浮动车地图匹配算法研究

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。     

利用地图栅格化的海量浮动车数据道路匹配快速算法

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。     

一种基于空间语义特征的浮动车轨迹匹配技术

针对浮动车轨迹数据挖掘中的空间语义分析问题, 阐述了传统的电子导航地图匹配方法用于浮动车轨迹地图匹配时的主要问题, 提出了基于空间语义特征的浮动车轨迹匹配算法, 并结合实际数据进行了试验验证, 本文提出的基于空间语义特征的全局路径匹配方法取得了很好的匹配效果, 并可还原浮动车轨迹经由的真实路径。     

一种改进的浮动车地图匹配算法

现有地图匹配算法应用于低频方式采样的浮动车GPS数据时匹配准确度与匹配效率不能同时兼顾。基于此,本文提出了一种改进的浮动车地图匹配算法,基于改进的自适应电子地图网格划分方法快速确定待匹配定位点候选路段集,基于最短距离权重、车辆航向权重、最短路径权重及轨迹方向权重的总权重准确确定最优匹配路段及匹配点。试验结果表明,该算法在保证匹配效率的同时提高了算法的匹配准确度。     

基于点序列和要素加权法的地图匹配算法

浮动车数据(Floating Car Data,FCD)已广泛应用于城市规划、智能交通系统中,其中地图匹配一直以来都是浮动车数据应用的技术难点。本文在已有地图匹配算法的基础上,提出了基于点序列和要素加权法的地图匹配模型,不仅考虑了当前GPS点的信息,同时也考虑了GPS数据的历史信息和道路网的拓扑结构,从空间关系上分析车辆行驶轨迹和道路的相似性。作者通过上海市出租车轨迹数据对算法进行验证,结果表明:该匹配模型解决了已有地图匹配算法的一些弊端,并且提高了地图匹配的精度,具有高效、实用的特点。     

浮动车数据的混合修复方法

针对浮动车数据出现的丢失、错误及冗余现象,结合均值统计与地图匹配,提出一种浮动车数据混合修复方法。基于此方法,构建了浮动车数据筛选及修复流程,较好地实现了对浮动车数据的有效筛选及修复,并对浮动车数据混合修复方法进行了验证,证明该方法具有可行性和有效性。     

基于浮动车数据交通参数提取技术探讨

总结和概括了国内外浮动车研究技术的现状。总结了浮动车数据处理的关键技术,其中包括浮动车数据预处理、基于浮动车的地图匹配技术以及交通参数提取技术。探讨了目前国内外浮动车数据处理技术中存在的问题,并展望了浮动车技术的应用前景。     

一种路网拓扑约束下的增量型地图匹配算法

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。     

历史数据和强化学习相结合的低频轨迹数据匹配算法

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%。     

一种改进的快速浮动车地图匹配方法

浮动车地图匹配算法能够实现浮动车离散点与路段的快速准确匹配,是浮动车路况信息生成技术中的核心环节。本文针对现有方法的不足,实现了建立定位点的有效阈值缓冲区,并依据空间关系检索候选匹配路段,研究实现了一种利用行驶速度、行驶方向、投影距离、行驶距离4个参数进行行车轨迹判别的逻辑匹配算法。试验表明,该方法无需对路网数据进行大量的前期处理工作,简化了候选匹配路段的检索过程,在保证匹配正确率的同时也表现出了更高的效率。     

基于OSM的浮动车轨迹数据校正方法

浮动车轨迹数据具有覆盖范围广、更新周期短、获取成本低等特点，对于地图的生产和更新具有重要意义，但是由于受到卫星信号被遮挡及多路径效应的影响，其精度普遍较低。本文采用一种基于OSM作为参考数据的方式对浮动车轨迹数据进行校正。首先通过一种分层时空地图匹配的方式将轨迹数据与OSM进行匹配；然后采用引力模型对数据进行校正；最后在武汉市出租车轨迹数据上进行了试验。结果表明，本文提出的数据校正方法可以有效地提高浮动车轨迹数据的精度。     

浮动车轨迹点地图匹配及插值算法

针对带有定位误差和异常值的浮动车轨迹点数据,该文设计并实现了滑动窗口最优路径地图匹配算法,在综合考虑轨迹点的空间几何关系和路网拓扑关系基础上,为轨迹点匹配最优道路并纠正轨迹点误差。其次,针对稀疏且时间间隔不稳定的匹配后轨迹点,设计改进的Hermite插值法拟合车辆运动状态,并对稀疏轨迹点进行时序插值。利用南京市出租车轨迹点数据进行匹配算法与插值算法的验证,实验结果表明匹配算法具有较高准确性,插值算法能有效还原车辆行驶状态。     

