论文部分内容阅读
近年来,在城市发展带给我们便利的现代化生活的同时,伴随而来的是众多的问题和挑战,例如交通拥堵、尾气污染、城市规划落后等。另一方面,随着人工智能、大数据挖掘等技术在城市规划、交通监管、能源配置等领域发挥着越来越重要的作用,城市计算这一领域成为了近几年的研究热点。地图匹配作为城市计算的一个重要环节,在路径规划、导航、道路流量监管等方面有着广泛的应用。地图匹配是将原始的交通轨迹点转换成交通路网中路段的方法,这种点到线的转化可以为后续的各种和道路流量、路网优化等相关的科学研究提供优质的数据源。鉴于上述关于地图匹配的重要意义,本文将研究重点集中在优化城市交通轨迹的地图匹配方法上。在地图匹配问题中,粒度粗采样的GPS轨迹比粒度细的难匹配、精度差,一般的增量算法比全局算法精度差,但增量算法速度快,因此,本文提出了一种基于加权最短路的增量地图匹配算法,目的是解决增量算法在匹配粗粒度的GPS轨迹时效果不佳的问题。传统的增量算法在匹配时只考虑采样点和目标路段的空间关系,本文提出的匹配算法同时考虑了空间关系、前后路段连接关系、路段自身属性、人们的驾车习惯、速度限制等因素,一是提高单个GPS点在候选路段间的匹配精度,二是提高填补两GPS点的匹配路段之间缺失路径的精度。通过实验证明,本算法在保证增量地图匹配算法良好的时间效率的同时提高了匹配结果的准确性。车辆GPS轨迹存在着若干局限性,例如采集成本高、能耗大、对道路交通的覆盖率低,而手机信令数据几乎覆盖了城市中所有人口的行为轨迹,因此本文提出了一种基于历史经验和隐马尔可夫模型的地图匹配算法,用来将手机信令轨迹匹配到交通路网上。手机信令数据噪点多、质量差,各种出行方式的轨迹混杂在一起,算法首先要进行数据预处理来平滑定位误差和过滤噪声,然后进行轨迹模式识别,将车辆轨迹从其他类型的轨迹中区分出来。在匹配阶段,针对手机信令轨迹采样稀疏的问题,本文区别于传统的线性和非线性插值算法,提出了基于历史轨迹路径和时间段因素的轨迹插值方法,并根据输入的轨迹和路网数据构建基于概率的隐马尔可夫模型,将地图匹配问题巧妙地转化为维特比解码问题。通过实验证明本文的基于历史经验和隐马尔可夫模型的手机信令轨迹地图匹配算法较传统只使用隐马尔可夫模型的算法在匹配精度上有较大提升。