论文部分内容阅读
地图匹配的过程是指以一系列可能存在有噪音的全球定位系统的坐标点作为输入,输出此系列坐标点在真实地图道路网上位置的估计。现在可利用的全球定位系统坐标轨迹数据有很多,比如来自于车载全球定位系统设备及个人数字设备等。地图匹配过程在基于全球定位系统的应用当中扮演着非常重要的角色,比如路线导航,车队管理,道路交通流量监测等,因为这些应用需要知道当前车具体是在哪条路上。然而,尽管现在已经有非常多的地图匹配方法已经被提出,但是它们当中的大部分都是在从事先规划好的路径上收集的低噪音的数据集上进行评估的。此外,各个方法之间的对比也非常有限。在本课题当中,我们首先对各个不同算法所用到的计算权重的数学方程公式进行分类,并将使用得比较广泛的特征进行聚合,从而将已有算法分成三类:增量权重最优方法,全局权重最优方法及基于几何学的全局化方法。而后我们针对全局权重最优方法创新性地提出一种评估框架,用来评估各个算法的优势和劣势。为了较为全面的评估各类算法,我们使用了三种不同的数据集来进行评估各类当中的代表性算法。这三种数据集分别是:GIS CUP2012数据集,从上海市区收集具有高噪音的数据集以及北京真实出租车的数据集。实验结果显示,全局权重最优方法以及基于几何学的全局化方法具有最高的正确率,但是每一种却有自己对应的缺点。基于这个观察,我们提出了自己的混合算法,该算法将全局权重最优方法当中的优化过程引入到全局基于“弗雷歇距离”的几何全局化方法中。该混合算法在实验当中表现较为出色:在不同的采样率以及不同的数据集中正确率均比较高。而且,与基于隐马科夫的全局权重最优方法相比,该混合算法不需要对参数进行繁琐的调试并且性能在所有数据集上的稳定性也非常好。