基于GPS轨迹数据的地图匹配算法

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。     

曲率积分约束的GPS浮动车地图匹配方法

提出了以轨迹曲线的曲率积分值作为地图匹配特征的匹配方法,利用轨迹曲率积分值约束前后相邻轨迹点的关联匹配,采用不同类型行驶路径以及不同采样间隔,实施了浮动车地图匹配试验,结果表明,以匹配正确率和稳定性评判,本文提出的曲率积分约束的浮动车地图匹配方法优于现有的未采用曲率特征匹配的经典浮动车地图匹配方法。     

城市道路复杂度的浮动车自适应采样算法

基于浮动车的城市交通信息采集技术是智能交通系统获取实时交通信息的重要手段之一。针对浮动车的城市交通信息等间距采样的不足,本文设计了一种基于城市道路复杂度的自适应采样算法:①根据道路属性定义道路结点对城市道路网络复杂度的影响因子;②利用四叉树对城市道路网络复杂度进行描述;③根据浮动车的瞬时速度和道路复杂度自适应计算浮动车的采样周期。通过仿真和试验表明,新算法能够在不同复杂程度的道路情况下自适应提供有效、可靠的采样周期。     

基于约束高斯混合模型的车道信息获取

针对现有车道级道路信息获取方法大多存在数据采集成本高、更新周期长、数据处理难度大等缺点,提出了一种基于浮动车数据（floating car data,FCD）的城市车道数量信息快速获取方法。首先根据浮动车数据的空间分布特征,利用Delaunay三角网方法对数据进行优选,通过探测优选后浮动车数据覆盖的宽度间接得到道路宽度;然后将一部分已知车道数量及浮动车数据覆盖宽度的路段作为训练样本,分析其车道数量和浮动车数据覆盖宽度之间的关系构建基本分类器;最后按照待测路段的浮动车数据分布宽度查找基本分类器,获取待测路段可能存在的若干个车道数量类型候选值,并利用约束高斯混合模型对最终车道数量类型进行确认。实验结果表明,该方法实现了从低精度浮动车数据中快速获取车道数量信息,提取精度达到了82.3%。     

利用浮动车数据挖掘城市职住空间关系

基于浮动车大数据,利用数据挖掘技术,在空间格网及行政区划两个空间尺度下研究城市职住空间特征,从通勤距离和通勤时间、浮动车数据在空间上的聚类结果及职住分离指标等多个方面对武汉市三环线范围内的职住空间特征进行了分析.结果表明,基于浮动车大数据可以快速、精细化地分析职住空间特征,分析结果可为城市规划提供依据.     

出租车经验知识建模与路径规划算法

以出租车采集的浮动车数据,研究出租车司机道路选择的经验和规律,建立出租车司机道路寻径的经验知识模型,将城市交通道路网按该知识模型分成不同等级的经验路网;在此基础上提出基于经验知识的交通道路寻径算法,并以武汉市交通路网和浮动车为实验数据,将本文提出的道路寻径算法与传统的最短路径规划算法进行比较,实验结果表明在起止点相同的情况下,本文选择的路径较好地保持了道路等级的一致性和连贯性,明显减少通行时间,更符合自主出行的认知.     

一种海量卫星导航轨迹点地图匹配方法

为了实现短时且精确的路况预测,通常需要海量采集卫星导航轨迹点,这使得基于传统文件/数据库系统的地图匹配方法无法满足复杂的实时分析要求。针对以上问题,本文提出的地图匹配方法,充分利用了NoSQL数据库的大数据存储、分布式计算等特点来对海量轨迹点进行匹配和存储,并将该方法应用在对深圳市交管部门浮动车卫星导航数据的分析,结果证明该方法具有有效性和精确性。     

利用浮动车数据提取停车场位置

针对当前停车场信息采集手段周期长、成本高的问题,提出了利用浮动车数据自动提取停车场位置的方法。通过分析在停车场内采集的浮动车数据具有的典型特点后,使用DBSCAN算法检测出位于停车场内的点簇进而提取停车场的位置;同时针对DBSCAN算法具有高时间复杂度的缺点,结合定位点簇的空间尺寸限制条件构建了特定的空间索引,提高了聚类算法的效率。试验结果验证了该方法的有效性。