系统.基于道路缓冲区分析的地图匹配算法*

针对目前城市交通中对浮动车数据匹配实时性差和匹配率不高的缺点,提出一种利用道路缓冲区的大规模GPS数据的地图匹配算法。在综合考虑GPS定位点精度以及道路宽度的基础上,构建道路缓冲区区域,通过分析道路缓冲区区域与路网中道路的对应关系以及GPS定位点与道路缓冲区区域之间的位置关系,确定GPS定位点所在的匹配道路。实验证明,算法不仅匹配率高,而且实时性强,在大GPS数据量下能较快地完成匹配过程,满足实际工程应用的要求。     

浮动车信息处理技术研究

概括了浮动车技术的基本原理,重点介绍了浮动车信息处理系统的处理流程及地图匹配、路径推测和路况信息计算方法。针对GPS数据精度差、路网结构复杂等影响浮动车信息处理准确性提升的问题,给出了一系列改进型研究工作。最后,给出了评估浮动车信息处理准确性的方法,并指出了浮动车信息处理技术的后续工作。     

基于MapObjects的浮动车中心地图匹配综合算法开发

浮动车技术是一种新型交通流信息采集技术。以杭州市浮动车中心地图匹配算法开发为例,对地图匹配算法的实现步骤、组成进行了分析,基于MapObects组件技术,给出了部分功能的具体实现方法。     

基于浮动车数据的道路单向限行状态动态识别

交通道路的单向限行状态识别可以为社会公众提供及时准确的路网限行信息,提高公众出行效率,提升动态交通信息服务水平。提出了一种基于浮动车数据的道路单向限行状态动态识别算法。该算法首先获取地图线要素信息,并进行空间信息网格对交通道路的投影匹配预处理,实现海量浮动车数据的快速匹配;然后分析各道路的浮动车数据方向信息的统计特性,对其进行双阈值信息过滤和方向信息过滤处理,以动态提取交通道路的单向限行状态信息。经实际路网测试验证,该算法可有效识别道路的单向限行状态信息。     

一种面向高架区域的GPS导航地图匹配算法

对于包含高架的城市路网,传统的GPS导航地图匹配算法准确率较低。为了弥补传统算法的不足,提出了一种面向高架区域的地图匹配算法。同时为了保证算法实时性,提出了一种常数时间网格索引方法,快速返回导航点邻域的路段集合;为了提高高架区域的导航匹配精度,提出了采用夹角、距离、高程、可达性四种输入参数的模糊推理方法。该算法通过在杭州市中河高架区域的实验结果表明,其相对于基准方法表现出更高的精度。     

基于浮动网格的路段检索方法

地图匹配是将车辆原始的GPS轨迹数据映射到实际道路网络上的过程,其中为GPS轨迹点检索候选路段是地图匹配的首要环节,然而不同的候选路段检索方式会直接影响地图匹配的准确性和效率.本文针对城市路网环境下的低频采样GPS轨迹数据,提出了一种基于浮动网格的路段检索方法.该方法利用GeoHash网格编码,采用浮动GeoHash网格的方式,为轨迹点检索候选路段.其次为了验证方法的可行性,本文通过隐马尔可夫模型,结合道路网络的拓扑结构以及轨迹的时空约束条件,采用增量的方式,利用维特比算法计算得到局部最优解.最后使用贪心策略,从已经得到的局部最优解中依次延伸得到全局最佳匹配路径.     

一种基于GPS终端的地图匹配方法

提出了一种复杂度低、实时性好、匹配准确率高的综合地图匹配方法。该方法综合基于权重度量值和曲线拟合的地图匹配思想,并结合路网拓扑信息,提供实时准确的车辆位置信息,可应用于车辆监控、实时交通信息采集、车辆导航。还提出了车辆位置相关的弧投影算法和GPS信号无效时的航位推算算法。     

