專利名稱：稀疏采樣下基于多重概率匹配的車輛行駛軌跡重構方法
技術領域：
本發明涉及交通地理信息技術領域，更具體地，涉及一種應用于復雜路網中稀疏采樣下的基于多重概率匹配的車輛行駛軌跡重構方法。
背景技術：
城市道路網絡結構復雜，在路網密度高、立交橋復雜地段往往難以準確匹配定位數據，尤其是當采樣點稀疏，且定位精度不高時，更是大大增加了車輛行駛軌跡重構的難度。當前車輛行駛軌跡重構的方法可分為兩類:一類是通過地圖匹配將采樣點匹配到點或線，再通過最短路算法相連構成車輛行駛軌跡；另一類是全局的車輛行駛軌跡匹配算法，在匹配各采樣點的同時考慮連通性，得到一系列的路段系列。第一類方法在匹配采樣點時，一般采用幾何匹配、拓撲分析、權重匹配等，而稀疏的采樣點難以保證采樣點匹配的準確度，采樣點匹配的精度又進一步影響了車輛行駛軌跡重構的精度。第二類方法通過引入概率匹配模型、延時匹配模型、平行道路匹配模型等來提高精度，復雜度較高；若某一位置錯誤匹配，很容易導致后續采樣點的匹配錯誤；由于單純的考慮采樣點數據特征，并未考慮車輛行駛軌跡的創造者駕駛員的選擇行為，在面對復雜的路網尤其是高架和普通路之間時，車輛行駛軌跡重構效果不理想。
發明內容
為了減少復雜路網中由于采樣點稀疏及精度不足而引致的匹配失誤，準確而快速地重構車輛行駛軌跡，本發明提供了一種稀疏采樣下基于多重概率匹配的車輛行駛軌跡重構方法。為了實現上述目的，本發明的技術方案為:一種稀疏采樣下基于多重概率匹配的車輛行駛軌跡重構方法，包含以下步驟:S1.采集足量的采樣點歷史數據進行誤差統計分析；S2.基于歷史數據統計稀疏采樣點的誤差分布，確定搜索區域；S3.在指定區域內搜索候選匹配對象，確定匹配對象類型；S4.計算候選匹配對象的匹配概率以及合理路徑的路徑選擇概率；S5.通過雙層概率匹配算法，確定最可能的車輛行駛軌跡。優選的，所述步驟SI中的統計歷史采樣點數據誤差是以正態分布擬合采樣點誤差。優選的，所述步驟S2中確定搜索區域是以采樣點為中心，以置信區間半徑為半徑畫圓進行搜索。優選的，所述步驟S3中的候選匹配對象為:在步驟S2確定的搜索區域范圍內的所有對象，根據候選對象特征分為三類:零匹配對象、單匹配對象及多匹配對象。優選的，所述步驟S4中，以最短路算法連接各候選匹配對象，確定采樣點間的合理路徑，計算各候選匹配對象的匹配概率以及合理路徑的路徑選擇概率。優選的，所述步驟S5中，采用雙層概率選擇模型，綜合采樣點匹配概率及其合理路徑的路徑選擇概率，選取最可能的軌跡作為最終重構結果。與現有技術相比，本發明的優點主要體現在以下幾個方面:I)對采樣點數據要求低，數據來源廣泛。以稀疏采樣點為數據支撐，適用于GPS、基站、雷達、視頻、人證等多種采樣形式下的車輛行駛軌跡重構。2)路網適用性強。適用于各種路網尤其是城市復雜路網，解決了復雜交叉口及快速路的匹配問題。3)匹配精度高。容易出現匹配錯誤的交叉口被作為單匹配對象，且充分考慮駕駛員的選擇行為，通過雙層概率模型準確的確定車輛行駛軌跡。4)算法復雜度低。算法以最短路連接候選對象，僅計算合理路徑的路徑選擇概率，避免了復雜路網尤其是高架道路同普通道路定位反復切換問題。
圖1為采樣點誤差區間統計圖。圖2-7為不同特征的候選對象示意圖。圖8-10為一具體實施例中路段的匹配示意圖。圖11-13是以廣州市天河客運站至廣州火車站之間的出某租車行駛軌跡重構效果示意圖。
具體實施例方式下面結合附圖對本發明做進一步的描述，但本發明的實施方式并不限于此。采樣一般是指把時間域或空間域的連續量轉化成離散量的過程。本發明中的采樣是指將調查數據作為樣本量在時間域或空間域上進行間隔取樣的過程。不同的采樣率對應的采樣結果稀疏程度不同，通過采樣處理可以在保證數據在保真度范圍內的條件下減少采樣點數、降低重構運算量。本發明結合多重概率匹配模型致力于在不同采樣率下對車輛行駛軌跡進行重構，發明既能夠處理一般數據量的路徑重構問題，同時在稀疏采樣數據情況下也能夠取得較好的軌跡重構效果。下面結合附圖對本發明進一步說明。在具體應用中，可以通過GPS、基站、雷達、視頻、人證等方式獲取采樣數據。示例中，利用廣州市出租車的車載GPS進行數據采集。由于采樣時間間隔約為20秒，得到的GPS點往往已漏掉了軌跡中的某些路段，屬于稀疏采樣。挑選2011年7月6日某出租車從天河客運站至廣州火車站的GPS采樣點進行軌跡重構。整個車輛行駛軌跡重構方法主要分為五個步驟:步驟1:采樣點歷史數據的誤差統計分析。首先隨機采集足量的歷史數據，使用合理的概率密度分布函數進行誤差統計分析并擬合分布函數曲線，其中設μ為車輛位置點距離道路中心線或交叉口節點距離期望值，σ為標準差。