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(gòu)方法
技術(shù)領(lǐng)域:
本發(fā)明涉及交通地理信息技術(shù)領(lǐng)域,更具體地,涉及一種應(yīng)用于復(fù)雜路網(wǎng)中稀疏采樣下的基于多重概率匹配的車輛行駛軌跡重構(gòu)方法。
背景技術(shù):
城市道路網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜,在路網(wǎng)密度高、立交橋復(fù)雜地段往往難以準(zhǔn)確匹配定位數(shù)據(jù),尤其是當(dāng)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(gòu)的難度。當(dāng)前車輛行駛軌跡重構(gòu)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(gòu)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?fù)浞治?、?quán)重匹配等,而稀疏的采樣點難以保證采樣點匹配的準(zhǔn)確度,采樣點匹配的精度又進(jìn)一步影響了車輛行駛軌跡重構(gòu)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(fù)雜度較高;若某一位置錯誤匹配,很容易導(dǎo)致后續(xù)采樣點的匹配錯誤;由于單純的考慮采樣點數(shù)據(jù)特征,并未考慮車輛行駛軌跡的創(chuàng)造者駕駛員的選擇行為,在面對復(fù)雜的路網(wǎng)尤其是高架和普通路之間時,車輛行駛軌跡重構(gòu)效果不理想。
發(fā)明內(nèi)容
為了減少復(fù)雜路網(wǎng)中由于采樣點稀疏及精度不足而引致的匹配失誤,準(zhǔn)確而快速地重構(gòu)車輛行駛軌跡,本發(fā)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(gòu)方法。為了實現(xiàn)上述目的,本發(fā)明的技術(shù)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(gòu)方法,包含以下步驟:S1.采集足量的采樣點歷史數(shù)據(jù)進(jìn)行誤差統(tǒng)計分析;S2.基于歷史數(shù)據(jù)統(tǒng)計稀疏采樣點的誤差分布,確定搜索區(qū)域;S3.在指定區(qū)域內(nèi)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(yōu)選的,所述步驟SI中的統(tǒng)計歷史采樣點數(shù)據(jù)誤差是以正態(tài)分布擬合采樣點誤差。優(yōu)選的,所述步驟S2中確定搜索區(qū)域是以采樣點為中心,以置信區(qū)間半徑為半徑畫圓進(jìn)行搜索。優(yōu)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(qū)域范圍內(nèi)的所有對象,根據(jù)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(yōu)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(yōu)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(gòu)結(jié)果。與現(xiàn)有技術(shù)相比,本發(fā)明的優(yōu)點主要體現(xiàn)在以下幾個方面:I)對采樣點數(shù)據(jù)要求低,數(shù)據(jù)來源廣泛。以稀疏采樣點為數(shù)據(jù)支撐,適用于GPS、基站、雷達(dá)、視頻、人證等多種采樣形式下的車輛行駛軌跡重構(gòu)。2)路網(wǎng)適用性強(qiáng)。適用于各種路網(wǎng)尤其是城市復(fù)雜路網(wǎng),解決了復(fù)雜交叉口及快速路的匹配問題。3)匹配精度高。容易出現(xiàn)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(zhǔn)確的確定車輛行駛軌跡。4)算法復(fù)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(fù)雜路網(wǎng)尤其是高架道路同普通道路定位反復(fù)切換問題。
圖1為采樣點誤差區(qū)間統(tǒng)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(yùn)站至廣州火車站之間的出某租車行駛軌跡重構(gòu)效果示意圖。
具體實施例方式下面結(jié)合附圖對本發(fā)明做進(jìn)一步的描述,但本發(fā)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(xù)量轉(zhuǎn)化成離散量的過程。本發(fā)明中的采樣是指將調(diào)查數(shù)據(jù)作為樣本量在時間域或空間域上進(jìn)行間隔取樣的過程。不同的采樣率對應(yīng)的采樣結(jié)果稀疏程度不同,通過采樣處理可以在保證數(shù)據(jù)在保真度范圍內(nèi)的條件下減少采樣點數(shù)、降低重構(gòu)運(yùn)算量。本發(fā)明結(jié)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(jìn)行重構(gòu),發(fā)明既能夠處理一般數(shù)據(jù)量的路徑重構(gòu)問題,同時在稀疏采樣數(shù)據(jù)情況下也能夠取得較好的軌跡重構(gòu)效果。下面結(jié)合附圖對本發(fā)明進(jìn)一步說明。在具體應(yīng)用中,可以通過GPS、基站、雷達(dá)、視頻、人證等方式獲取采樣數(shù)據(jù)。示例中,利用廣州市出租車的車載GPS進(jìn)行數(shù)據(jù)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(yùn)站至廣州火車站的GPS采樣點進(jìn)行軌跡重構(gòu)。