CN110081890B - 一种结合深度网络的动态k最近邻地图匹配方法 - Google Patents
一种结合深度网络的动态k最近邻地图匹配方法 Download PDFInfo
- Publication number
- CN110081890B CN110081890B CN201910438446.5A CN201910438446A CN110081890B CN 110081890 B CN110081890 B CN 110081890B CN 201910438446 A CN201910438446 A CN 201910438446A CN 110081890 B CN110081890 B CN 110081890B
- Authority
- CN
- China
- Prior art keywords
- error
- angle
- data
- value
- point
- 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
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
一种结合深度网络的动态k最近邻地图匹配方法,包括:步骤一、采集GPS数据,对GPS数据采集过程中出现的噪声进行数据清洗;步骤二、地图匹配获取实验数据中的距离误差和方向误差;步骤三、对多层感知机的输入数据进行归一化,将归一化的经纬度作为多层感知机模型的输入,训练多层感知机模型获取动态k值;步骤四、每个测试数据根据训练得到的k值与欧几里得距离进行结合,使用k最近邻域算法获得测试数据的预测距离误差和预测方向误差,继而得到相应测试点的投影点;步骤五、根据测试数据的经度、纬度以及预测距离误差和预测方向误差得出测试数据的投影点。本发明能够改善k最近邻算法存在的全局单一k值情况,获取到最佳误差值。
Description
技术领域
本发明属于地图匹配技术领域,涉及一种结合深度网络的动态k最近邻地图匹配方法。
背景技术
随着全球定位技术的发展和普及,越来越多的设备嵌入了GPS(global positionsystem)全球定位功能。这些设备每天能够收集到大量的移动位置数据,这些数据中蕴含着丰富的交通信息和用户行为,可以将这些数据应用到路线预测、GPS轨迹分析和活动识别等研究上。但是,由于数据采集过程中GPS***总会存在难以避免的误差(如卫星及其传播途径本身所产生的、无法测量或不能用校正模型计算的传播延时误差、用户接收机固有误差),导致获取到的GPS定位点与实际位置之间存在偏差。地图匹配的主要目的是在数字地图中将一系列轨迹点与道路网络相关联,以校正由于GPS定位误差而造成的位置偏移。
GPS定位点邻近区域之间具有相似性的特性,该特性主要是指邻近区域的GPS定位点之间的距离误差和方向误差由于干扰因素(环境、建筑物等)的相近性而具有相似性,因此,将该特性与机器学习相结合,使得邻近区域之间的GPS定位点之间存在类关系,利用历史数据可将误差进行校正。现有的地图匹配算法,如基于几何的匹配算法、基于拓扑关系的匹配算法、基于概率统计的匹配算法和基于先进方法的匹配算法,主要根据定位数据前后有限个点构成的几何关系以及道路间的拓扑结构来进行匹配,很少利用大量的历史定位数据特性进行误差校正,因此,可以考虑根据邻近区域定位点误差具有相似性的特性,采用一种将多层感知机(MLP)与k最近邻域(kNN)算法相结合的定位数据误差校正方法。
发明内容
本发明的目的在于针对上述现有技术中的问题,提供一种结合深度网络的动态k最近邻地图匹配方法,通过训练多层感知机模型,使训练后的模型能为每一个定位数据生成一个k值,继而形成动态k值,改善k最近邻算法存在的全局单一k值情况,获取到最佳误差值。
为了实现上述目的,本发明采用的技术方案包括以下步骤:
步骤一、采集GPS数据,对GPS数据采集过程中出现的噪声进行数据清洗;
步骤二、数据准备;
2.1、对清洗后的GPS数据进行地图匹配;
2.2、求取GPS数据中原始点与匹配点之间的距离、方向差,作为距离误差和方向误差;
步骤三、训练多层感知机模型进行动态k值获取;
3.1、将清洗之后GPS数据中的经度、纬度进行归一化处理;
3.2、通过选取参数搭建多层感知机模型;
3.3、将归一化后的经度、纬度数据作为多层感知机模型的输入,将距离误差与不同k值条件下的最近邻域算法得到的误差进行比较,得到误差最小的k值,作为每个GPS点的标签,将误差最小的k值作为多层感知机模型的输出;
3.4、通过训练数据将多层感知机模型训练稳定后,为每一个测试数据预测一个相应的k值,进而形成动态k值校正方法;
