亚星游戏官网-www.yaxin868.com

专利名称：稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法
技术领域：
本发明涉及交通地理信息技术领域，更具体地，涉及一种应用于复杂路网中稀疏采样下的基于多重概率匹配的车辆行驶轨迹重构方法。
背景技术：
城市道路网络结构复杂，在路网密度高、立交桥复杂地段往往难以准确匹配定位数据，尤其是当采样点稀疏，且定位精度不高时，更是大大增加了车辆行驶轨迹重构的难度。当前车辆行驶轨迹重构的方法可分为两类:一类是通过地图匹配将采样点匹配到点或线，再通过最短路算法相连构成车辆行驶轨迹；另一类是全局的车辆行驶轨迹匹配算法，在匹配各采样点的同时考虑连通性，得到一系列的路段系列。第一类方法在匹配采样点时，一般采用几何匹配、拓扑分析、权重匹配等，而稀疏的采样点难以保证采样点匹配的准确度，采样点匹配的精度又进一步影响了车辆行驶轨迹重构的精度。第二类方法通过引入概率匹配模型、延时匹配模型、平行道路匹配模型等来提高精度，复杂度较高；若某一位置错误匹配，很容易导致后续采样点的匹配错误；由于单纯的考虑采样点数据特征，并未考虑车辆行驶轨迹的创造者驾驶员的选择行为，在面对复杂的路网尤其是高架和普通路之间时，车辆行驶轨迹重构效果不理想。

发明内容
为了减少复杂路网中由于采样点稀疏及精度不足而引致的匹配失误，准确而快速地重构车辆行驶轨迹，本发明提供了一种稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法。为了实现上述目的，本发明的技术方案为:一种稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法，包含以下步骤:S1.采集足量的采样点历史数据进行误差统计分析；S2.基于历史数据统计稀疏采样点的误差分布，确定搜索区域；S3.在指定区域内搜索候选匹配对象，确定匹配对象类型；S4.计算候选匹配对象的匹配概率以及合理路径的路径选择概率；S5.通过双层概率匹配算法，确定最可能的车辆行驶轨迹。优选的，所述步骤SI中的统计历史采样点数据误差是以正态分布拟合采样点误差。优选的，所述步骤S2中确定搜索区域是以采样点为中心，以置信区间半径为半径画圆进行搜索。优选的，所述步骤S3中的候选匹配对象为:在步骤S2确定的搜索区域范围内的所有对象，根据候选对象特征分为三类:零匹配对象、单匹配对象及多匹配对象。优选的，所述步骤S4中，以最短路算法连接各候选匹配对象，确定采样点间的合理路径，计算各候选匹配对象的匹配概率以及合理路径的路径选择概率。优选的，所述步骤S5中，采用双层概率选择模型，综合采样点匹配概率及其合理路径的路径选择概率，选取最可能的轨迹作为最终重构结果。与现有技术相比，本发明的优点主要体现在以下几个方面:I)对采样点数据要求低，数据来源广泛。以稀疏采样点为数据支撑，适用于GPS、基站、雷达、视频、人证等多种采样形式下的车辆行驶轨迹重构。2)路网适用性强。适用于各种路网尤其是城市复杂路网，解决了复杂交叉口及快速路的匹配问题。3)匹配精度高。容易出现匹配错误的交叉口被作为单匹配对象，且充分考虑驾驶员的选择行为，通过双层概率模型准确的确定车辆行驶轨迹。4)算法复杂度低。算法以最短路连接候选对象，仅计算合理路径的路径选择概率，避免了复杂路网尤其是高架道路同普通道路定位反复切换问题。