浮动车信息处理系统关键技术的研究

本文介绍了智能交通领域中一种先进的交通信息采集发布系统-浮动车信息系统。浮动车使用GPS车载装置采集车辆的行驶参数(如时间、速度、坐标、方向等),并将这些数据通过GPRS网络传送到浮动车信息中心,经过汇总、处理后生成实时的路况交通信息,并通过互联网和GPRS、CDMA网络向公众发布。本文提出了浮动车信息处理的核心算法模型,主要包括地图匹配、路径推测和道路路况计算三部分,并分别对这些算法进行了详细描述。     

基于新道路发现的GIS地图更新算法

针对导航系统中电子地图的更新代价大、耗时长的问题,结合浮动车的历史GPS轨迹信息匹配到当前电子地图中时匹配时效的情形,提出了一种基于失效数据筛选的新道路判定和电子地图更新算法。首先,通过计算全部失效点的横纵跨度判断行驶轨迹的主方向。其次,通过飘逸筛选,剔除可能由于车载GPS采集设备因故障而产生的定位失准数据点组;利用基于直线的最小二乘法,对匹配失效的异常轨迹进行线性拟合,以确定轨迹的位置和方向;通过角度筛选,剔除误差较大的定位数据点组。最后,将筛选所得新道路的轨迹数据进行融合并排序,结合电子地图的路网结构,根据新道路的路段端点的匹配结果,将新道路插入到当前GIS电子地图的路网中。通过在某城市局部区域的电子地图路网数据上进行实验,结果表明该方法能够准确地判定和筛选新增道路,并将其正确地插入到电子地图的当前路网结构中。     

基于隐马尔可夫模型的有向地图匹配算法研究

地图匹配是指将GPS轨迹映射到真正路网上,获取实际道路上位置的过程。然而,传统的地图算法在处理低频采样数据时(例如,每1~2 min一个采样点)仍然面临着巨大的挑战,此外,这些算法通常是在简单的路网下进行的,并没有考虑道路的双向交通网络。针对这些问题,提出了一种基于隐马尔可夫模型的有向地图匹配算法(DHMM),该算法充分考虑GPS轨迹与道路的相关性以及相邻GPS数据点间的几何特征。结合福州地区真实的出租车轨迹数据,将DHMM算法与点到线(P-L)算法和HMM算法进行比较。实验结果表明,DHMM地图匹配算法在低频和复杂的路网下(复杂的路网由双向道路组成,考虑了道路的方向)匹配准确率均优于P-L、HMM算法。     

基于条件随机场和低采样率浮动车数据的地图匹配算法

提出了一种基于条件随机场和低采样率浮动车数据的地图匹配算法。首先建立道路网络模型,在此基础上,计算GPS观测点可能匹配的候选投影点集合以及集合中每一个候选投影点的观测概率,再计算相邻GPS观测点的候选路径集合以及每两个相邻候选投影点之间的传递概率;然后根据这些候选投影点和候选路径,在滑动窗口内,基于条件随机场模型应用前后向递归算法,计算每个候选投影点的概率权重值;最后根据概率权重值,选取GPS观测点的最佳匹配投影点。该算法(FB-MM)在低采样率的情况下,综合考虑了道路网络的拓扑结构和GPS观测点之间的关联信息,实现了较好的地图匹配效果。     

基于SparkStreaming的海量GPS数据实时地图匹配算法

浮动车GPS数据作为交通信息处理的基础,随着被监控车辆数量的高速增长,产生了海量GPS数据,对地图匹配提出了高挑战,为了解决传统匹配方法难以满足匹配效率和精度的不足,提出一种针对于海量GPS数据的实时并行地图匹配算法,能够同时保证较高匹配精度和运算效率。构建一种面向实时数据流的高效、准确实时地图匹配算法,首先通过引入速度、方向综合权重因子对依赖历史轨迹的离线地图匹配算法进行重构,进而引入Spark Streaming分布式计算框架,实现地图匹配算法的实时、并行运算,大幅提升实时地图匹配效率。实验结果表明,该算法在复杂路段的匹配准确率较常规拓扑匹配算法提高10%以上,整体匹配准确率达到95%以上;在匹配效率方面,较同等数量的单机服务器可提高效率4倍左右。实验结果表明,该算法在由11台机器组成的计算集群上实现8 000万个GPS数据点的实时地图匹配,证明了该算法可以完成城市地区的实时车辆匹配。     