整個車輛行駛軌跡重構(gòu)方法主要分為五個步驟:步驟1:采樣點歷史數(shù)據(jù)的誤差統(tǒng)計分析。首先隨機(jī)采集足量的歷史數(shù)據(jù),使用合理的概率密度分布函數(shù)進(jìn)行誤差統(tǒng)計分析并擬合分布函數(shù)曲線,其中設(shè)μ為車輛位置點距離道路中心線或交叉口節(jié)點距離期望值,σ為標(biāo)準(zhǔn)差。示例利用廣州市4200條出租車GPS數(shù)據(jù)進(jìn)行統(tǒng)計分析。經(jīng)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(yīng)用最廣泛的概率密度-正態(tài)分布Ν( μ,σ 2)函數(shù),期望值μ為5.5846m,標(biāo)準(zhǔn)差σ為14.876m,分布圖見圖1。步驟2:采樣點搜索區(qū)域的確定。根據(jù)正態(tài)分布的特點,服從正態(tài)分布的隨機(jī)變量的概率規(guī)律為:越鄰近μ的值的概率越大,而離μ越遠(yuǎn)的值的概率越小。因此,為了盡可能覆蓋所有的匹配特征,發(fā)明選擇了 99.7%為置信區(qū)間,3 O為置信區(qū)間半徑,然后以采樣點位置為圓心,置信區(qū)間半徑作圓,搜索匹配對象。示例中,當(dāng)標(biāo)準(zhǔn)差σ為14.876m,望值μ為5.5846m時,置信區(qū)間半徑為44.628m。那么μ ±3 σ置信區(qū)間為(-39.628m, +49.628m),為了方便計算,取區(qū)間(-50m,+50m)為置信區(qū)間,此時概率為98%,即98%的數(shù)據(jù)點處于(-50m, +50m)區(qū)間內(nèi)。因此將區(qū)間(_50m,+50m)作為稀疏采樣點匹配誤差的可接受區(qū)域。以GPS點為圓心,50m半徑作圓,圓內(nèi)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(jù)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(dāng)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(dāng)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(jù)統(tǒng)計,不同采樣點候選對象個數(shù)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(shù)據(jù)為多匹配。需要進(jìn)一步利用雙層概率模型進(jìn)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(tǒng)計表
權(quán)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(gòu)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(shù)據(jù)進(jìn)行誤差統(tǒng)計分析; 52.基于歷史數(shù)據(jù)統(tǒng)計稀疏采樣點的誤差分布,確定搜索區(qū)域; 53.在指定區(qū)域內(nèi)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(jù)權(quán)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(gòu)方法,其特征在于,所述步驟SI中的統(tǒng)計歷史采樣點數(shù)據(jù)誤差是以正態(tài)分布擬合采樣點誤差。
3.根據(jù)權(quán)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(gòu)方法,其特征在于,所述步驟S2中確定搜索區(qū)域是以采樣點為中心,以置信區(qū)間半徑為半徑畫圓進(jìn)行搜索。
4.根據(jù)權(quán)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(gòu)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(qū)域范圍內(nèi)的所有對象,根據(jù)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(jù)權(quán)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(gòu)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(jù)權(quán)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(gòu)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(gòu)結(jié)果。
全文摘要
本發(fā)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(gòu)方法,該方法首先利用歷史數(shù)據(jù)統(tǒng)計稀疏采樣點誤差分布,并確定搜索區(qū)域;然后在搜索區(qū)域內(nèi)尋找候選匹配對象(路段或交叉口),根據(jù)候選對象特征分為多種類型,若搜索區(qū)域內(nèi)無匹配對象則不考慮該采樣點,若搜索區(qū)域內(nèi)只有唯一對象則將采樣點匹配至唯一對象,若搜索區(qū)域內(nèi)存在多個候選對象則利用雙層概率匹配模型進(jìn)一步處理;雙層概率匹配模型根據(jù)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(gòu)軌跡。本發(fā)明減少了稀疏采樣數(shù)據(jù)的匹配錯誤,有效地提高了復(fù)雜路網(wǎng)中車輛行駛軌跡重構(gòu)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(yōu)先權(quán)日2013年3月5日
發(fā)明者李軍, 謝良惠, 趙長相 申請人:中山大學(xué)