CN106595680A - 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法 - Google Patents

Abstract

本发明涉及一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法，包括步骤：从shpefile电子地图上获取路网数据；提取原始的车辆轨迹数据，对车辆GPS数据进行预处理；选取每个GPS观测点一定距离的路段作为候选路段；基于隐马尔可夫模型，计算每个GPS点的观测概率以及相邻候选路段间的转移概率；利用维特比算法计算出最优的匹配轨迹。本发明基于隐马尔可夫模型，通过考虑GPS点的位置，速度方向，路网的拓扑以及轨迹点与路网间的关联信息，提出了新的观测概率和转移概率，进一步的提高了地图匹配的准确性。

Description

一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法

技术领域

本发明涉及交通领域，特别是涉及一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法。

背景技术

在交通出行中，车载设备越来越普及，对GPS数据的研究已经成为当今车联网领域的热门话题。但是由于设备自身的局限性以及外部环境噪声的影响，使得车辆轨迹数据往往会与实际的数据有所偏差，而地图匹配的目的就是让观测的轨迹数据准确地映射到路网位置上。隐马尔可夫模型是一种概率模型，描述由一个隐藏的马尔可夫链随机生成的隐藏状态随机序列，再由各个隐藏状态生成一个观测状态而产生观测随机序列的过程。隐马尔可夫模型在模式识别、语音识别、生物信息等领域有着非常广泛的应用。基于隐马尔可夫模型的地图匹配相对于传统的地图匹配，匹配的准确性更高，对于采样间隔比较大的轨迹数据，也有很好的表现。

发明内容

有鉴于此，本发明的目的是提供一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法，基于隐马尔可夫模型，通过考虑GPS点的位置，速度方向，路网的拓扑以及轨迹点与路网间的关联信息，提出了新的观测概率和转移概率，进一步的提高了地图匹配的准确性。

本发明采用以下方案实现：一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法，包括如下步骤：

步骤S1：从电子地图中获取路网数据：

电子地图为shapefile格式的矢量地图，从该地图中获取路网数据，构建有向道路网络G(V,E)，其中V表示道路的交叉点，E表示每两个交叉点间的路段。为方便计算，定义路段集合S＝{s_n|n＝1,2,…,N}，s_n为第n条路段。该路段的起止点为s_n.start＝{x,y}，终止点为s_n.end＝{x,y}，x,y分别表示经度和纬度。

步骤S2：对收集的真实车辆轨迹数据进行预处理：

所收集的车辆GPS轨迹数据一般是按照一定的时间间隔采集的，城市中的车辆一天内便可产生海量的GPS轨迹数据。其中有不少速度，位置异常的轨迹数据，需要事先进行清理，以剔除这些数据。

步骤S3：选取每个观测点一定距离内的路段作为匹配的候选路段：

定义车辆的一次GPS轨迹数据的序列为P＝p₁→p₂→…→p_i→…→p_T，T表示这辆车采样点的总数，每个GPS点p_i＝<x,y,t,v,dir>，分别表示经度，纬度，采样时间，瞬时速度，行驶方向，其中行驶方向正北，东北，正东，东南，正南，西南，正西，西北8个方向分别对应数字0-7；

对于每个观测点，以该点为圆心在半径r范围内(r的值通过实验评估得到)所有路段作为候选路段，每个观测点到候选路段的垂直投影点(观测点做候选路段的垂线，垂足即为投影点)为候选点，若无投影点，则以该候选路段离观测点最近的节点作为候选点。其中观测点的候选路段集为 表示观测点p_i的第k条候选路段，候选点的集合 表示该点的第k个候选点；

步骤S4：根据隐马尔可夫模型，分别计算每个观测点的观测概率以及相邻候选路段间的转移概率：

隐马尔可夫模型是一种概率模型，描述由一个隐藏的马尔可夫链随机生成的隐藏状态随机序列，再由各个隐藏状态生成一个观测状态而产生观测随机序列的过程。对于已知的候选路段(隐藏状态)，得到观测点，定义观测概率:

其中d表示观测点p_i到候选点的距离，σ是根据经验来估计GPS误差的标准偏差，即GPS观测点的偏移误差服从高斯分布，取值通过实验评估得到。cosθ表示观测点的速度方向与候选路段夹角的余弦值，添加绝对值表示选取候选路段正向或者反向都不会对余弦值产生影响。α表示方向特征对观测概率的影响程度，取值通过实验评估得到。