步骤四、测试数据根据多层感知机模型训练得到的相应k值与欧几里得距离进行结合,使用k最近邻域算法获得测试点的距离误差和方向误差;
步骤五、根据测试数据的经度、纬度以及预测距离误差和预测方向误差得出测试数据的投影点,该点即为通过结合深度网络的动态k最近邻方法进行校正之后的结果。
所述的步骤一中在数据清洗时剔除的是超出范围、车辆在某段时间内GPS坐标无变化、格式错误和异常数据。
所述的步骤2.2中距离误差和方向误差的计算公式如下:
在上式中,(lon1,lat1),(lon2,lat2)分别为原始点和匹配点,dlon,dlat分别为将经度、纬度进行弧度制转换后的差值,distance为距离误差;
angle=原始点与匹配点之间的连线与正北方向的夹角
式中的angle为方向误差。
所述的步骤3.1中归一化处理的计算公式如下:
式中,MaxValue、MinValue为序列的最大值和最小值。
所述的步骤3.2中搭建多层感知机模型时设定参数内容如下:
MLP层数为3,包括一个输入层、一个隐藏层、一个输出层;
输入单元数为2,包括经度与纬度;
隐藏层单元数为100;
式中,vi为第i个隐藏单元的输出,c为隐层单元个数;
优化器为AdamOptimizer,学习率为0.0001;
20%作为测试数据,80%作为训练数据;
损失函数为均方误差;
训练方法为前向传播获得预测值与标签值的误差,反向传播更新网络参数。
所述的步骤3.4中标签类别的取值范围为1-10,将k值分为10类进行预测。
所述的步骤四中测试点的距离误差和方向误差的计算式如下:
angle_err=angle_north
if|head_angle′-head_angle|<45°or|head_angle′-head_angle-360°|<45°
式中,distancei为距离误差,dis_err为每个测试点的预测距离误差,angle_err表示方向误差,angle_north为满足航向角约束条件相似点校正前后点与正北方向的夹角的预测方向误差,head_angle表示某个邻近GPS点未匹配时的航向角,head_angle′表示某个邻近GPS点匹配后的航向角。
与现有技术相比,本发明具有如下的有益效果:现有的误差校正方法主要根据定位数据前后有限个点构成的几何关系以及道路间的拓扑结构来进行匹配,很少利用大量的历史定位数据特性进行误差校正,本发明首先,训练多层感知机模型,使得训练后的模型能够为每一个定位数据预测一个k值,形成动态k值,改善k最近邻算法存在的全局单一k值的情况;其次,通过基于几何的地图匹配方法获取每个定位点的距离误差和方向误差;最后,将k最近邻(k-Nearest Neighbor,kNN)算法与欧几里得算法(Euclidean Algorithm)结合获取学习到需要校正数据的误差,从而得到该点的投影点。本发明根据邻近区域定位点误差具有相似性的特性,采用一种将多层感知机(MLP)与k最近邻域(kNN)算法相结合的定位数据误差校正方法,实验中,使用真实的出租车轨迹数据对本发明提出的模型进行了充分验证。结果表明,本发明提出的模型较现有的误差校正模型具有较好的改善。
附图说明
图1原始定位点与匹配结果之间的误差图;
图2是邻近区域误差相似度图:(a)GPS定位点距离误差图;(b)GPS定位点方向误差;
图3是k值分布柱状图;
图4是多层感知机损失函数曲线图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
1、定义轨迹序列为T,T是一系列连续的GPS定位点p1,p2,...,pn,每个定位点包含经度(pi.lat)、纬度(pi.lon)、时间(pi.time)、速度(pi.velocity)、航向角(pi.path-angle)等特征。2、定义距离误差:假设Ri为定位点pi的匹配结果,则将Ri与pi之间的距离称为距离误差如图1所示。3、定义方向误差:假设Ri为定位点pi的匹配结果,则将Ri、pi间连线与正北方向沿顺时针的夹角称为方向误差如图1所示。4、定义邻近区域误差相似度:GPS定位点pi与相邻点pi-n,...,pi-1和pi+1,...,pm+1(其中m、n∈N*)的和之间具有相似性。参见图2,从图2(a)中可以看出相邻的GPS定位点的距离误差最为相近,从图2(b)中可以看出相邻的GPS定位点之间的方向误差最为相近。
本发明结合深度网络的动态k最近邻地图匹配方法具体包括以下步骤:
步骤一:数据清理;
由于GPS数据采集过程中具有噪声,所以需要对其进行数据清洗。对于超出西安市范围、车辆在某段时间内GPS坐标无变化、各种格式错误和异常的数据予以剔除。
步骤二:数据准备;
2.1、对GPS数据进行数据清洗的过程只是将异常数据进行剔除,GPS数据的定位误差依旧存在,因此对模型进行训练前需要对GPS数据进行地图匹配。
