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。     

基于浮动车数据的交通出行特征库构建研究

浮动车数据是一种常用的实时和动态监测城市交通运行状态信息的数据资源,具有实时性强、数据量大、时间空间相关等特性。以浮动车数据为源数据,通过统计分析、模式识别、关联分析等知识发现技术,计算了城市道路路段平均行程时间、路段通行频率、道路等级3个重要交通出行特征因素;构建了车辆出行特征分析模型库,对车辆的路径选择行为进行模拟,从而为交通管理部门提供实时、可靠的决策依据。     

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。     

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.     

一种基于约束的最短路径低频浮动车数据地图匹配算法

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。     

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%。     

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%。     

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。     

基于地理实体的道路网络面向对象数据模型研究

城市交通迅速发展,道路网络呈现出空间结构复杂、数据量大、时效性强等特点。本文讨论了传统路网模型的特点,顾及道路的信息完整性、数据冗余性、管理高效性3个指标,研究了以道路实体为基本元素的路网模型;运用面向对象技术对路网模型进行了数据建模,并通过动态交通信息更新机制对路网的动态属性进行管理;构建了城市道路实体化实验系统,验证了该模型的有效性和可行性。     

Path-finding through flexible hierarchical road networks: An experiential approach using taxi trajectory data

Optimal paths computed by conventional path-planning algorithms are usually not “optimal” since realistic traffic information and local road network characteristics are not considered. We present a new experiential approach that computes optimal paths based on the experience of taxi drivers by mining a huge number of floating car trajectories. The approach consists of three steps. First, routes are recovered from original taxi trajectories. Second, an experiential road hierarchy is constructed using travel frequency and speed information for road segments. Third, experiential optimal paths are planned based on the experiential road hierarchy. Compared with conventional path-planning methods, the proposed method provides better experiential optimal path identification. Experiments demonstrate that the travel time is less for these experiential paths than for paths planned by conventional methods. Results obtained for a case study in the city of Wuhan, China, demonstrate that experiential optimal paths can be flexibly obtained in different time intervals, particularly during peak hours.     

利用浮动车大数据进行稀疏路段行程时间推断

针对利用实时浮动车数据估计路段行程时间时存在的数据稀疏性问题,提出了构建三层神经网络模型,以目标路段与邻接路段间的特征关系为输入、目标路段与邻接路段行程时间比值为输出,利用浮动车历史大数据获取路段之间的交通时空关联关系,继而用于路段行程时间的推断。采用武汉市2014年3~7月的浮动车GPS历史数据进行验证,得到的路段行程时间估计值的平均绝对百分比误差小于25%,证明了所提方法的有效性。     

大规模浮动车流数据并行地图匹配方法

提出了一种并行地图匹配方法,高效处理海量浮动车流数据。该方法顾及交通网络拓扑,指出网格过滤、距离过滤和方向过滤等策略减少邻近候选节点的数量,利用预先生成的最短路径列表减少最短路径计算量。基于非关系型分布式数据库实现了高效率的浮动车流数据并行地图匹配,利用武汉市的浮动车流数据进行了实验。实验结果表明,本文方法正确率为90.6%,计算效率能满足大规模浮动车流数据实时处理的需要。     

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。     

设施POI分布热点分析的网络核密度估计方法

设施POI(point of interest)在城市地理空间中往往聚集分布,呈现热点特征。对该类POI分布热点的分析大多采用基于欧氏距离的空间密度估计,忽略了城市空间通达、连接是沿着街道路径的事实,从而很难准确、客观地反映城市功能的热点布局。本研究针对该缺陷,利用基于网络路径距离的核密度计算方法确定热点的区域密度,并提出了一种简单、高效的网络分析算法。该算法扩展二维栅格膨胀操作,以一维形态算子的连续扩展计算POI在网络单元上的密度值,通过评价试验表明,该算法比现有算法具有更好的性能和可扩展性。通过实际POI数据分析发现,考虑街道网络约束的热点范围可凸显设施功能沿交通网络布局的空间特征,为区域规划、导航以及地理信息查询等应用提供有价值的空间知识与信息服务。     

基于稀疏浮动车数据的城市路网交通流速度估计

浮动车数据在时空维度呈现较强的稀疏性,是其应用于城市路网交通流估计所面临的主要难题之一。本文通过分析路网交通流速度的时空特征,构建了一种基于朴素贝叶斯法的估计模型,实现对路网中未被样本覆盖路段交通流速度的估计。时间特征主要考虑目标路段相邻时段的交通流速度,空间特征根据路段间交通流相似关系进行分析,突破了传统基于欧氏空间或拓扑关系的度量方式。结果显示,模型能有效地估计出样本缺失路段的交通流速度,且在精度方面相对传统基于拓扑关系的算法优势显著,较好地解决了数据时空稀疏性问题,对基于浮动车数据的交通应用具有较强的实践意义。     

基于GPS浮动车采集交通信息的路段划分方法

针对目前GPS浮动车采集交通信息的路段划分方法大多忽略交叉口不同行驶方向车流运行条件的差别,且假设路段不同位置的交通状态均衡,从而导致交通信息质量偏低,无法有效满足交通状态判别和车辆动态导航系统数据需求的问题,设计了能够区分车流不同行驶方向统计交通数据的方向路段划分方法与区分路段不同位置统计交通数据的子路段划分方法,以便从路网空间数据结构方面改善交通状态判别和车辆动态导航系统的信息基础。     

浮动车行程速度探索性分析

城市交通系统是一个有人参与的、动态的和开放的复杂系统。传统的均值、方差等统计方法已难以直观地表达和发现城市交通流的潜在特征。而目前基于确定的交通流数学模型虽然能定量地揭示其非线性动力学特征,但存在着表达式复杂却精确度不够且灵活性欠缺和通用性不强的问题。本文探讨了城市行车速度的探索性分析方法的可行性,并以北京市四环内路段行车速度为例进行试验,结果表明,浮动车行车速度的探索性分析方法是有效的和实用的,可为交通流的特征分析特别是实时交通异常检测的研究提供参考思路。     

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。