定义转移概率：

其中d_i-1,i表示相邻观测点p_i-1和p_i间的欧氏距离，D_i-1,i表示其对应的候选点间的最短路径，d_i-1表示观测点p_i-1到其候选点的距离，同理d_i表示观测点p_i到其候选点的距离，λ∈[0，1]，λ值越大表示相邻观测点间欧氏距离与候选点间的最短路径的相似度对转移概率的影响越大，λ越小表示观测轨迹与匹配轨迹相似度的影响更大，λ取值通过实验评估得到。

对于候选点间的最短路径，通过迪杰斯特拉算法求得。

步骤S5：利用维特比算法，计算出概率最大的隐藏状态序列，即最优的匹配路段序列。

对于车辆的一次轨迹P＝p₁→p₂→…→p_i→…→p_T，已知隐藏状态(匹配路段)对应观测点为p_i的观测概率为从隐藏状态到的转移概率为得到最大可能性的匹配路段序列X＝x₁→x₂→…→x_T。利用维特比算法计算过程如下：

初始时刻i＝1，

当i>1时，由递推关系给出：

其中V_i,k表示前i个最终隐藏状态为的观测点最有可能对应的匹配路段序列的概率，S_i-1表示观测点p_i-1候选路段集合。

记录概率最大匹配路段的上一个状态

最终的匹配路段：

其中V_T,k表示前T个最终隐藏状态为的观测点最有可能对应的匹配路段序列的概率，S_T表示观测点p_T候选路段集合

最优路径回溯:

x_i＝ψ_i(S_i)，i＝T-1,T-2,…,1

式七

求得最优匹配路段序列：X＝x₁→x₂→…→x_T。

相较于现有技术，本发明提出的针对车辆GPS轨迹数据、城市路网，利用隐马尔可夫模型，能够很好地实现地图匹配。

附图说明

图1是本发明实施例中出租车某段GPS轨迹数据。

图2是本发明实施例中观测点的候选路段与候选点示意图。

图3是本发明实施例中在高德地图上的匹配效果图。

图4是本发明的方法流程示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

本实施例提供一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法，如图4所示，包括如下步骤：

步骤S1：从电子地图中获取路网数据：

电子地图为shapefile格式的矢量地图，从该地图中获取路网数据，构建有向道路网络G(V,E)，其中V表示道路的交叉点，E表示每两个交叉点间的路段。为方便计算，定义路段集合S＝{s_n|n＝1,2,…,N}，s_n为第n条路段。该路段的起止点为s_n.start＝{x,y}，终止点为s_n.end＝{x,y}，x,y分别表示经度和纬度。

步骤S2：对收集的真实车辆轨迹数据进行预处理：

所收集的车辆GPS轨迹数据一般是按照一定的时间间隔采集的，城市中的车辆一天内便可产生海量的GPS轨迹数据。其中有不少速度，位置异常的轨迹数据，需要事先进行清理，以剔除这些数据。

步骤S3：选取每个观测点一定距离内的路段作为匹配的候选路段：

定义车辆的一次GPS轨迹数据的序列为P＝p₁→p₂→…→p_i→…→p_T，T表示这辆车采样点的总数，每个GPS点p_i＝<x,y,t,v,dir>，分别表示经度，纬度，采样时间，瞬时速度，行驶方向，其中行驶方向正北，东北，正东，东南，正南，西南，正西，西北8个方向分别对应数字0-7；

对于每个观测点，以该点为圆心在半径r范围内(r的值通过实验评估得到)所有路段作为候选路段，每个观测点到候选路段的垂直投影点(观测点做候选路段的垂线，垂足即为投影点)为候选点，若无投影点，则以该候选路段离观测点最近的节点作为候选点。其中观测点的候选路段集为 表示观测点p_i的第k条候选路段，候选点的集合 表示该点的第k个候选点；

步骤S4：根据隐马尔可夫模型，分别计算每个观测点的观测概率以及相邻候选路段间的转移概率：

隐马尔可夫模型是一种概率模型，描述由一个隐藏的马尔可夫链随机生成的隐藏状态随机序列，再由各个隐藏状态生成一个观测状态而产生观测随机序列的过程。对于已知的候选路段(隐藏状态)，得到观测点，定义观测概率:

其中d表示观测点p_i到候选点的距离，σ是根据经验来估计GPS误差的标准偏差，即GPS观测点的偏移误差服从高斯分布，取值通过实验评估得到。cosθ表示观测点的速度方向与候选路段夹角的余弦值，添加绝对值表示选取候选路段正向或者反向都不会对余弦值产生影响。α表示方向特征对观测概率的影响程度，取值通过实验评估得到。