图1为采样点误差区间统计图。图2-7为不同特征的候选对象示意图。图8-10为一具体实施例中路段的匹配示意图。图11-13是以广州市天河客运站至广州火车站之间的出某租车行驶轨迹重构效果示意图。
具体实施例方式下面结合附图对本发明做进一步的描述，但本发明的实施方式并不限于此。采样一般是指把时间域或空间域的连续量转化成离散量的过程。本发明中的采样是指将调查数据作为样本量在时间域或空间域上进行间隔取样的过程。不同的采样率对应的采样结果稀疏程度不同，通过采样处理可以在保证数据在保真度范围内的条件下减少采样点数、降低重构运算量。本发明结合多重概率匹配模型致力于在不同采样率下对车辆行驶轨迹进行重构，发明既能够处理一般数据量的路径重构问题，同时在稀疏采样数据情况下也能够取得较好的轨迹重构效果。下面结合附图对本发明进一步说明。在具体应用中，可以通过GPS、基站、雷达、视频、人证等方式获取采样数据。示例中，利用广州市出租车的车载GPS进行数据采集。由于采样时间间隔约为20秒，得到的GPS点往往已漏掉了轨迹中的某些路段，属于稀疏采样。挑选2011年7月6日某出租车从天河客运站至广州火车站的GPS采样点进行轨迹重构。整个车辆行驶轨迹重构方法主要分为五个步骤:步骤1:采样点历史数据的误差统计分析。首先随机采集足量的历史数据，使用合理的概率密度分布函数进行误差统计分析并拟合分布函数曲线，其中设μ为车辆位置点距离道路中心线或交叉口节点距离期望值，σ为标准差。示例利用广州市4200条出租车GPS数据进行统计分析。经检验，广州市出租车GPS点与道路中心线距离误差为变量，其服从应用最广泛的概率密度-正态分布Ν( μ，σ 2)函数,期望值μ为5.5846m,标准差σ为14.876m，分布图见图1。步骤2:采样点搜索区域的确定。根据正态分布的特点，服从正态分布的随机变量的概率规律为:越邻近μ的值的概率越大，而离μ越远的值的概率越小。因此，为了尽可能覆盖所有的匹配特征，发明选择了 99.7%为置信区间，3 O为置信区间半径，然后以采样点位置为圆心，置信区间半径作圆，搜索匹配对象。示例中，当标准差σ为14.876m，望值μ为5.5846m时，置信区间半径为44.628m。那么μ ±3 σ置信区间为(-39.628m, +49.628m)，为了方便计算，取区间(-50m，+50m)为置信区间，此时概率为98%，即98%的数据点处于(-50m, +50m)区间内。因此将区间(_50m，+50m)作为稀疏采样点匹配误差的可接受区域。以GPS点为圆心，50m半径作圆，圆内的路径或交叉口等交通元素为候选对象。步骤3:确定采样点类型。根据候选对象的特征可将其分为三类:零匹配对象、单匹配对象和多匹配对象。当采样点匹配不到任何的交通元素时为零匹配，匹配概率为O ;当采样点匹配到唯一路段或唯一交叉点时，属于单匹配，匹配概率为100%;若候选对象多于I个时，为多匹配。据统计，不同采样点候选对象个数所占比例不同，如表I所示，单匹配占比例为77.05%，只有21.59%的采样数据为多匹配。需要进一步利用双层概率模型进行筛选。如图2-7所示，图2为零匹配，图3、4为单匹配对象，图5、6和7的匹配对象为两个或两个以上，为多匹配。表I对象类型统计表
权利要求
1.一种稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法，其特征在于，包含以下步骤: 51.采集足量的采样点历史数据进行误差统计分析； 52.基于历史数据统计稀疏采样点的误差分布，确定搜索区域； 53.在指定区域内搜索候选匹配对象，确定匹配对象类型； 54.计算候选匹配对象的匹配概率以及合理路径的路径选择概率； 55.通过双层概率匹配算法，确定最可能的车辆行驶轨迹。
2.根据权利要求1所述的稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法，其特征在于，所述步骤SI中的统计历史采样点数据误差是以正态分布拟合采样点误差。
3.根据权利要求1所述的稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法，其特征在于，所述步骤S2中确定搜索区域是以采样点为中心，以置信区间半径为半径画圆进行搜索。
4.根据权利要求1所述的稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法，其特征在于，所述步骤S3中的候选匹配对象为:在步骤S2确定的搜索区域范围内的所有对象，根据候选对象特征分为三类:零匹配对象、单匹配对象及多匹配对象。
5.根据权利要求1所述的稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法，其特征在于，所述步骤S4中，以最短路算法连接各候选匹配对象，确定采样点间的合理路径，计算各候选匹配对象的匹配概率以及合理路径的路径选择概率。
6.根据权利要求1所述的稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法，其特征在于，所述步骤S5中，采用双层概率选择模型，综合采样点匹配概率及其合理路径的路径选择概率，选取最可能的轨迹作为最终重构结果。
全文摘要
本发明提出一种稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法，该方法首先利用历史数据统计稀疏采样点误差分布，并确定搜索区域；然后在搜索区域内寻找候选匹配对象(路段或交叉口)，根据候选对象特征分为多种类型，若搜索区域内无匹配对象则不考虑该采样点，若搜索区域内只有唯一对象则将采样点匹配至唯一对象，若搜索区域内存在多个候选对象则利用双层概率匹配模型进一步处理；双层概率匹配模型根据采样点的匹配概率和其组成的合理路径的选择概率，计算各可能轨迹的匹配概率，选取最大可能概率的轨迹作为稀疏采样点的重构轨迹。本发明减少了稀疏采样数据的匹配错误，有效地提高了复杂路网中车辆行驶轨迹重构的精度和速度。
文档编号G01C21/34GK103162702SQ20131007003
公开日2013年6月19日 申请日期2013年3月5日 优先权日2013年3月5日
发明者李军, 谢良惠, 赵长相 申请人:中山大学