[发明专利]一种面向稀疏浮动车数据的条件随机场地图匹配方法

说明书

技术领域

本发明涉及一种匹配方法，尤其涉及一种面向稀疏浮动车数据的条件随机场地图匹配方法。

背景技术

地图匹配是一种定位修正方法，其基本思想是将车辆定位轨迹与数字地图中的道路网信息联系起来，并由此相对于地图确定车辆的位置。地图匹配应用应满足以下两个假设条件（1）车辆总是行驶在道路上；（2）底层路网数据精度要高于车载定位导航系统的定位精度。当上述条件满足时，就可以把定位数据和车辆运行轨迹同数字化地图所提供的道路位置信息相比较，通过适当的匹配过程确定出车辆最可能的行驶路段以及车辆在该路段中的最大可能位置。

现阶段，由于受到数据传输、存储以及运行成本等条件所限，浮动车一般只能以较低的频率向监控中心发送信号，以北京市为例，各大出租车运营公司（如金银建等）的GPS采样时间间隔大约为1分钟，形成了大量的低频浮动车数据。这种低频浮动车数据为后续的地图匹配工作提出了严峻的挑战。问题主要在于，由于采样间隔较大，单位间隔内车辆可能通过多个路口，此时GPS点在底层路网匹配的路段之间可能在空间上并不连续，导致GPS点序列之间的时空相关性较差。高质量的地图匹配是后续轨迹数据分析的基础。传统基于点对点、点对线方式等针对高采样率GPS数据的地图匹配方法对于低频浮动车数据的地图匹配效果很差。

当前，主要采用隐马尔科夫模型对轨迹数据进行地图匹配，在实际的地图应用中隐马尔科夫模型存在如下问题：

①采用隐马尔科夫模型计算观测序列与状态序列之间的联合分布时，要求所有的观测序列必须是可枚举的，若序列中存在长距离依赖性，枚举所有的观测序列是十分困难的。隐马尔科夫模型为了简化这种长距离依赖特性，引入了马尔科夫性，即要求t时刻的观测值仅依赖于t-1时刻的状态，所有观测序列中的值服从严格的条件独立性假设。这种假设抹杀了观测序列之间实际存在的长距离依赖性。

②、隐马尔科夫模型还存在“标注偏移”的问题。“标注偏移”产生的根本原因在于隐马尔科夫模型在建模过程中对于每一个GPS点状态都建立了一个概率模型，在每个状态转移时强制进行归一化。如果某个状态只有一个后续状态，那么该状态到后续状态的跳转概率即为1。这样，不管输入为任何内容，它都向该后续状态跳转，使得匹配的结果倾向于选择分支较少的道路，对于城市中连接度较高的交叉口，产生误判与遗漏，偏离了实际的路线。

发明内容

为了解决上述问题中的不足之处，本发明提供了一种面向稀疏浮动车数据的条件随机场地图匹配方法。

为解决以上固定问题，本发明采用的解决方案是：一种面向稀疏浮动车数据的条件随机场地图匹配方法，该方法分为以下步骤：

（一）、运用基于改进迭代尺度法条件随机场模型训练得到特征函数权重；

首先在真实的GPS观测数据条件下，随机场地图匹配模型进行训练，训练得到时空影响因素的条件随机场地图匹配模型的特征函数权重向量 ；所述特征函数权重向量通过极大化训练数据的对数似然函数进行特征函数权重向量的求解 ；根据给定的一个GPS的观测序列，GPS观测序列在底层路网上的真实投影点序列为，求得观测序列与真实投影点序列之间的经验概率分布，建立训练数据（，）的对数似然函数：

（1）

其中，表示影响地图匹配效果的特征向量，包括空间状态观测特征和空间状态转移特征： ；其中，表示条件随机场的空间转移概率，表示条件随机场的距离临近转移概率，表示条件随机场的方向一致性转移概率；

设当前特征函数权重向量为，的迭代增量为，第一次迭代更新之后的权重向量为；给定一个迭代增量为，条件随机场模型空间转移特征的更新公式为：

(2)

其中代表空间转移特征向量的模；条件随机场模型空间观测特征的更新公式为：

(3)

其中代表条件随机场的观测向量的模，表示条件随机场所有特征向量在给定训练数据下的更新公式为：

（4）

通过上述公式对、不断进行求解，直到达到当前特征函数权重向量的权值的收敛值；

（二）基于条件随机场的地图匹配建模；

通过步骤（一）得到特征函数权重，并达到权值的收敛值之后，进行后续的基于条件随机场的地图匹配建模：条件随机场是在给定一组输入随机变量条件下，对另一组输出随机变量的条件概率分布模型；

采用条件随机场模型对低频浮动车地图匹配的目标函数在于在给定一个GPS的观测序列，根据的候选点集和候选点集之间的转移函数，寻找一条最佳候选点记录链，使其与原始的GPS观测序列之间的匹配程度最高；