数据进行预处理，其中，预处理包括GPS轨迹点降频増密和路网空间分层索引。
需要说明的是，①对于GPS轨迹点降频増密。在GPS轨迹数据处理中，为了优化轨迹的表示精度和计算效率，常采用降频增密技术对原始GPS数据进行预处理。对于高频-高定位误差，包含大量的冗余信息的GPS数据。可通过选择性地减少数据点的数量来降低数据的采样频率。降频过程通过时间排序和等间隔采样，以lower_n倍的频率减少数据点，从而精简数据集并去除冗余信息。
而在某些情况下，为了提高轨迹数据的分辨率或满足特定分析需求，原始数据可能需要增密。增密过程依据预设的球面距离阈值 ，当相邻两个GPS轨迹点之间的球面距离L超过此阈值时，进行数据点的插入操作。以int(L/dense_interval)+1等分加密，实现数据的局部细化。该策略通过动态调整数据点的分布密度，为后续的数据分析和处理提供了灵活性和适应性。
②对于路网空间分层索引。空间分层索引的策略是为了提升GPS轨迹与大规模路网数据之间的空间关联效率。该策略包含两个关键步骤，旨在优化从GPS轨迹到子路网的映射过程。
首先，对于给定的GPS轨迹定义一个缓冲区，该缓冲区基于GPS轨迹点的地理坐标，用于快速提取与轨迹点空间邻近的路网子集。
然而，面对超大规模的路网数据和超长的GPS轨迹，仅依赖缓冲区的方法在空间关联效率上可能存在不足。为了解决这一问题，引入了第二个步骤：将研究范围划分为一系列栅格单元，通过预处理得到每个栅格与整体路网的空间关联关系。
在正式进行地图匹配时，对于每一agent的GPS轨迹点集合，可以避免GPS缓冲区与路网之间直接进行空间关联计算，仅仅需要利用GPS缓冲区与栅格(栅格元素数量远远小于路段元素数量)进行空间关联得到缓冲区所经过的栅格ID，然后通过筛查栅格-路网关联数据表，即可以O(1)的时间复杂度快速得到子区域路网，从而节省大量计算时间。
在其中一些实施例中，在上述实施例的步骤S110，基于状态转移概率和单态生成概率，通过维特比算法计算得到GPS轨迹与道路网络的匹配结果之后，该地图匹配方法还包括：
考虑到原始GPS轨迹数据可能存在的采集稀疏性或信号缺失，导致路径中出现不连续区域，路径补全通过利用预计算的路网节点最短路径信息来填充这些间隙，确保路径的连续性。具体通过比较匹配结果中相邻路径是否有一个以上重复的节点，识别缺失路径，然后依据路网中预先计算得到的最短路径信息，对这些区段进行有效填补。
本申请实施例提供了一种基于隐马尔可夫模型的地图匹配系统，该系统包括数据获取模块、单态生成概率计算模块、状态转移概率计算模块、地图匹配模块；
数据获取模块，用于获取GPS轨迹数据和道路网络数据；
单态生成概率计算模块，用于根据GPS轨迹数据和道路网络数据，计算GPS轨迹点的方向向量与GPS轨迹点在道路网络中候选路段上的投影点的方向向量之间的航向角折减系数；基于航向角折减系数、GPS轨迹数据和道路网络数据，计算得到GPS轨迹点在道路网络中的候选路段的单态生成概率；
状态转移概率计算模块，用于根据GPS轨迹数据和道路网络数据，计算得到连续的两个GPS轨迹点的候选路段之间的状态转移概率；
地图匹配模块，用于根据状态转移概率和单态生成概率，通过维特比算法计算得到GPS轨迹与道路网络的匹配结果。
通过本申请实施例中的数据获取模块、单态生成概率计算模块、状态转移概率计算模块、地图匹配模块，实现了对传统隐马尔可夫模型的改进，通过融合航向角信息和引入航向角折减系数来计算单态生成概率，能更加精细地考虑GPS轨迹点与候选路段之间的方向一致性，从而提高了U型弯、双向道路等特殊情况的匹配精度，解决了如何提高路网匹配精度的问题。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
另外，结合上述实施例中的基于隐马尔可夫模型的地图匹配方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种基于隐马尔可夫模型的地图匹配方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于隐马尔可夫模型的地图匹配方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，图5是根据本申请实施例的电子设备的内部结构示意图，如图5所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图5所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的运行提供环境，计算机程序被处理器执行时以实现一种基于隐马尔可夫模型的地图匹配方法，数据库用于存储数据。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于隐马尔可夫模型的地图匹配方法，其特征在于，所述方法包括：
获取GPS轨迹数据和道路网络数据；
基于所述道路网络数据，计算道路网络中每个路段的方向向量，得到路网路段方向向量；
基于所述GPS轨迹数据，计算每个GPS轨迹点的方向向量，得到GPS轨迹点方向向量；
基于所述路网路段方向向量，确定GPS轨迹点在道路网络中候选路段上的投影点的方向向量；
通过方向向量夹角计算公式，计算得出方向向量之间的夹角θ，其中，u为GPS轨迹点在道路网络中候选路段上的投影点的方向向量，v为GPS轨迹点方向向量；
基于预设区间数量N，对所述方向向量之间的夹角θ进行划分，得到航向角折减系数，其中，<x>代表对x取整，K(n)代表K的第n个元素；
基于所述航向角折减系数、所述GPS轨迹数据和所述道路网络数据，计算得到GPS轨迹点在道路网络中的候选路段的单态生成概率；
基于所述GPS轨迹数据和所述道路网络数据，计算得到连续的两个GPS轨迹点的候选路段之间的状态转移概率；
基于所述状态转移概率和所述单态生成概率，通过维特比算法计算得到GPS轨迹与道路网络的匹配结果。
