基于粒子滤波的行车轨迹路网匹配方法

发布时间：2021-06-06 15:12

　　行车轨迹是一种时间序列的地理空间位置采样数据,而传统的轨迹—路网匹配方法主要以全局或局部寻优的方式建立轨迹—路网匹配关系,影响了时空场景中数据的匹配计算过程的相对独立性。针对这个问题,本文基于粒子滤波（Particle Filter,PF）原理建立行车轨迹与道路网络之间的匹配关系。首先,沿轨迹中车辆运动方向在道路网络中搜索邻近道路节点,在与道路节点拓扑邻接的道路弧段上初始化随机生成粒子,根据轨迹中车辆运动模型将粒子沿所在道路弧段移动;然后,基于PF原理计算各时刻粒子运动状态及与行车轨迹采样点之间的距离误差,根据高斯概率密度函数计算粒子权重并利用随机重采样方法进行粒子重采样,迭代更新粒子运动状态;最后,计算与搜索到的道路节点拓扑邻接的每条道路弧段中累计粒子权重,通过各道路弧段累计权重计算轨迹—路网匹配关系。以行车轨迹进行实验表明,利用本文方法可以通过粒子时空变化反映采样点的移动,行车轨迹—路网匹配结果的正确率大于85%,能够实现行车轨迹和路网的准确匹配。 

【文章来源】：地球信息科学学报. 2020,22(11)北大核心CSCD

【文章页数】：9 页

【部分图文】：

图1 粒子的生成

(4）以道路节点为匹配关系分界线，更新行车轨迹与路网的匹配关系，返回步骤（1）并根据新的道路节点及拓扑邻接道路弧段集合自动生成随机粒子采样，不断迭代直至车辆完全停止运动。行车轨迹—路网匹配算法的流程如图2所示。基于PF原理的行车轨迹—路网匹配方法，假定输入行车轨迹S，轨迹中车辆匀速运动速度为v，运动模型过程的噪声标准差为?，同时，利用高斯概率密度函数作为粒子权重函数，其标准差σ表示高斯函数的带宽，将粒子与轨迹采样点之间的距离作为函数输入，计算得到粒子权重w，此外，随机粒子个数为o，道路网络及道路节点和弧段Road(N,L)，行车轨迹采样点与道路节点的搜索距离阈值为d。在这个过程中，在相邻轨迹采样点之间的轨迹中车辆运动模型可以假设为一个匀速运动的过程，因此，可通过计算当前轨迹采样点及其之前时刻轨迹采样点之间的轨迹片段平均速度，将其作为PF方法中车辆运动模型的速度输入，对粒子运动情况进行模拟，此外，如果道路网络中不同等级道路弧段的限速信息已知，可直接将其作为车辆运动模型的速度输入。运动模型如式（5）所示。

在行车轨迹中采样点滤波初始时刻，粒子在道路弧段中是随机生成的，如图4所示，假定一条道路弧段由9个顶点组成（绿色小圆点），从弧段起点到弧段终点，根据式（1）和式（2）计算各个顶点组成的子弧段在道路弧段中的累计长度比例，分别为0%、21%、31%、43%、55%、67%、76%、87%、100%（绿色字体），初始时刻在道路弧段中随机生成5个粒子，在道路弧段中的长度比例分别为17%、38%、52%、80%、94%（红色字体），则根据长度比例以式（3）在相应的子弧段中计算粒子在道路弧段中的几何位置（红色大圆点）。由图可见，粒子能够利用随机生成的长度比例，根据粒子坐标计算公式，分别分布在道路弧段的不同子弧段中。图4 基于道路弧段的粒子生成

【参考文献】：
期刊论文
[1]出租车轨迹数据挖掘进展[J]. 吴华意,黄蕊,游兰,向隆刚.  测绘学报. 2019(11)
[2]基于偏好的个性化路网匹配算法[J]. 高需,武延军,郭黎敏,丁治明,陈军成.  软件学报. 2018(11)
[3]路网匹配算法综述[J]. 高文超,李国良,塔娜.  软件学报. 2018(02)
[4]路网更新的轨迹-地图匹配方法[J]. 吴涛,向隆刚,龚健雅.  测绘学报. 2017(04)
[5]一种改进的快速浮动车地图匹配方法[J]. 张健钦,李明轩,段颖超,杜明义.  测绘通报. 2017(01)
[6]面向复杂城市道路网络的GPS轨迹匹配算法[J]. 刘张,王心迪,闫小勇.  电子科技大学学报. 2016(06)
[7]轨迹大数据:数据处理关键技术研究综述[J]. 高强,张凤荔,王瑞锦,周帆.  软件学报. 2017(04)
[8]一种路网拓扑约束下的增量型地图匹配算法[J]. 朱递,刘瑜.  武汉大学学报(信息科学版). 2017(01)
[9]一种基于约束的最短路径低频浮动车数据地图匹配算法[J]. 李清泉,胡波,乐阳.  武汉大学学报(信息科学版). 2013(07)



本文编号：3214632