一种最优目标链路的匹配方法

1.本发明涉及道路路径匹配技术领域，具体涉及一种最优目标链路的匹配方法。


背景技术：

2.在地图匹配过程中利用路段连通性以及其他数据(即位置、速度和航向) 的地图匹配算法通常适用于来自gps的高频(1hz或更高)定位数据。当将这种地图匹配算法应用于低频数据(例如来自私家车、公共汽车或轻型车辆或智能手机的数据)时，这些算法的性能在正确链路标识方面降低到70％的区域，特别是在城市和郊区道路网络中。对于某些实时智能运输系统(its)应用和服务(例如从低频gps数据估计链路行进时间和速度)而言，这种性能水平可能是不充分的，由此，当起始节点和终止节点已知时，系统所推荐的行驶链路精度不够高。


技术实现要素：

3.本发明的目的在于提供一种最优目标链路的匹配方法，以能够确保最短链路的真实性的同时确保推荐链路的高精度。
4.本发明解决上述技术问题的技术方案如下：
5.本发明提供一种最优目标链路的匹配方法，包括：
6.s1：获取地图中的路径相关信息；
7.s2：根据所述路径相关信息，利用路径搜索算法，得到多条目标链路；
8.s3：获取所有所述目标链路中的最短链路；
9.s4：根据所述最短链路，利用权重和车辆轨迹匹配算法，得到最优目标链路的匹配结果。
10.可选择地，所述步骤s4包括：
11.s41：利用距离加代价启发式函数，得到所述最短链路的最短链路距离；
12.s42：获取所述最短链路的车辆轨迹航向差、目标节点到候选链接点的垂直距离和轴承差；
13.s43：根据所述最短链路的最短链路距离、车辆轨迹航向差、目标节点到候选链接点的垂直距离和轴承差，得到所述最短链路、车辆轨迹航向差、目标节点到候选链接点的垂直距离和轴承差对应的最优权重系数；
14.s44：根据所述最优权重系数以及权重和车辆轨迹匹配算法，得到新的权重和车辆轨迹匹配算法；
15.s45：根据实际目标节点，利用所述新的权重和车辆轨迹匹配算法，得到最优目标链路的匹配结果。
16.可选择地，所述步骤s41包括：
17.s411：获取所有所述目标链路中的所有节点段相关信息，其中，所述节点段相关信息包括节点段的距离信息、导通性和转向限制；
18.s412：判断当前目标链路的起始节点段是否导通，若是，进入步骤s413，否则，进入步骤s418；
19.s413：判断当前目标链路是否受转向限制，若是，进入步骤s418，否则，进入步骤s414；
20.s414：获取当前目标链路受转向限制节点段的历史定位数据，得到当前目标链路的距离信息；
21.s415：根据所述当前目标链路的距离信息，利用距离加代价启发式函数，得到所述当前目标链路的最低函数值；
22.s416：判断所述当前目标链路是否为最后一个目标链路，若是，进入步骤s417，否则，进入步骤s419；
23.s417：对比所有所述目标链路的最低函数值，并将最低函数值最小的目标路径作为最短链路；
24.s418：根据最短链路的所有所述节点段的距离信息，得到所述最短链路的最短链路距离；
25.s419：进入下一条目标链路并返回步骤s412。
26.可选择地，所述步骤s413中，所述转向限制包括：所述目标路径中包括低频节点段，所述低频节点段的频率响应速度低于正常节点段的频率响应速度。
27.可选择地，所述步骤s415中，所述距离加代价启发式函数f(x)为：
28.f(x)＝g(x) h(x)
29.其中，g(x)表示路径代价函数，h(x)表示启发式估计函数。
30.可选择地，所述步骤s42中，所述车辆轨迹航向差hd为：
31.hd＝whf(δθ)
32.其中，wh为车辆轨迹航向差的权重系数，f(δθ)为正函数且 f(δθ)＝|cos(δθ)|，δθ＝|θ-θj|，θ为起始节点到目标节点之间的车辆轨迹航向，θj为起始节点到候选链路的车辆轨迹航向。