2.2、进行地图匹配后可以获取到匹配点,通过GPS原始点与匹配点之间的距离差、方向差作为距离误差和方向误差,距离误差和方向误差的表达式如下:
式中,(lon1,lat1),(lon2,lat2)分别为原始点和匹配点,dlon,dlat分别为将经度、纬度进行弧度制转换后的差值,distance为距离误差;
angle=原始点与匹配点之间连线与正北方向的夹角
式中angle为方向误差;
步骤三:训练多层感知机模型进行动态k值获取;
针对深度学习网络而言,输入数据的格式会影响模型的训练效果。对数据进行归一化,不仅可以加快梯度下降求解最优解的速度,还可以提高精度。本发明对多层感知机输入进行归一化的数学表达式如下,其中MaxValue、MinValue为序列的最大、最小值。
多层感知机(MLP)主要是在手写数字的识别上具有较优的效果,可以很好的对数字0-9进行判别。借鉴手写识别的原理将MLP从图像领域应用到交通领域并对其进行改进,表1中展示了MLP的参数设定。首先,根据表1中的参数设定搭建多层感知机,其次,将归一化后的经纬度作为多层感知机的输入,将实际误差与不同k值条件下kNN求得的误差比较得到最相近的k值作为每个定位点的标签,其中标签类别由如图3所示,取值范围为1-10,继而将k值分为10类进行预测。通过训练数据将多层感知机模型训练稳定后为每一个测试数据预测一个相应的k值,从而克服原始全局单一k值的不足,形成动态k值为误差校正做准备。
表1.多层感知机参数设定
步骤四:k最近邻域获取测试数据的预测距离误差和方向误差;
根据对匹配结果进行误差分析可知,相邻GPS定位点之间的距离误差、方向误差具有相似性,因此在动态k值的基础上利用该特征,以欧几里得距离(Euclidean Distance)为相似性衡量标准,两个定位点之间的欧几里得距离越小则两点之间的相似度越高,则认为两点之间的误差向量之间越存在相似性。每个测试数据根据模型训练得到的k值与欧几里得距离进行结合使用k最近邻域算法,获得距离误差和方向误差。距离误差和方向误差如下式所示:
angle_err=angle_north
if|head_angle′-head_angle|<45°or|head_angle′-head_angel-360°|<45°
式中,distancei为距离误差,dis_err为每个测试点的预测距离误差,angle_err表示方向误差,angle_north为满足航向角约束条件相似点校正前后点与正北方向的夹角的预测方向误差,head_angle表示某个邻近GPS点未匹配时的航向角,head_angle′表示某个邻近GPS点匹配后的航向角。
步骤五:根据测试数据的经度、纬度、预测距离误差和预测方向误差得出测试数据的投影点,该点即为通过结合深度网络的动态k最近邻方法进行校正之后的结果。
本发明提出采用将多层感知机(MLP)与k最近邻域(kNN)算法相结合的网络模型,将其用于校正定位误差。通过该网络模型,可以有效的改善k最近邻域算法进行误差校正时全局恒定k值使得GPS定位点未能获取到最佳误差值,影响校正结果。
本发明提出的混合模型与恒定k值kNN、MLP以及SVR进行对比。
参见图4,网络训练和测试的损失趋于减少,在20次迭代后收敛,表明模型被正确训练并且没有过拟合。利用MLP取得k值后,使用kNN方法求取校正误差,其与恒定k值kNN、MLP以及SVR对比结果如表2所示。从表2中分析可得,不管MLP还是SVR,直接以经纬度为输入获取校正误差的方法并无明显效果。采用最佳k值的kNN方法,有较大的改进结果,本发明提出的混合模型,在动态k值的基础上较恒定k值的方法有了进一步改善。
表2.不同模型误差校正结果对比均值标准差
原始误差 | 11.89833 | 21.77521 |
MLP回归误差 | 11.74524 | 20.75426 |
SVR回归误差 | 11.45269 | 20.45862 |
最佳k值下kNN误差 | 5.21216 | 11.41555 |
混合模型误差 | 5.03315 | 8.61773 |
以上所述仅仅是本发明的较佳实施例,并不用以对本发明做任何形式上的限定,本领域技术人员应当理解的是,在不脱离本发明精神和原则的前提下,本发明还可以进行若干简单的修改和替换,这些修改和替换也均会落入本发明由所提交权利要求划定的专利保护范围。
Claims (7)
1.一种结合深度网络的动态k最近邻地图匹配方法,其特征在于,包括以下步骤:
步骤一、采集GPS数据,对GPS数据采集过程中出现的噪声进行数据清洗;
步骤二、数据准备;
2.1、对清洗后的GPS数据进行地图匹配;
2.2、求取GPS数据中原始点与匹配点之间的距离、方向差,作为距离误差和方向误差;
