CN110986965A - 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 - Google Patents
基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 Download PDFInfo
- Publication number
- CN110986965A CN110986965A CN201911192221.2A CN201911192221A CN110986965A CN 110986965 A CN110986965 A CN 110986965A CN 201911192221 A CN201911192221 A CN 201911192221A CN 110986965 A CN110986965 A CN 110986965A
- Authority
- CN
- China
- Prior art keywords
- value
- observation
- state value
- candidate state
- probability
- 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.)
- Pending
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)
- Navigation (AREA)
Abstract
本发明提供一种基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法,包括对路网中的每一个道路结点,计算到其他所有结点的最短路径;设δk(j)反映从第k‑1个观测值的各个候选状态值中,转移到第k个观测值的第j个候选状态值的最大概率,ψk(j)为产生最大概率的候选状态值的序号;对第1个观测值g1,对于第候选状态值计算观测概率o1(j),然后计算相应初始的δ1(i)和ψ1(i);依次对于第k个观测值,求解第j个候选状态值的观测概率ok(j),并求转移概率tk‑1,k(i,j),然后计算δk(j),ψk(j);当k=N时,基于第N个观测值的所有候选状态值,求解其中表示所有候选状态值相应δN(j)中最大值,就表示相应的j值;依次向前查找,求得每一个观测值的状态值,得到轨迹的路网匹配结果。本发明可以有效地对低频采样地浮动车数据进行正确匹配。
Description
技术领域
本发明属于自动化路网轨迹匹配技术领域,尤其涉及低频浮动车轨迹数据的路网匹配方法。
背景技术
随着智能交通***和智能城市的不断发展,出租车通常配备有GPS接收器以实时定位它们,也被称为浮动车。从这个意义上说,浮动车数据由一个城市的大量出租车历史轨迹组成,然后可以为智能交通***中的各种基于位置的服务提供重要的数据源。具体而言,浮动车数据可用于定位,旅行时间估计和交通预测。然而,5到10米的GPS设备的错误本身就存在,特别是在分布有高层建筑的城市环境中。这可能在很大程度上导致浮动车轨迹与相应的道路网络之间的不匹配,即汽车似乎在道路外而不是在道路上行驶。因此,需要处理浮动车数据以使轨迹与相应的道路匹配,并且该过程被称为“地图匹配”。
近几十年来,已经开发了许多关于开发地图匹配方法或技术的研究。一般将这些方法归纳为四种类型:基于几何的方法,基于拓扑的方法,基于概率的方法和基于高等数学理论的方法。基于几何的方法主要涉及道路网络和轨迹的几何特征,如点对点、点到点和线到线方法,以及其他针对大规模浮动车数据提出了基于复杂性数学理论的方法。这种类型的方法易于并行化因而具有很高计算效率,但由于忽略了拓扑信息,在路网高密度区会非常不稳定,并容易受到异常值的干扰。基于几何的方法中始终忽略拓扑信息,这可能会在某些复杂场景(如立交桥结构)中导致混淆或不合理的不匹配。基于拓扑的方法致力于解决这一问题,这类方法强调浮动车数据和道路网络之间的拓扑关系,包括拓扑加权方法、简单地图匹配方法、增强地图匹配方法和加权地图匹配方法。这些方法通过将道路网络视为图形结构来合并拓扑信息。然而,它们通常在高采样率浮动车数据下表现更好,在低采样率下匹配正确率较低。基于概率的方法将GPS位置视为随机变量,将轨迹视为随机过程。隐马尔可夫模型经常用于这些方法中。值得注意的是,基于隐马尔可夫模型的方法完全表现良好。通过考虑几何和拓扑信息来赋予它们权力,并且不需要训练数据。然而,它们可能受到标注偏置问题的影响,并且由于成对最短路径的计算而计算成本昂贵。此外,一些先进的数学和人工智能理论被用于地图匹配,如模糊逻辑,神经网络,卡尔曼滤波器,粒子滤波器和D-S证据理论这种基于深度学习的方法通常需要大型训练数据集来进行逐点匹配,即使将道路顶点作为训练数据的一部分,也难以练习。此外,将轨迹数据视为随机过程而不是独立且相同分布的随机变量的简单集合是合理的。从这个意义上讲,隐马尔可夫模型可能是一个更好的候选者,它不需要庞大的训练数据集,并将轨迹信息作为一个整体过程。