示例利用廣州市4200條出租車GPS數據進行統計分析。經檢驗，廣州市出租車GPS點與道路中心線距離誤差為變量，其服從應用最廣泛的概率密度-正態分布Ν( μ，σ 2)函數,期望值μ為5.5846m,標準差σ為14.876m，分布圖見圖1。步驟2:采樣點搜索區域的確定。根據正態分布的特點，服從正態分布的隨機變量的概率規律為:越鄰近μ的值的概率越大，而離μ越遠的值的概率越小。因此，為了盡可能覆蓋所有的匹配特征，發明選擇了 99.7%為置信區間，3 O為置信區間半徑，然后以采樣點位置為圓心，置信區間半徑作圓，搜索匹配對象。示例中，當標準差σ為14.876m，望值μ為5.5846m時，置信區間半徑為44.628m。那么μ ±3 σ置信區間為(-39.628m, +49.628m)，為了方便計算，取區間(-50m，+50m)為置信區間，此時概率為98%，即98%的數據點處于(-50m, +50m)區間內。因此將區間(_50m，+50m)作為稀疏采樣點匹配誤差的可接受區域。以GPS點為圓心，50m半徑作圓，圓內的路徑或交叉口等交通元素為候選對象。步驟3:確定采樣點類型。根據候選對象的特征可將其分為三類:零匹配對象、單匹配對象和多匹配對象。當采樣點匹配不到任何的交通元素時為零匹配，匹配概率為O ;當采樣點匹配到唯一路段或唯一交叉點時，屬于單匹配，匹配概率為100%;若候選對象多于I個時，為多匹配。據統計，不同采樣點候選對象個數所占比例不同，如表I所示，單匹配占比例為77.05%，只有21.59%的采樣數據為多匹配。需要進一步利用雙層概率模型進行篩選。如圖2-7所示，圖2為零匹配，圖3、4為單匹配對象，圖5、6和7的匹配對象為兩個或兩個以上，為多匹配。表I對象類型統計表
權利要求
1.一種稀疏采樣下基于多重概率匹配的車輛行駛軌跡重構方法，其特征在于，包含以下步驟: 51.采集足量的采樣點歷史數據進行誤差統計分析； 52.基于歷史數據統計稀疏采樣點的誤差分布，確定搜索區域； 53.在指定區域內搜索候選匹配對象，確定匹配對象類型； 54.計算候選匹配對象的匹配概率以及合理路徑的路徑選擇概率； 55.通過雙層概率匹配算法，確定最可能的車輛行駛軌跡。
2.根據權利要求1所述的稀疏采樣下基于多重概率匹配的車輛行駛軌跡重構方法，其特征在于，所述步驟SI中的統計歷史采樣點數據誤差是以正態分布擬合采樣點誤差。
3.根據權利要求1所述的稀疏采樣下基于多重概率匹配的車輛行駛軌跡重構方法，其特征在于，所述步驟S2中確定搜索區域是以采樣點為中心，以置信區間半徑為半徑畫圓進行搜索。
4.根據權利要求1所述的稀疏采樣下基于多重概率匹配的車輛行駛軌跡重構方法，其特征在于，所述步驟S3中的候選匹配對象為:在步驟S2確定的搜索區域范圍內的所有對象，根據候選對象特征分為三類:零匹配對象、單匹配對象及多匹配對象。
5.根據權利要求1所述的稀疏采樣下基于多重概率匹配的車輛行駛軌跡重構方法，其特征在于，所述步驟S4中，以最短路算法連接各候選匹配對象，確定采樣點間的合理路徑，計算各候選匹配對象的匹配概率以及合理路徑的路徑選擇概率。
6.根據權利要求1所述的稀疏采樣下基于多重概率匹配的車輛行駛軌跡重構方法，其特征在于，所述步驟S5中，采用雙層概率選擇模型，綜合采樣點匹配概率及其合理路徑的路徑選擇概率，選取最可能的軌跡作為最終重構結果。
全文摘要
本發明提出一種稀疏采樣下基于多重概率匹配的車輛行駛軌跡重構方法，該方法首先利用歷史數據統計稀疏采樣點誤差分布，并確定搜索區域；然后在搜索區域內尋找候選匹配對象(路段或交叉口)，根據候選對象特征分為多種類型，若搜索區域內無匹配對象則不考慮該采樣點，若搜索區域內只有唯一對象則將采樣點匹配至唯一對象，若搜索區域內存在多個候選對象則利用雙層概率匹配模型進一步處理；雙層概率匹配模型根據采樣點的匹配概率和其組成的合理路徑的選擇概率，計算各可能軌跡的匹配概率，選取最大可能概率的軌跡作為稀疏采樣點的重構軌跡。本發明減少了稀疏采樣數據的匹配錯誤，有效地提高了復雜路網中車輛行駛軌跡重構的精度和速度。
文檔編號G01C21/34GK103162702SQ20131007003
公開日2013年6月19日 申請日期2013年3月5日 優先權日2013年3月5日
發明者李軍, 謝良惠, 趙長相 申請人:中山大學
專業數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