步骤三、训练多层感知机模型进行动态k值获取;
3.1、将清洗之后GPS数据中的经度、纬度进行归一化处理;
3.2、通过选取参数搭建多层感知机模型;
3.3、将归一化后的经度、纬度数据作为多层感知机模型的输入,将距离误差与不同k值条件下的最近邻域算法得到的误差进行比较,得到误差最小的k值,作为每个GPS点的标签,将误差最小的k值作为多层感知机模型的输出;
3.4、通过训练数据将多层感知机模型训练稳定后,为每一个测试数据预测一个相应的k值,进而形成动态k值校正方法;
步骤四、测试数据根据多层感知机模型训练得到的相应k值与欧几里得距离进行结合,使用k最近邻域算法获得测试点的距离误差和方向误差;
步骤五、根据测试数据的经度、纬度以及预测距离误差和预测方向误差得出测试数据的投影点,该点即为通过结合深度网络的动态k最近邻方法进行校正之后的结果。
2.根据权利要求1所述结合深度网络的动态k最近邻地图匹配方法,其特征在于:在数据清洗时剔除的是超出范围、车辆在某段时间内GPS坐标无变化、格式错误和异常数据。
6.根据权利要求1所述结合深度网络的动态k最近邻地图匹配方法,其特征在于:所述的步骤3.4中标签类别的取值范围为1-10,将k值分为10类进行预测。
7.根据权利要求1所述结合深度网络的动态k最近邻地图匹配方法,其特征在于,所述的步骤四中测试点的距离误差和方向误差的计算式如下:
angle_err=angle_north
if|head_angle′-head_angle|<45°or|head_angle′-head_angle-360°|<45°
式中,distancei为距离误差,dis_err为每个测试点的预测距离误差,angle_err表示方向误差,angle_north为满足航向角约束条件相似点校正前后点与正北方向的夹角的预测方向误差,head_angle表示某个邻近GPS点未匹配时的航向角,head_angle′表示某个邻近GPS点匹配后的航向角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910438446.5A CN110081890B (zh) | 2019-05-24 | 2019-05-24 | 一种结合深度网络的动态k最近邻地图匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910438446.5A CN110081890B (zh) | 2019-05-24 | 2019-05-24 | 一种结合深度网络的动态k最近邻地图匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110081890A CN110081890A (zh) | 2019-08-02 |
CN110081890B true CN110081890B (zh) | 2023-02-03 |
Family
ID=67421688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910438446.5A Active CN110081890B (zh) | 2019-05-24 | 2019-05-24 | 一种结合深度网络的动态k最近邻地图匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110081890B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111879305B (zh) * | 2020-06-16 | 2022-03-18 | 华中科技大学 | 一种面向高危生产环境的多模态感知定位模型与*** |
CN112967296B (zh) * | 2021-03-10 | 2022-11-15 | 重庆理工大学 | 一种点云动态区域图卷积方法、分类方法及分割方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5774831A (en) * | 1996-12-06 | 1998-06-30 | Gupta; Surender Kumar | System for improving average accuracy of signals from global positioning system by using a neural network to obtain signal correction values |
CN103983263A (zh) * | 2014-05-30 | 2014-08-13 | 东南大学 | 一种采用迭代扩展卡尔曼滤波与神经网络的惯性/视觉组合导航方法 |