浮动车数据的采样频率可能主要影响地图匹配结果。通常,低采样频率对于地图匹配是不利的。然而,只能由于硬件和成本限制,低采样频率的浮动车数据则更为常见,采样率一般为1/60~1/120s-1。因此针对这种实际条件,提供更具有实用性的技术方案,是本领域亟待解决的问题。
发明内容
本发明提出了一种改进的基于隐马尔可夫模型的路网匹配方法,该方法涉及低采样频率的浮动车数据的轨迹方向。
为了解决低频浮动车数据路网匹配问题中由于采样率低引起的匹配率下降的问题,本发明提供一种基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法,包括以下步骤:
步骤1,对路网中的每一个道路结点,计算其到其他所有结点的最短路径,记录在一个二维矩阵D中;
步骤2,设δk(j)反映从第k-1个观测值的各个候选状态值中,转移到第k个观测值的第j个候选状态值的最大概率,ψk(j)为产生最大概率的候选状态值的序号;对第1个观测值g1,在与其相距为d0的路段上找到与g1最近的点,组成g1的候选状态值集合C(g1),对于其中第j个候选状态值,计算其观测概率o1(j),然后计算相应初始的δ1(i)和ψ1(i);其中,d0为预设的距离参数;
步骤3,依次对于第k个观测值,k=2,3,…,N,求解第j个候选状态值的观测概率ok(j),并求第k-1个观测值的第i个候选状态值到当前候选状态值的转移概率tk-1,k(i,j),然后对第k个观测值计算δk(j),ψk(j);
而且,在步骤2和步骤3中,观测概率计算如下,
ok(j)=Pp(x=x0|gk)Pr(xr=rr|gr)
式中,Pp(x=x0|g)为位置条件概率,Pr(xr=rr|gr)为方向条件概率,x是状态值的位置,x0指某一个候选状态值的位置,xr是状态值的方向即所在路段的方向,rr是候选状态值x0所在路段的方向,gk是GPS观测值的位置,gr是该观测值的方向,μd和σd分别是观测值位置所服从的正态分布的均值和标准差,μr和σr分别是观测值方向所服从的正态分布的均值和标准差,函数d(x,g)计算状态值x和观测值g之间的距离,函数θ(xr,gr)计算状态值方向xr和观测值方向gr之间的差值。
而且,在步骤3中,转移概率计算如下,
其中,xk-1,i是第k-1个观测值的第i个候选状态值的位置,xk,j是第k个观测值的第j个候选状态值的位置,函数d(xk-1,i,xk,j)计算位置xk-1,i和位置xk,j之间的距离;函数sp(xk-1,i,xk,j)计算位置xk-1,i和位置xk,j的最短路径距离。
而且,步骤2中,计算δ1(j)和ψ1(j)如下,
δ1(j)=o1(j)
ψ1(j)=0
其中,j=1,2,…,M1,M1是第1个观测值的候选状态值的数量。
而且,步骤3中,计算δk(j),ψk(j)如下,
其中,i=1,2,…,Mk-1,j=1,2,…,Mk,Mk-1是第k-1个观测值的候选状态值数量,Mk是第k个观测值的候选状态值数量,δk-1(i)表示第k-2个观测值的各个候选状态值中,转移到第k-1个观测值的第i个候选状态值的最大概率。
本发明借助浮动车数据中的方向和路网拓扑信息,可以有效提高路网匹配的准确率,包括基于隐马尔科夫模型,以方向和距离计算观测概率,利用路网距离和欧氏距离的关系计算转移概率,避免了部分标签偏差问题,在降低计算成本和减轻道路网络中拓扑错误的影响方面显示出明显的优势。在有良好拓扑关系地路网数据上,可以有效地对低频采样地浮动车数据进行正确匹配。
附图说明
图1是本发明实施例的路网匹配方法流程图。
图2是本发明实施例的路网拓扑处理方法流程图。
具体实施方式
以下结合附图和实施例具体说明本发明的技术方案。
本发明主要基于概率论,考虑GPS观测的位置和方向及接收设备误差的特点,以及路网路段间的拓扑关系,提出的一种适用于低频浮动车轨迹数据路网匹配方法。本方法充分考虑了浮动车行驶特点,通过考虑其位置、方向和路网拓扑关系计算各候选匹配点的概率,并选取概率最大者作为最终匹配结果。通过本发明获得的结果准确率更高,更加可靠。
本发明提供的方法能够用计算机软件技术实现自动运行流程。参见图1,实施例以武汉市某辆出租车某一条轨迹的路网匹配对本发明的流程进行具体的阐述,该条轨迹共8个观测值,所用路网数据是在OpenStreetMap网站上下载的路网数据。实施例提供的一种基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法,实现过程如下:
步骤1,对获取到的路网数据进行拓扑清理。
实施例中,预先对获取到的路网数据进行拓扑清理,有利于提高匹配精度。主要清理方法如图2所示,实施例具体的实施过程说明如下:
首先,输入路网后,去除冗余道路,清除出租车不可能达到的路段,如“台阶”、“天桥”、“人行道”、“自行车道”等;然后,判断是否还有拓扑错误,若是则对在同一层的所有路段进行互相打断;接下来,去除伪节点,并找到所有包含悬点的路段;随后,对在不同层的道路进行互相打断,如果一条路的一个端点落在了另一条路上,则将这两条路相互打断;然后,查找所有包含悬点的路段,将其延长或修剪以去除悬点;最后,提取路网的最大连通分量,作为最终的路网,在后续步骤2中可以生成距离矩阵并输出。