定义转移概率：

其中d_i-1,i表示相邻观测点p_i-1和p_i间的欧氏距离，D_i-1,i表示其对应的候选点间的最短路径，d_i-1表示观测点p_i-1到其候选点的距离，同理d_i表示观测点p_i到其候选点的距离，λ∈[0，1]，λ值越大表示相邻观测点间欧氏距离与候选点间的最短路径的相似度对转移概率的影响越大，λ越小表示观测轨迹与匹配轨迹相似度的影响更大，λ取值通过实验评估得到。

对于候选点间的最短路径，通过迪杰斯特拉算法求得。

步骤S5：利用维特比算法，计算出概率最大的隐藏状态序列，即最优的匹配路段序列。

对于车辆的一次轨迹P＝p₁→p₂→…→p_i→…→p_T，已知隐藏状态(匹配路段)对应观测点为p_i的观测概率为从隐藏状态到的转移概率为得到最大可能性的匹配路段序列X＝x₁→x₂→…→x_T。利用维特比算法计算过程如下：

初始时刻i＝1，

当i>1时，由递推关系给出：

其中V_i,k表示前i个最终隐藏状态为的观测点最有可能对应的匹配路段序列的概率，S_i-1表示观测点p_i-1候选路段集合。

记录概率最大匹配路段的上一个状态

最终的匹配路段：

其中V_T,k表示前T个最终隐藏状态为的观测点最有可能对应的匹配路段序列的概率，S_T表示观测点p_T候选路段集合

最优路径回溯:

x_i＝ψ_i(S_i)，i＝T-1,T-2,…,1

式七

求得最优匹配路段序列：X＝x₁→x₂→…→x_T。

在本实施例中，如图1所示，是出租车某段GPS轨迹数据，主要分析福州市的交通情况，抽取了某辆出租车在2015年12月2日从西二环中路到乌山西路的轨迹数据。数据包括经度，纬度，采样时间，行驶速度以及行驶方向，其中方向0-7分别表示正北，东北，正东，东南，正南，西南，正西，西北。

在本实施例中，如图2所示，是观测点的候选路段与候选点示意图，以观测点为圆心，作半径为r的圆，本发明中r的值为50，在这个范围内的路段有对这三个候选路段作垂直投影点而路段无投影点，则以该路段离观测点最近的节点作为候选点

在本实施例中，如图3所示，在高德地图上的匹配效果图，可以清楚的看到观测点序列由于噪声等因素偏移正确的路径，通过地图匹配将其准确的映射到路网上。

在本实施例中，采用以上方法进行数据匹配，包括如下具体步骤：

步骤一：主要分析福州市的交通情况，从福州电子地图中获取路网数据。

步骤二：获取出租车GPS轨迹数据，对于GPS轨迹数据进行预处理，剔除速度和位置异常的数据。

步骤三：对于每个观测点，以该点为圆心，r范围内的路段和节点作为该观测点的候选路段集合和候选点集合，本发明中r的值为50。

步骤四：根据隐马尔可夫模型，分别计算观测概率以及转移概率。对于已知的候选路段对应的观测点，计算观测概率，如说明书中的式一所示，本发明中的σ值为5，α的值为2。计算转移概率，如说明书中的式二所示，本发明中的λ值为0.8。

步骤五：利用维特比算法，计算出概率最大的隐藏状态序列，即最优的匹配路段序列。

上述分析说明，本发明所提出的针对车辆GPS轨迹数据、城市路网，利用隐马尔可夫模型，能够很好地实现地图匹配。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (8)

1.一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法，其特征在于：包括如下步骤：

步骤S1：从电子地图中获取路网数据；

步骤S2：对收集的真实车辆轨迹数据进行预处理；

步骤S3：选取每个观测点一定距离内的路段作为匹配的候选路段；

步骤S4：根据隐马尔可夫模型，分别计算每个观测点的观测概率以及相邻候选路段间的转移概率；

步骤S5：利用维特比算法，计算出概率最大的隐藏状态序列，即最优的匹配路段序列。

2.根据权利要求1所述的一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法，其特征在于：所述步骤S1中，电子地图为shapefile格式的矢量地图，从该地图中获取路网数据，构建有向道路网络G(V,E)，其中V表示道路的交叉点，E表示每两个交叉点间的路段，定义路段集合S＝{s_n|n＝1,2,…,N}，s_n为第n条路段，该路段的起止点为s_n.start＝{x,y}，终止点为s_n.end＝{x,y}，x,y分别表示经度和纬度。

3.根据权利要求1所述的一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法，其特征在于：所述步骤S2中，预处理的方式为剔除速度与位置异常的轨迹数据。

