共查询到16条相似文献,搜索用时 140 毫秒
1.
针对精度差、频率低的浮动车数据特点,给出了空间和拓扑约束下的最短路径浮动车数据地图匹配算法,基于不同采样频率的匹配结果证明算法准确度高。基于武汉市浮动车数据的匹配结果表明,算法具有高可靠性,可以用于浮动车数据的交通信息提取与特征挖掘。 相似文献
2.
提出了在大城市路网环境下快速确定海量浮动车数据匹配路段的方法。首先构建路网道路缓冲区,再对道路缓冲区地图进行栅格化处理,并构建空间位置与道路ID的索引,然后基于每个浮动车数据中的地理位置信息依据索引找出浮动车数据可能的匹配道路,最后对这些道路进行匹配度计算,确定浮动车数据的匹配道路。实验表明,该方法能显著减少每个浮动车数据需要计算匹配度道路的数量,成倍地提高海量浮动车数据道路匹配算法的效率。 相似文献
3.
浮动车地图匹配算法研究 总被引:3,自引:0,他引:3
针对现有浮动车地图匹配算法应用于城市复杂路网时面临的关键技术难点,本文基于浮动车数据,在 SuperMap GIS 平台下实现了城市交通路网的构建,并研究了一种浮动车地图匹配的新算法:基于网格的候选路段确定,基于距离、航向、可达性权重的定位点匹配及基于最短路径的行驶轨迹选择。算法能够满足浮动车地图匹配准确性与实时性的要求,为获取城市道路的交通拥堵状况信息提供可靠依据。 相似文献
4.
基于GPS轨迹数据的地图匹配算法 总被引:6,自引:0,他引:6
针对GPS浮动车轨迹数据具有整体运动趋势的特点,结合城市路网行车限制的约束,提出一种GPS轨迹数据的全局地图匹配方法,综合考虑轨迹曲线与路网路径的曲线相似性、实际行车的路段几何拓扑和交通管制约束下的连通性,实现较好的地图匹配效果,并通过实验进行验证,为GPS浮动车数据的进一步分析应用打下基础。 相似文献
5.
6.
7.
8.
9.
10.
针对低频(采样间隔大于1min)轨迹数据匹配算法精度不高的问题,提出了一种基于强化学习和历史轨迹的匹配算法HMDP-Q,首先通过增量匹配算法提取历史路径作为历史参考经验库;根据历史参考经验库、最短路径和可达性筛选候选路径集;再将地图匹配过程建模成马尔科夫决策过程,利用轨迹点偏离道路距离和历史轨迹构建回报函数;然后借助强化学习算法求解马尔科夫决策过程的最大回报值,即轨迹与道路的最优匹配结果;最后应用某市浮动车轨迹数据进行试验。结果表明:本文算法能有效提高轨迹数据与道路匹配精度;本算法在1min低频采样间隔下轨迹匹配准确率达到了89.2%;采样频率为16min时,该算法匹配精度也能达到61.4%;与IVVM算法相比,HMDP-Q算法匹配精度和求解效率均优于IVVM算法,16min采样频率时本文算法轨迹匹配精度提高了26%。 相似文献
11.
12.
着眼于低频浮动车轨迹数据,对地图匹配问题进行了抽象,并分析了影响匹配结果的几何约束与拓扑约束。针对GPS采样的低频性和城市路网的复杂性,提出了一种路网拓扑约束下的增量型地图匹配算法(topology-constrained incremental matching algorithm,TIM)。选取北京市浮动车的GPS样例轨迹数据进行匹配,结果表明,该匹配算法在不同复杂程度的城市路网下均表现较好。 相似文献
13.
In transportation, the trajectory data generated by various mobile vehicles equipped with GPS modules are essential for traffic information mining. However, collecting trajectory data is susceptible to various factors, resulting in the lack and even error of the data. Missing trajectory data could not correctly reflect the actual situation and also affect the subsequent research work related to the trajectory. Although increasing efforts are paid to restore missing trajectory data, it still faces many challenges: (1) the difficulty of data restoration because traffic trajectories are unstructured spatiotemporal data and show complex patterns; and (2) the difficulty of improving trajectory restoration efficiency because traditional trajectory interpolation is computationally arduous. To address these issues, a novel road network constrained spatiotemporal interpolation model, namely Traj2Traj, is proposed in this work to restore the missing traffic trajectory data. The model is constructed with a seq2seq network and integrates a potential factor module to extend environmental factors. Significantly, the model uses a spatiotemporal attention mechanism with the road network constraint to mine the latent information in time and space dimensions from massive trajectory data. The Traj2Traj model completes the road-level restoration according to the entire trajectory information. We present the first attempt to omit the map-matching task when the trajectory is restored to solve the time-consuming problem of map matching. Extensive experiments conducted on the provincial vehicle GPS data sets from April 2018 to June 2018 provided by the Fujian Provincial Department of Transportation show that the Traj2Traj model outperforms the state-of-the-art models. 相似文献
14.
15.
为识别城市交通中的频繁路径,本文提出了一种出租车轨迹数据的频繁轨迹识别方法。该方法首先对轨迹数据进行轨迹压缩,以降低计算复杂度;然后基于最长公共子序列和动态时间规整算法进行轨迹相似性度量计算,利用计算得到的轨迹间相似度生成距离矩阵;最后将生成的距离矩阵结合HDBSCAN算法进行聚类得到频繁轨迹。选取厦门岛内两个区域进行试验分析,结果表明,该方法能够识别出轨迹数据集中的频繁轨迹,进而得到城市区域之间通行的频繁路径,对道路规划、路径优化与推荐、交通治理等应用提供帮助。 相似文献
16.
路网更新的轨迹-地图匹配方法 总被引:2,自引:2,他引:0
全面准确的路网信息作为智慧城市的重要基础之一,在城市规划、交通管理以及大众出行等方面具有重要意义和价值。然而,传统的基于测量的路网数据获取方式往往周期较长,不能及时反映最新的道路信息。近几年,随着定位技术在移动设备的广泛运用,国内外学者在研究路网信息获取时逐渐将视野转向移动对象的轨迹数据中所蕴含的道路信息。当前,基于移动位置信息的路网生成和更新方法多是直接面向全部轨迹数据施加道路提取算法,在处理大规模轨迹或者大范围道路时,计算量极大。为此,本文基于轨迹地图匹配技术,提出一种采用"检查→分析→提取→更新"过程的螺旋式路网数据更新策略。其主要思想是逐条输入轨迹,借助HMM地图匹配发现已有路网中的问题路段,进而从问题路段周边局部范围内的轨迹数据中提取并更新相关道路信息。该方法仅在局部范围内利用少量轨迹数据来修复路网,避免了对整个轨迹数据集进行计算,从而有效减少了计算量。基于OpenStreetMap的武汉市区路网数据以及武汉市出租车轨迹数据的试验表明,本文提出的路网更新方法不仅可行,而且灵活高效。 相似文献