悬点在图论中指只有一条边与之相连的点。路网中一般指的是一条线A的一个端点,它本应落在另一条线B上,但是由于编辑错误落在了线B外。因此本发明提出去除悬点。步骤2,对路网中的每一个道路结点,计算其到其他所有结点的最短路径,记录在一个二维矩阵D中。
实施例具体的实施过程说明如下:
新建一个图结构G=(V,E),其中V为节点集合,E为边集合。对每一条道路r,获取其起点vs和终点ve,若vs或ve不在V中则将其添加到V中;若该道路为双向道路,则在G中增加一条边e=(vs,ve)以及一条边e=(ve,vs);若该道路为单向道路,则在G中增加一条边e=(vs,ve)。对所有道路处理完成后,使用iGraph开源库求解V中每个节点vi到其他所有节点的最短路径距离。节点vi到节点vj的距离值记录在矩阵D的第i行j列中。
步骤3,对轨迹中第1个观测值g1,在与其相距为d0的路段上找到与g1最近的点,组成g1的候选状态值集合C(g1),对于其中第j个候选状态值,计算其观测概率o1(j)。然后计算δ1(j)和ψ1(j)。
实施例中,δk(j)反映从第k-1个观测值的各个候选状态值中,转移到第k个观测值的第j个候选状态值的最大概率,ψk(j)为产生最大概率的候选状态值的序号;特别地,当k=1时,δ1(j)表示第1个观测值g1的第j个候选状态值发生的概率,ψ1(j)为0。本步骤对轨迹中第1个观测值g1,即k=1的情况,相应计算初始的δ1(j)和ψ1(j)。
对于第k个观测值的第i个候选状态值,按照下式计算其观测概率o(g1):
式中,Pp(x=x0|g)为位置条件概率,Pr(xr=rr|gr)为方向条件概率,x是状态值的位置,x0指某一个候选状态值的位置,xr是状态值的方向即所在路段的方向,rr是候选状态值x0所在路段的方向,gk是GPS观测值的位置,gr是该观测值的方向,μd和σd分别是观测值位置所服从的正态分布的均值和标准差,μr和σr分别是观测值方向所服从的正态分布的均值和标准差,函数d(x,g)计算状态值x和观测值g之间的距离,函数θ(xr,gr)计算状态值方向xr和观测值方向gr之间的差值。然后计算δ1(j)和ψ1(j):
其中,序号j=1,2,…,M1,M1是第1个观测值的候选状态值的数量。
实施例具体实施过程说明如下:
实施例中,距离参数d0设置为50m,σd设置为50,σr设置为20。对于第1个观测值g1,与其相距为d0的路段共有5条,分别记为r11,r12,r13,r14,r15,每条路上找到与g1最近的点,分别记为c11,c12,c13,c14,c15,对每个c1i分别根据公式(1)计算观测概率,得到o1(1),o1(2),o1(3),o1(4),o1(5),并根据公式(2)得到δ1(1),δ1(2),δ1(3),δ1(4),δ1(5)。
步骤4,对于第k(k=2,3,…,N)个观测值,按照步骤3中的公式(1)求解第j个候选状态值的观测概率ok(j),并根据下式求第k-1个观测值的第i个候选状态值到当前候选状态值的转移概率tk-1,k(i,j),然后对第k个观测值计算δk(j),ψk(j)。
其中,xk-1,i是第k-1个观测值的第i个候选状态值的位置,xk,j是第k个观测值的第j个候选状态值的位置,函数d(xk-1,i,xk,j)计算位置xk-1,i和位置xk,j之间的距离;函数sp(xk-1,i,xk,j)计算位置xk-1,i和位置xk,j的最短路径距离。
例如,函数sp(x1,x2)表示位置x1到x2的最短路径距离,若x1到其所在路段尾结点n1的路段距离为d1,x2到其所在路段首结点n2的路段距离为d2,n1到n2的最短路径距离为ds,则有
sp(x1,x2)=d1+ds+d2 (4)
然后对第k个观测值计算
其中,i=1,2,…,Mk-1,j=1,2,…,Mk,Mk-1是第k-1个观测值的候选状态值数量,Mk是第k个观测值的候选状态值数量,δk-1(i)表示第k-2个观测值的各个候选状态值中,转移到第k-1个观测值的第i个候选状态值的最大概率。
实施例具体实施过程说明如下:
对于第2个观测值g2,与其相距为d0的路段共有2条,分别记为r21,r22,每条路上找到与g2最近的点,分别记为c21,c22,对每个c2i分别根据公式(1)计算观测概率,得到o2(1),o2(2)。根据公式(3)计算第1个观测值的各个候选状态值到第2个观测值的各个候选状态值的转移概率如下:
则可根据公式(4)计算第2个观测值各个候选点的δ值和ψ值,分别为δ2(1),δ2(2)和ψ2(1),ψ2(2),其中ψ2(1)=1,ψ2(2)=2。
对于第3个观测值g3,与其相距为d0的路段共有4条,分别记为r31,r32,每条路上找到与g3最近的点,分别记为c31,c32,对每个c3i分别根据公式(1)计算观测概率,得到o3(1),o3(2)。根据公式(3)计算g2的各个候选状态值到g3的各个候选状态值的转移概率