2.根据权利要求1所述的方法，其特征在于，基于所述航向角折减系数、所述GPS轨迹数据和所述道路网络数据，计算得到GPS轨迹点在道路网络中的候选路段的单态生成概率包括：
基于所述GPS轨迹数据和所述道路网络数据，计算出GPS轨迹点到道路网路中候选路段的投影距离；
通过单态生成概率计算公式，计算得到GPS轨迹点在道路网络中的候选路段的单态生成概率，其中，为GPS轨迹点gps i到候选路段e j的投影距离，为航向角折减系数，N为预设区间数量，<x>代表对x取整，K(n)代表K的第n个元素， 为GPS轨迹点gps i的方向向量与候选路段e j上投影点的方向向量之间的夹角，σ为观测误差的标准差。
3.根据权利要求1所述的方法，其特征在于，基于所述状态转移概率和所述单态生成概率，通过维特比算法计算得到GPS轨迹与道路网络的匹配结果包括：
基于状态转移概率和单态生成概率，通过维特比算法对于每个后续的GPS轨迹点进行递推计算，以更新F MAT和I MAT，其中，F MAT为用于存储最终状态生成概率的终态生成概率哈希表，I MAT为用于记录达到最终状态生成概率的最优索引哈希表。
4.根据权利要求3所述的方法，其特征在于，基于状态转移概率和单态生成概率，通过维特比算法对于每个后续的GPS轨迹点进行递推计算，以更新F MAT和I MAT包括：
通过基于自然对数的计算公式：
递推计算出t和t index，其中，A MAT为状态转移概率的集合，B MAT为单态生成概率的集合，t为临时存储概率的数组，t index为概率最大值的索引；
基于递推计算出t和t index，通过更新公式更新F MAT，通过更新公式更新I MAT。
5.根据权利要求1所述的方法，其特征在于，在获取GPS轨迹数据和道路网络数据之后，所述方法包括：
基于所述道路网络数据，对道路网络的连通性进行修复，得到修复后的道路网络数据。
6.根据权利要求5所述的方法，其特征在于，基于所述道路网络数据，对道路网络的连通性进行修复包括：
对于道路网络中的每个节点，基于所述道路网络数据，确定出与所述节点的距离小于第一距离阈值的边集合；
对于所述边集合中的每条边，基于所述道路网络数据，计算所述节点到所述边的投影点，若所述投影点与所述边的端点的距离小于第二距离阈值，则执行所述节点与所述端点的直连修复，否则，执行所述节点与所述投影点的打断修复。
7.根据权利要求1所述的方法，其特征在于，基于所述GPS轨迹数据和所述道路网络数据，计算得到连续的两个GPS轨迹点的候选路段之间的状态转移概率包括：
基于所述GPS轨迹数据，计算得到连续的两个GPS轨迹点之间的直线距离，
基于所述GPS轨迹数据和所述道路网络数据，计算得到所述两个GPS轨迹点在道路网络中各自候选路段上的投影点之间的路径距离；
基于所述直线距离和所述路径距离，计算得到所述候选路段的状态转移概率。
8.一种基于隐马尔可夫模型的地图匹配系统，其特征在于，所述系统用于执行权利要求1至7任一项所述的方法，所述系统包括数据获取模块、单态生成概率计算模块、状态转移概率计算模块、地图匹配模块；
所述数据获取模块，用于获取GPS轨迹数据和道路网络数据；
所述单态生成概率计算模块，用于根据所述GPS轨迹数据和所述道路网络数据，计算GPS轨迹点的方向向量与所述GPS轨迹点在道路网络中候选路段上的投影点的方向向量之间的航向角折减系数；基于所述航向角折减系数、所述GPS轨迹数据和所述道路网络数据，计算得到GPS轨迹点在道路网络中的候选路段的单态生成概率；
所述状态转移概率计算模块，用于根据所述GPS轨迹数据和所述道路网络数据，计算得到连续的两个GPS轨迹点的候选路段之间的状态转移概率；
所述地图匹配模块，用于根据所述状态转移概率和所述单态生成概率，通过维特比算法计算得到GPS轨迹与道路网络的匹配结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411163201.3A CN118670407B (zh) | 2024-08-23 | 2024-08-23 | 一种基于隐马尔可夫模型的地图匹配方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411163201.3A CN118670407B (zh) | 2024-08-23 | 2024-08-23 | 一种基于隐马尔可夫模型的地图匹配方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118670407A CN118670407A (zh) | 2024-09-20 |
| CN118670407B true CN118670407B (zh) | 2025-02-11 |
Family
ID=92719730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411163201.3A Active CN118670407B (zh) | 2024-08-23 | 2024-08-23 | 一种基于隐马尔可夫模型的地图匹配方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118670407B (zh) |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110260870B (zh) * | 2019-07-18 | 2021-03-12 | 北京百度网讯科技有限公司 | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 |
| CN110631594B (zh) * | 2019-10-24 | 2021-03-26 | 成都大成均图科技有限公司 | 基于复杂轨迹网络划分模型的离线地图匹配方法和系统 |