4.根据权利要求1所述的一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法，其特征在于：所述步骤S3中，定义一辆车的所有GPS轨迹数据的序列为P＝p₁→p₂→…→p_i→…→p_T，T表示该车采样点的总数，每个GPS点p_i＝<x,y,t,v,dir>，分别表示经度，纬度，采样时间，瞬时速度，行驶方向，其中行驶方向正北，东北，正东，东南，正南，西南，正西，西北8个方向分别对应数字0-7；对于每个观测点，以该点为圆心在半径r范围内所有路段作为候选路段，每个观测点到候选路段的垂直投影点作为候选点，以观测点做候选路段的垂线，垂足即为投影点，若无投影点，则以该候选路段离观测点最近的节点作为候选点；其中观测点的候选路段集为 表示观测点p_i的第k条候选路段，候选点的集合 表示该点的第k个候选点。

5.根据权利要求1所述的一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法，其特征在于：所述步骤S4中，隐马尔可夫模型同时分析观测概率和转移概率：对于观测概率，分别用观测点与候选路段的偏移程度以及该点速度和路段两者方向的相似度来表示；对于转移概率，分别用相邻观测点间的欧氏距离与相邻候选点间的最短路径距离相似程度以及相邻观测点到候选路段的距离的相似程度来表示。

6.根据权利要求5所述的一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法，其特征在于：对于已知的候选路段，得到所述观测点，定义观测概率：

$p(d,\mathrm{\&theta;})=\frac{1}{\sqrt{2\mathrm{\&pi;}\mathrm{\&sigma;}}}{e}^{-\frac{d^2}{2{\mathrm{\&sigma;}}^2}}|cos\mathrm{\&theta;}{|}^{\mathrm{\&alpha;}}$

其中d表示观测点p_i到候选点的距离，σ是根据经验来估计GPS误差的标准偏差，即GPS观测点的偏移误差服从高斯分布，取值通过实验评估得到。cosθ表示观测点的速度方向与候选路段夹角的余弦值，添加绝对值表示选取候选路段正向或者反向都不会对余弦值产生影响。α表示方向特征对观测概率的影响程度，取值通过实验评估得到；

相同的，定义转移概率：

$T=\mathrm{\&lambda;}\frac{d_{i-1,i}}{D_{i-1,i}}+(1-\mathrm{\&lambda;})\frac{d_{i-1}}{d_i}$

其中d_i-1,i表示相邻观测点p_i-1和p_i间的欧氏距离，D_i-1,i表示其对应的候选点间的最短路径，d_i-1表示观测点p_i-1到候选点的距离，同理d_i表示观测点p_i到候选点的距离，λ∈[0，1]，λ值越大表示相邻观测点间欧氏距离与候选点间的最短路径的相似度对转移概率的影响越大，λ越小表示观测轨迹与匹配轨迹相似度的影响更大，λ取值通过实验评估得到。

7.根据权利要求6所述的一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法，其特征在于用：所述相邻候选点间的最短路劲通过迪杰斯特拉算法求得。

8.根据权利要求1所述的一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法，其特征在于：所述步骤S5中，对于车辆的一次轨迹P＝p₁→p₂→…→p_i→…→p_T，已知隐藏状态(匹配路段)对应观测点为p_i的观测概率为从隐藏状态到的转移概率为得到最大可能性的匹配路段序列X＝x₁→x₂→…→x_T。利用维特比算法计算过程如下：

初始时刻i＝1，

$V_{1,k}=p_{s_1^k,p_1}(d,\mathrm{\&theta;})$

当i>1时，由递推关系给出：

$V_{i,k}=p_{s_i^k,p_i}(d,\mathrm{\&theta;})\underset{s_{i-1}^j\&Element;S_i}{\max }\left\{T_{s_{i-1}^j,s_i^k}{V}_{i-1,j}\right\}$

其中V_i,k表示前i个最终隐藏状态为的观测点最有可能对应的匹配路段序列的概率，S_i-1表示观测点p_i-1候选路段集合；

记录概率最大匹配路段的上一个状态

${\mathrm{\&psi;}}_{i-1}\left(S_{i-1}\right)=\underset{s_{i-1}^j\&Element;S_{i-1}}{arc\max }\left\{T_{s_{i-1}^j,s_i^k}{V}_{i-1,j}\right\}$

最终的匹配路段：

$x_T=\underset{s_T^k\&Element;S_T}{arc\max }\left(V_{T,k}\right)$

其中V_T,k表示前T个最终隐藏状态为的观测点最有可能对应的匹配路段序列的概率，S_T表示观测点p_T候选路段集合；

最优路径回溯:

x_i＝ψ_i(S_i)，i＝T-1,T-2,…,1

求得最优匹配路段序列：X＝x₁→x₂→…→x_T。