则可根据公式(4)计算第2个观测值各个候选点的δ值和ψ值,分别为δ3(1),δ3(2),δ3(3),δ3(4)和ψ3(1),ψ3(2),ψ3(3),ψ3(4),其中ψ3(1)=2,ψ3(2)=2,ψ3(3)=2,ψ3(4)=2。
依次对第4、5、6、7、8个观测值的各个候选状态值计算δ值和ψ值,最终可得到
ψ4=[4 2 4 4]
ψ5=[3 3 3 3 3 3 3]
ψ6=[7 1 7 7 7 7]
ψ7=[6 6 6 6 6 6]
ψ8=[5 5]
其中,δ8=[0.336 0.664]。
其中,表示所有候选状态值相应δN(j)中最大值,就表示相应的j的值。所对应的出租车候选状态值,即作为第N个观测值的状态值。δN(i)反映从第N-1个观测值的各个候选状态值中,转移到第N个观测值的第j个候选状态值的最大概率。
实施例具体实施过程说明如下:
其中,k=N-1,N-2,…,1。即可求得各个点所对应的状态值。
实施例具体实施过程说明如下:
根据第8个观测值的状态值有可以得到第7个观测值的状态值为c75;根据第7个观测值的状态值有可以得到第6个观测值的状态值为c66;根据第6个观测值的状态值有可以得到第5个观测值的状态值为c57;根据第5个观测值的状态值有可以得到第4个观测值的状态值为c43;根据第4个观测值的状态值有可以得到第3个观测值的状态值为c34;根据第3个观测值的状态值有可以得到第2个观测值的状态值为c22;根据第2个观测值的状态值有可以得到第1个观测值的状态值为c12。
则该段轨迹的路网匹配结果为:c12,c22,c34,c43,c57,c66,c75,c82。
实施例中,流程可合理设置为,输入第1个出租车点后,对第一个点计算δ1(j)和ψ1(j),图1中简化δ1(j)记为计算δ1,然后判断是否还有下一个出租车点,若是则输入当前的第k个出租车点,对第k个出租车点计算δk(j),ψk(j),图1中简化记为计算δk,ψk,然后返回直到处理完所有出租车点,对第N个出租车点计算然后判断是否还有上一个出租车点,若是则根据第个点的值计算第个点的返回直到没有上一个出租车点,若否则说明处理完毕,输出所有对应的出租车点,
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法,其特征在于,包括以下步骤:
步骤1,对路网中的每一个道路结点,计算其到其他所有结点的最短路径,记录在一个二维矩阵D中;
步骤2,设δk(j)反映从第k-1个观测值的各个候选状态值中,转移到第k个观测值的第j个候选状态值的最大概率,ψk(j)为产生最大概率的候选状态值的序号;对第1个观测值g1,在与其相距为d0的路段上找到与g1最近的点,组成g1的候选状态值集合C(g1),对于其中第j个候选状态值,计算其观测概率o1(j),然后计算相应初始的δ1(i)和ψ1(i);其中,d0为预设的距离参数;
步骤3,依次对于第k个观测值,k=2,3,…,N,求解第j个候选状态值的观测概率ok(j),并求第k-1个观测值的第i个候选状态值到当前候选状态值的转移概率tk-1,k(i,j),然后对第k个观测值计算δk(j),ψk(j);
2.根据权利要求书1所述基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法,其特征在于:在步骤2和步骤3中,观测概率计算如下,
ok(j)=Pp(x=x0|gk)Pr(xr=rr|gr)
式中,Pp(x=x0|g)为位置条件概率,Pr(xr=rr|gr)为方向条件概率,x是状态值的位置,x0指某一个候选状态值的位置,xr是状态值的方向即所在路段的方向,rr是候选状态值x0所在路段的方向,gk是GPS观测值的位置,gr是该观测值的方向,μd和σd分别是观测值位置所服从的正态分布的均值和标准差,μr和σr分别是观测值方向所服从的正态分布的均值和标准差,函数d(x,g)计算状态值x和观测值g之间的距离,函数θ(xr,gr)计算状态值方向xr和观测值方向gr之间的差值。
4.根据权利要求书1或2或3所述基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法,其特征在于:步骤2中,计算δ1(j)和ψ1(j)如下,
δ1(j)=o1(j)
ψ1(j)=0
其中,j=1,2,…,M1,M1是第1个观测值的候选状态值的数量。
6.根据权利要求书1或2或3所述基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法,其特征在于:预先对获取到的路网数据进行拓扑清理。
7.根据权利要求书4所述基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法,其特征在于:预先对获取到的路网数据进行拓扑清理。
