[发明专利]基于多维数据融合分析的低频GPS轨迹路网匹配方法

说明书

基于多维数据融合分析的低频GPS轨迹路网匹配方法，首先，计算每个GPS轨迹点的候选点集，从空间、时间和环境等多个维度考虑相邻候选点的匹配度，并进行多维数据融合分析，形成最终匹配度；然后，构建和压缩全局静态投票矩阵，剔除低关联度异常轨迹点，同时综合考虑信号配时等因素，生成动态优化的局部加权投票矩阵；最后，进行路径生成和候选点投票，选择投票值最高的一条候选路径作为最终匹配路径，完成GPS轨迹的路网匹配。本发明适用于城市路网，考虑了相邻轨迹点的时空关系和环境影响，进行了多维数据融合分析，剔除了低关联度异常点，提高了路网匹配的准确性；同时，考虑了信号配时等动态因素，进一步提高了路网匹配的精度。

技术领域

本发明涉及智能交通的GPS轨迹路网匹配方法，GPS轨迹路网匹配不仅可以用于车辆导航、道路规划和交通流量预测等，也可以用于各类位置服务和移动社交网络。

背景技术

近年来云计算与物联网的发展，带动了城市车联网的发展进程。许多网联车的检测仪器实时产生并上传了海量数据，引发了全球对“数据城市”研究的浪潮，当下正处于一个由传统信息化交通迈向智能化互联互通社会的过渡阶段。受限于成本因素，在安装并部署各类先进检测器设备的同时需要兼容早期低质量、高异常、标准不统一的数据采集设备，这个阶段必然是漫长与持久的。以出租车为例，国内出租车GPS采集设备规定每两次上传时间间隔一般不得高于20秒，但受限于设备老化、成本较高、存储能力有限等，现有GPS数据采集设备的采样频率多数达不到这一标准，一般在20～120秒之间浮动。虽然采样频率较低，但这些低频数据仍蕴含着大量有价值的信息。因此，采用适当方法利用这些低频数据来获得较高精度的有价值数据，可以减少社会资源的浪费和硬件设备的重复投入，也可以加快构建基于车路协同的社会。而且，在车联网背景下，车路协同的交通运行模式使得不同种类数据可以相互补充，低采样频率的GPS轨迹数据结合其他较高精度的固定检测器设备，可以更精准地定位某一时刻车辆的瞬时位置。再结合路网拓扑以及路口信号配时，可以精确识别车辆的行驶方向，从而弥补低频GPS轨迹数据在路网匹配中存在的问题。

GPS轨迹路网匹配方法有很多种，但大多数方法只适用于高采样频率的GPS轨迹，不适用于低频GPS轨迹和复杂的城市路网。低频GPS轨迹路网匹配方法主要分为两类。第一类方法以ST匹配算法为主要代表，也有学者在ST算法基础上，提出了基于隐马尔可夫模型的路网匹配方法。这类方法采用简单权重求和的方式，具有计算简便，实时性强的特点，但没有综合考虑其它因素，匹配精度较低，尤其不适用于较长时间GPS轨迹的路网匹配。第二类方法主要通过投票算法、神经网络等将GPS轨迹与路网拓扑进行拟合，达到较好的效果，而且有关学者在交互式投票算法的基础上，引入旅行时间等指标进一步改进了该类方法。相对于第一类方法，第二类方法考虑了路网拓扑结构和GPS轨迹点之间的关系，大幅提高了匹配精度，但仍需要较高采样精度的GPS轨迹点，而且无法直接发现异常的GPS轨迹数据。

目前，现有的低频GPS轨迹路网匹配方法存在以下主要问题：1)第一类方法没有综合考虑相邻GPS轨迹点之间存在的空间关联性、时间关联性和环境关联性，从而导致低关联度异常点的存在，降低了路网匹配精度，不适用于复杂的城市路网；2)第二类方法虽然考虑了空间和时间等因素，但没有考虑城市道路的信号配时等因素，也没有消除异常轨迹点的干扰，影响了最终的路网匹配精度。

发明内容

本发明要克服现有技术的上述不足之处，提供一种基于多维数据融合分析的低频GPS轨迹路网匹配方法，适用于城市路网的低频GPS轨迹数据。