考虑时空特性的动态权重实时地图匹配算法

针对当前实时地图匹配算法难以同时保证匹配高准确性和高实时性的问题,提出一种基于动态权重的实时地图匹配改进算法。首先,算法考虑了相邻全球定位系统（GPS）轨迹点在时间、速度和方向上的约束关系,以及道路网拓扑结构,并基于时空特性分析,建立了距离权重、方位权重、方向权重和连通性权重组成的权重模型;然后,根据GPS轨迹点自身属性信息,建立了动态权重系数模型;最后,根据置信度水平选择最佳匹配路段。用三条总长36 km的重庆城市公交车行驶轨迹进行测试,结果显示：所提算法平均匹配正确率达到97.31%,单个轨迹点匹配平均延迟为17.9 ms。新算法匹配正确率和实时性较高,在Y形路口和平行路段的匹配效果上优于对比算法。     

基于动态加权的城市路网地图匹配算法

针对密集且复杂的城市路网提出了一种基于动态加权的几何地图匹配算法,将采集的原始GPS车辆轨迹点进行校正,并将其精确定位到数字地图中的实际路段上.在匹配过程中,将数字地图按网格进行划分,根据待匹配GPS点所在的网格的经纬度范围确定匹配候选路段集;分别使用待匹配GPS点的投影距离、航向夹角和轨迹夹角,通过动态加权算法从候选路段集中查找最佳匹配路段,并获得待匹配GPS点的校正坐标,其中动态加权算法中使用的权值系数在匹配过程中根据待匹配GPS点动态计算获取;最后进行动态加权和固定加权几何地图匹配仿真实验,结果表明,所提算法优于固定权值匹配算法.     

动态路径优化交通流控制及其仿真实现

依托分布式数据库,实时采集GPS浮动车数据,通过聚类分析等算法实现数据优化及异常筛选,从而降低数据传输、存储和计算消耗。结合GIS系统及实例,探索动态特征交通流等优化交通构造的新模型,并仿真实现基于改进平均速度加权算法的交通流状态判定,以及基于改进图论路径选择算法的实时城市道路通行分析,最终通过信息反馈指引车辆在路网中的分布以减轻交通压力。     

面向实际道路网络的浮动车采样间隔优化方法

目前基于浮动车的城市交通信息采集通常采用等间距进行采样,无法根据道路网络几何条件和状态的差异进行合理的采样间隔优化.针对现有采样算法的不足,本文提出了一种面向实际道路网络的浮动车采样间隔优化方法.首先通过构建四叉树模型对城市道路网络进行划分,确定空间采样分辨率,然后利用历史轨迹对浮动车的速度进行短时预测,最后在不影响空间采样分辨率的基础上实时动态优化采样间隔,在交通信息的精度与信息的采集成本之间取得平衡.通过仿真试验的定性定量分析,新算法能够在不同复杂程度的道路网络情况下动态调整采样间隔,不仅确保了采样数据的精度,而且降低了采样数据容量.     

路网匹配算法综述

路网匹配是基于位置服务中的关键预处理步骤,它将GPS轨迹点匹配到实际路网上。以此为基础对数据进行分析和挖掘,能够辅助解决城市计算中相关问题,例如建立智能交通系统,协助用户规划出行。本文对国内外学者在该研究领域取得的成果进行了分类总结,发现这些匹配算法可以较好地解决高采样率的路网匹配问题。但是随着城市交通的快速发展,获取和处理车辆位置信息的成本不断提高,低频采样点越来越多,现有算法匹配精确度大大下降。于是近几年,出现基于隐马尔科夫模型（Hidden Markov Model,HMM）的路网匹配算法。隐马尔可夫模型可以较为平滑地将噪声数据和路径约束进行整合,从有许多可能状态的路径中选择一条最大似然路径。重点总结了基于隐马尔科夫模型的路网匹配算法,主要是从特点与实验结果的角度对其进行对比总结,有的实验结果的正确率在一定条件下最高可以达到90%,说明了基于隐马尔可夫模型的路网匹配算法在低采样率下的有效性。最后对未来研究可能采取的方法进行了展望。