8.根据权利要求书5所述基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法,其特征在于:预先对获取到的路网数据进行拓扑清理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911192221.2A CN110986965A (zh) | 2019-11-28 | 2019-11-28 | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911192221.2A CN110986965A (zh) | 2019-11-28 | 2019-11-28 | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110986965A true CN110986965A (zh) | 2020-04-10 |
Family
ID=70088132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911192221.2A Pending CN110986965A (zh) | 2019-11-28 | 2019-11-28 | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110986965A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783034A (zh) * | 2020-04-27 | 2020-10-16 | 南斗六星***集成有限公司 | 一种车云协同计算的排放路谱分析方法 |
CN111785012A (zh) * | 2020-04-27 | 2020-10-16 | 南斗六星***集成有限公司 | 一种车云协同计算的能耗路谱分析方法 |
CN111982141A (zh) * | 2020-07-31 | 2020-11-24 | 长安大学 | 一种面向低频车辆轨迹数据进行路径推断的方法、设备及存储介质 |
CN112033418A (zh) * | 2020-09-15 | 2020-12-04 | 四川大学 | 一种离线地图匹配方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105203116A (zh) * | 2015-08-25 | 2015-12-30 | 浙江工业大学 | 一种基于条件随机场和低采样频率浮动车数据的地图匹配方法 |
CN106595680A (zh) * | 2016-12-15 | 2017-04-26 | 福州大学 | 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法 |
CN106767873A (zh) * | 2016-12-30 | 2017-05-31 | 浙江大学 | 一种基于时空的地图匹配方法 |
CN109459045A (zh) * | 2018-09-29 | 2019-03-12 | 杭州电子科技大学 | 一种针对低频gps轨迹的改进交互式投票匹配方法 |
CN110095127A (zh) * | 2019-04-08 | 2019-08-06 | 西北大学 | 一种基于分段的隐马尔可夫模型地图匹配方法 |
CN110736471A (zh) * | 2019-09-24 | 2020-01-31 | 武汉大学 | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 |
-
2019
- 2019-11-28 CN CN201911192221.2A patent/CN110986965A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105203116A (zh) * | 2015-08-25 | 2015-12-30 | 浙江工业大学 | 一种基于条件随机场和低采样频率浮动车数据的地图匹配方法 |
CN106595680A (zh) * | 2016-12-15 | 2017-04-26 | 福州大学 | 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法 |
CN106767873A (zh) * | 2016-12-30 | 2017-05-31 | 浙江大学 | 一种基于时空的地图匹配方法 |
CN109459045A (zh) * | 2018-09-29 | 2019-03-12 | 杭州电子科技大学 | 一种针对低频gps轨迹的改进交互式投票匹配方法 |
CN110095127A (zh) * | 2019-04-08 | 2019-08-06 | 西北大学 | 一种基于分段的隐马尔可夫模型地图匹配方法 |
