[发明专利]一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法

说明书

技术领域

本发明涉及交通领域，特别是涉及一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法。

背景技术

在交通出行中，车载设备越来越普及，对GPS数据的研究已经成为当今车联网领域的热门话题。但是由于设备自身的局限性以及外部环境噪声的影响，使得车辆轨迹数据往往会与实际的数据有所偏差，而地图匹配的目的就是让观测的轨迹数据准确地映射到路网位置上。隐马尔可夫模型是一种概率模型，描述由一个隐藏的马尔可夫链随机生成的隐藏状态随机序列，再由各个隐藏状态生成一个观测状态而产生观测随机序列的过程。隐马尔可夫模型在模式识别、语音识别、生物信息等领域有着非常广泛的应用。基于隐马尔可夫模型的地图匹配相对于传统的地图匹配，匹配的准确性更高，对于采样间隔比较大的轨迹数据，也有很好的表现。

发明内容

有鉴于此，本发明的目的是提供一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法，基于隐马尔可夫模型，通过考虑GPS点的位置，速度方向，路网的拓扑以及轨迹点与路网间的关联信息，提出了新的观测概率和转移概率，进一步的提高了地图匹配的准确性。

本发明采用以下方案实现：一种基于隐马尔可夫模型的车辆GPS数据地图匹配方法，包括如下步骤：

步骤S1：从电子地图中获取路网数据：

电子地图为shapefile格式的矢量地图，从该地图中获取路网数据，构建有向道路网络G(V,E)，其中V表示道路的交叉点，E表示每两个交叉点间的路段。为方便计算，定义路段集合S＝{s_n|n＝1,2,…,N}，s_n为第n条路段。该路段的起止点为s_n.start＝{x,y}，终止点为s_n.end＝{x,y}，x,y分别表示经度和纬度。

步骤S2：对收集的真实车辆轨迹数据进行预处理：

所收集的车辆GPS轨迹数据一般是按照一定的时间间隔采集的，城市中的车辆一天内便可产生海量的GPS轨迹数据。其中有不少速度，位置异常的轨迹数据，需要事先进行清理，以剔除这些数据。

步骤S3：选取每个观测点一定距离内的路段作为匹配的候选路段：

定义车辆的一次GPS轨迹数据的序列为P＝p₁→p₂→…→p_i→…→p_T，T表示这辆车采样点的总数，每个GPS点p_i＝<x,y,t,v,dir>，分别表示经度，纬度，采样时间，瞬时速度，行驶方向，其中行驶方向正北，东北，正东，东南，正南，西南，正西，西北8个方向分别对应数字0-7；

对于每个观测点，以该点为圆心在半径r范围内(r的值通过实验评估得到)所有路段作为候选路段，每个观测点到候选路段的垂直投影点(观测点做候选路段的垂线，垂足即为投影点)为候选点，若无投影点，则以该候选路段离观测点最近的节点作为候选点。其中观测点的候选路段集为表示观测点p_i的第k条候选路段，候选点的集合表示该点的第k个候选点；

步骤S4：根据隐马尔可夫模型，分别计算每个观测点的观测概率以及相邻候选路段间的转移概率：

隐马尔可夫模型是一种概率模型，描述由一个隐藏的马尔可夫链随机生成的隐藏状态随机序列，再由各个隐藏状态生成一个观测状态而产生观测随机序列的过程。对于已知的候选路段(隐藏状态)，得到观测点，定义观测概率:

其中d表示观测点p_i到候选点的距离，σ是根据经验来估计GPS误差的标准偏差，即GPS观测点的偏移误差服从高斯分布，取值通过实验评估得到。cosθ表示观测点的速度方向与候选路段夹角的余弦值，添加绝对值表示选取候选路段正向或者反向都不会对余弦值产生影响。α表示方向特征对观测概率的影响程度，取值通过实验评估得到。

定义转移概率：

其中d_i-1,i表示相邻观测点p_i-1和p_i间的欧氏距离，D_i-1,i表示其对应的候选点间的最短路径，d_i-1表示观测点p_i-1到其候选点的距离，同理d_i表示观测点p_i到其候选点的距离，λ∈[0，1]，λ值越大表示相邻观测点间欧氏距离与候选点间的最短路径的相似度对转移概率的影响越大，λ越小表示观测轨迹与匹配轨迹相似度的影响更大，λ取值通过实验评估得到。