| CN111343585B (zh) * | 2020-02-28 | 2021-11-02 | 重庆邮电大学 | 一种基于隐马尔可夫模型的移动用户轨迹地图匹配方法 |
| CN114440900A (zh) * | 2022-01-07 | 2022-05-06 | 中国地质大学（武汉） | 改进的隐马尔科夫模型地图匹配方法及装置 |
| CN114353810B (zh) * | 2022-01-10 | 2022-12-06 | 河海大学 | 一种基于r树和轨迹分段的hmm高效地图匹配方法 |
| CN115265555B (zh) * | 2022-07-25 | 2024-05-07 | 上海交通大学 | 基于隐马尔科夫的多噪声感知的地图匹配校正方法及系统 |
| FR3138975A1 (fr) * | 2022-08-18 | 2024-02-23 | Orange | Procédé de détermination d’un itinéraire d’un terminal mobile à partir de données relatives à une pluralité d’évènements réseau impliquant ledit terminal mobile, dispositif et programme d’ordinateur correspondant. |
| CN115900733A (zh) * | 2022-10-11 | 2023-04-04 | 阿里云计算有限公司 | 一种路网匹配方法及装置 |
| CN116499475A (zh) * | 2023-04-23 | 2023-07-28 | 东南大学 | 一种基于视觉的隐马尔科夫模型的车道级地图匹配方法 |
-
2024
- 2024-08-23 CN CN202411163201.3A patent/CN118670407B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| 基于隐马尔可夫模型的有向地图匹配算法研究;陈忠辉等;信息技术与网络安全;20181231(第4期);第55-59、64页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118670407A (zh) | 2024-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20230148259A (ko) | 차량 궤적 편차 보정 방법, 장치 및 전자기기 | |
| CN108763558A (zh) | 一种基于地图匹配的众包地图道路质量改进方法 | |
| CN112084289B (zh) | 一种轨迹融合方法及装置 | |
| CN113721969B (zh) | 一种基于多尺度空间矢量数据级联更新方法 | |
| CN111307164B (zh) | 一种低采样率轨迹地图匹配方法 | |
| CN109522385B (zh) | 一种多尺度道路网m-n匹配模式的判定方法 | |
| Yang et al. | A pattern‐based approach for matching nodes in heterogeneous urban road networks | |
| CN110096564B (zh) | 一种基于bim+gis的路线点定位方法、装置及系统 | |
| CN109000656A (zh) | 基于空间聚类的水下地形匹配导航适配区选择方法 | |
| CN113902034A (zh) | 一种矢量道路数据变化信息识别与提取方法和装置 | |
| CN113587944A (zh) | 准实时的车辆行驶路线生成方法、系统及设备 | |
| CN107369373B (zh) | 一种利用多比例尺线要素地图进行综合制图的方法 | |
| CN114664104B (zh) | 一种路网匹配方法和装置 | |
| CN118670407B (zh) | 一种基于隐马尔可夫模型的地图匹配方法和系统 | |
| CN111862163B (zh) | 一种轨迹优化方法及装置 | |
| Liu et al. | M: N Object matching on multiscale datasets based on MBR combinatorial optimization algorithm and spatial district | |
| CN113988184A (zh) | 一种矢量道路数据匹配与更新方法、装置和计算机设备 | |
| CN118670406B (zh) | 一种地图匹配方法和系统 | |
| CN116828397B (zh) | 一种轨迹信息的获取方法、装置、电子设备和存储介质 | |
| CN114090560B (zh) | 一种车道的中心线生成方法、装置、设备及存储介质 | |
| CN115292962B (zh) | 基于轨迹抽稀的路径相似度匹配方法、设备及存储介质 | |
| Lei et al. | Conflating linear features using turning function distance: A new orientation‐sensitive similarity measure | |
| CN114202662B (zh) | 结合相邻刀轨横向几何特征的刀具特征点识别方法及设备 | |
| CN110619134B (zh) | 解决路网数据飞点、点密度问题一体化检测及修复方法 | |
| CN118274851A (zh) | 一种地图匹配方法、装置、电子设备及存储介质 |
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 |