CN110736471A (zh) * | 2019-09-24 | 2020-01-31 | 武汉大学 | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783034A (zh) * | 2020-04-27 | 2020-10-16 | 南斗六星***集成有限公司 | 一种车云协同计算的排放路谱分析方法 |
CN111785012A (zh) * | 2020-04-27 | 2020-10-16 | 南斗六星***集成有限公司 | 一种车云协同计算的能耗路谱分析方法 |
CN111785012B (zh) * | 2020-04-27 | 2022-02-11 | 南斗六星***集成有限公司 | 一种车云协同计算的能耗路谱分析方法 |
CN111783034B (zh) * | 2020-04-27 | 2024-04-02 | 南斗六星***集成有限公司 | 一种车云协同计算的排放路谱分析方法 |
CN111982141A (zh) * | 2020-07-31 | 2020-11-24 | 长安大学 | 一种面向低频车辆轨迹数据进行路径推断的方法、设备及存储介质 |
CN112033418A (zh) * | 2020-09-15 | 2020-12-04 | 四川大学 | 一种离线地图匹配方法 |
CN112033418B (zh) * | 2020-09-15 | 2023-05-12 | 四川大学 | 一种离线地图匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110736471B (zh) | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 | |
CN110260870B (zh) | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 | |
CN110986965A (zh) | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 | |
CN109405839B (zh) | 一种基于多路径的交通网络离线地图匹配算法 | |
CN110095127B (zh) | 一种基于分段的隐马尔可夫模型地图匹配方法 | |
CN109459045B (zh) | 一种针对低频gps轨迹的改进交互式投票匹配方法 | |
CN110631594B (zh) | 基于复杂轨迹网络划分模型的离线地图匹配方法和*** | |
CN111189459B (zh) | 一种定位信息与道路匹配的方法和装置 | |
CN112632202B (zh) | 一种基于高阶隐马尔可夫模型的动态地图匹配方法 | |
CN109059939A (zh) | 基于隐马尔科夫模型的地图匹配算法 | |
CN113190636B (zh) | 海上路网构建方法及*** | |
CN114450557B (zh) | 路线偏差量化及基于此的车辆路线学习 | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
KR101878617B1 (ko) | 궤적 데이터 처리 방법 및 궤적 데이터 처리 시스템 | |
CN115265555A (zh) | 基于隐马尔科夫的多噪声感知的地图匹配校正方法及*** | |
CN115600733A (zh) | 一种船舶航迹预测方法及装置 | |
Dogramadzi et al. | Accelerated map matching for GPS trajectories | |
CN113932821A (zh) | 基于连续窗口平均方向特征的轨迹地图匹配方法 | |
CN113587944A (zh) | 准实时的车辆行驶路线生成方法、***及设备 | |
Meng et al. | Trajectory prediction for automated vehicles on roads with lanes partially covered by ice or snow | |
CN114993325A (zh) | 一种车辆gps地图道路匹配方法、装置及存储介质 | |
Li et al. | Personalized trajectory prediction for driving behavior modeling in ramp-merging scenarios | |
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 | |
CN115631082B (zh) | 一种基于高速路网拓扑结构的多场景路径还原方法 | |
CN113465613B (zh) | 一种城市轨道交通中隧道网络定位的地图匹配优化方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |