基于轨迹分段及聚类的GPS轨迹地图匹配方法研究

发布时间：2021-10-21 02:26

　　GPS（Global Positioning System）等定位设备产生的轨迹数据具有易采集、成本低等优点,已经广泛应用于众多领域。这些轨迹数据可以用于路网更新、车流量预测等众多场景。但是由于轨迹数据中噪声数据的存在,如果直接使用原始轨迹数据会造成较大偏差,因此需要使用匹配算法进行纠正,与此同时,轨迹数据具有不同的采样率,存在冗余或缺失数据问题,因此针对不同采样率的轨迹需要特定的匹配算法进行高效精准地匹配,针对上述问题,本文进行如下研究:（1）针对现有基于轨迹点地图匹配方法存在重复匹配和噪声敏感的问题,提出一种基于轨迹分段的隐马尔可夫模型（Segment-based Hidden Markov Model,SHMM）,用于高采样率轨迹的地图匹配,该匹配算法将原始的轨迹分为子轨迹段,从而避免了轨迹点的重复匹配,同时减少了噪声数据对匹配精度的影响,最终通过实验对比,本文提出的SHMM算法在匹配精确率、召回率和匹配时间上分别提高了2%、1%、5ms。（2）针对传统的基于几何距离度量的轨迹聚类算法存在的不适用于低采样率轨迹聚类的问题,提出一种基于相似路径的低采样率轨迹聚类算法,该算法基于最长... 

【文章来源】：西北大学陕西省 211工程院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

高采样率轨迹示意图

第一章绪论3同的路径，此时无法通过道路限速及航向进行道路的匹配，因此需要更多的特征降低低采样率轨迹的不确定性。图2低采样率轨迹示意图本文针对高采样率和低采样率轨迹的地图匹配问题，分别提出一种基于轨迹分段的高采样率轨迹地图匹配算法和基于相似路径聚类的低采样率轨迹地图匹配算法。其中所提出的高采样率轨迹匹配方法，首先将轨迹进行分段然后使用轨迹及路径相似性度量方法进行轨迹的分段批量处理，解决了传统的基于单个GPS点轨迹匹配算法效率低的问题。针对低采样率轨迹，通过聚类方法将行驶在相同道路上车辆产生的轨迹聚集在一起，对低采样率轨迹进行批量匹配，此方法可以通过轨迹之间的相互增强来降低低采样率轨迹的路径不确定性。1.2研究现状1.2.1高采样率轨迹匹配方法研究现状为了实时记录车辆的位置，GPS定位器会以较高频率接收卫星发送的定位数据，即前后接收定位数据的时间差小于30秒，因此产生的轨迹数据是由大量轨迹点组成的带有空间特征的时序数据集合。针对高采样率的离线轨迹的地图匹配问题，一直受到轨迹数据挖掘领域的关注，目前已有不少针对该问题的方法。这些算法可以分类为：基于几何拓扑结构的地图匹配，增量式的局部地图匹配[5-7]，基于概率模型的全局地图匹配[8-11]。针对高采样率轨迹的地图匹配问题，最开始研究者们通过轨迹和道路之间的几何

西北大学硕士学位论文101.3.2技术路线本文对大量参考文献进行总结，发现现有的高采样率轨迹地图匹配算法中多数算法都是对GPS轨迹中的轨迹点依次进行匹配，此类方法存在重复匹配的问题，因此匹配效率较低，同时现有算法容易受噪声数据的影响。因此针对现有算法的不足，本文提出了一种基于轨迹分段的隐马尔可夫模型地图匹配算法。针对低采样率轨迹，本文先提出一种基于相似路径的低采样率轨迹聚类算法，该算法避免计算低采样率轨迹之间的几何距离，而是通过候选路径之间的相似性对低采样率轨迹进行聚类。在该聚类算法的基础上，又提出一种基于相似路径聚类的低采样率轨迹地图匹配算法，该匹配算法通过聚类高效的对一组轨迹进行匹配。本文研究的具体技术路线如图3所示：图3研究技术路线框架图1.4章节安排本文共包括五章内容，其结构如下:第一章本章节首先讨论本文所做研究的背景及意义，通过分析国内外研究现状，发现现有针对高采样率和低采样率轨迹匹配算法的不足，分别针对高采样率轨迹匹配提出一种基于轨迹分段的隐马尔可夫模型，针对低采样率轨迹提出一种基于相似路径


本文编号：3448061