DE102016210032A1 (de) * | 2016-06-07 | 2017-12-07 | Robert Bosch Gmbh | Verfahren Vorrichtung und System zur Falschfahrererkennung |
CN106441316B (zh) * | 2016-09-08 | 2020-09-01 | 复旦大学 | 一种基于历史数据的单点路网匹配方法 |
WO2018094375A1 (en) * | 2016-11-21 | 2018-05-24 | Nio Usa, Inc. | Method and system for vehicle data optimization |
-
2019
- 2019-05-24 CN CN201910438446.5A patent/CN110081890B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110081890A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109405839B (zh) | 一种基于多路径的交通网络离线地图匹配算法 | |
CN106912018B (zh) | 基于信令轨迹的地图匹配方法及*** | |
CN109459045B (zh) | 一种针对低频gps轨迹的改进交互式投票匹配方法 | |
CN102707276B (zh) | 基于目标拓扑信息的ais与雷达航迹抗差关联算法 | |
CN109708638B (zh) | 一种船舶轨迹点提取方法 | |
CN111291790B (zh) | 一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法 | |
CN106441316B (zh) | 一种基于历史数据的单点路网匹配方法 | |
CN110081890B (zh) | 一种结合深度网络的动态k最近邻地图匹配方法 | |
WO2021208110A1 (zh) | 车道线识别异常事件确定方法、车道线识别装置及*** | |
CN111121791A (zh) | 隐马尔可夫模型在地图匹配中的优化方法及gps定位方法 | |
CN115265555B (zh) | 基于隐马尔科夫的多噪声感知的地图匹配校正方法及*** | |
CN112612862A (zh) | 一种基于点云配准的栅格地图定位方法 | |
CN109033239B (zh) | 一种基于最小二乘优化的路网结构生成方法 | |
CN113932821A (zh) | 基于连续窗口平均方向特征的轨迹地图匹配方法 | |
Hashemi | Automatic inference of road and pedestrian networks from spatial-temporal trajectories | |
CN114705193A (zh) | 一种基于海事大数据的船舶导航路径规划方法及*** | |
CN114137562B (zh) | 一种基于改进全局最邻近的多目标跟踪方法 | |
CN113581260B (zh) | 一种基于gnss的列车轨道占用判别方法 | |
Chen et al. | Tailored hidden Markov model: A tailored hidden Markov model optimized for cellular-based map matching | |
CN116975184A (zh) | 一种车辆轨迹数据处理方法、装置、设备和可读存储介质 | |
CN113295173A (zh) | 环形路段的地图匹配方法 | |
CN110647877B (zh) | 一种基于神经网络的立体交通设施定位纠偏方法及装置 | |
CN115905434B (zh) | 一种基于学习插值预测的道路网轨迹补全方法 | |
US11113292B2 (en) | Feature data storage apparatus and driving feature and distribution databases | |
Jafarlou et al. | Improving Fuzzy-logic based map-matching method with trajectory stay-point detection |
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 | ||
GR01 | Patent grant |