33.可选择地，所述步骤s42中，所述目标节点到候选链接点的垂直距离pd 为：
34.pd＝wdf(dj)
35.其中，wd为垂直距离权重系数，f(dj)是垂直距离dj的正函数且
36.可选择地，所述步骤s42中，所述轴承差bd为：
37.bd＝wbf(δα)
38.其中，wb所述为轴承差权重系数，f(δα)为轴承差值的正函数且 f(δα)＝|cos(δα)|，δα＝|a-aj|，a为车辆的方位(相对于北方)，aj为候选链路cj的方位。
39.可选择地，所述步骤s43包括：
40.s431：初始化所述最短链路、车辆轨迹航向差、目标节点到候选链接点的垂直距离和轴承差，得到新的最短链路、新的车辆轨迹航向差、新的目标节点到候选链接点的垂直距离和新的轴承差；
41.s432：对误差最小化函数赋值，得到赋值后的误差最小化函数；
42.s433：根据所述新的最短链路、新的车辆轨迹航向差、新的目标节点到候选链接点的垂直距离和新的轴承差，以及赋值后的误差最小化函数，分别得到所述新的最短链路、新的车辆轨迹航向差、新的目标节点到候选链接点的垂直距离和新的轴承差所对应的权重系数值；
43.s434：判断各所述权重系数值是否为误差百分比最小的权重系数，若是，进入步骤s435；否则，进入步骤s436；
44.s435：输出各所述权重系数值；
45.s436：利用ga算法，对所述新的最短链路、新的车辆轨迹航向差、新的目标节点到候选链接点的垂直距离和新的轴承差进行优化，之后返回步骤 s432。
46.可选择地，所述步骤s432中，所述误差最小化函数mm
error
为：
47.mm
error
＝0.2wd 0.23wb 0.3ws 0.08wh 0.006w
s2-0.0007wdwb48.其中，wd为垂直距离权重系数，wb所述为轴承差权重系数，wh为车辆轨迹航向差的权重系数，ws为最短链路权重系数。
49.本发明具有以下有益效果：
50.通过上述技术方案，即通过本发明所提供的最优链路的匹配方法，在确定最短链路的过程中，考虑了低频定位数据，从而能够确定实际的最短链路，确保了最短链路的真实性，此外，通过利用权重和车辆轨迹匹配算法，能够进一步确保推荐链路的高精度。
附图说明
51.图1为本发明所提供的最优目标链路的匹配方法的流程图；
52.图2为本发明所提供的最短链路搜索结构示意图；
53.图3为初始地图匹配过程示意图；
54.图4为轴承差的结构示意图。
具体实施方式
55.以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
56.实施例
57.本发明解决上述技术问题的技术方案如下：
58.本发明提供一种最优目标链路的匹配方法，参考图1所示，所述最优目标链路的匹配方法包括：
59.s1：获取地图中的路径相关信息；
60.s2：根据所述路径相关信息，利用路径搜索算法，得到多条目标链路；
61.在本发明中，采用a*最短路径搜索算法在路径相关信息搜索目标起始节点和目标结束节点之间的目标链路，考虑到经济性和与车辆轨迹相匹配的原因，对多条目标链路进一步进行处理，处理方式如下：
62.s3：获取所有所述目标链路中的最短链路；
63.在本发明中，最短链路基于出租车或公交车通过考虑路径导通性和最小代价信息
(换乘最小成本或油耗最小)，确定所有目标链路中的最短链路，当然，本领域技术人员也可以选择其他方式确定最短链路，本发明不做具体限制。
64.s4：根据所述最短链路，利用权重和车辆轨迹匹配算法，得到最优目标链路的匹配结果。
65.可选择地，所述步骤s4包括：
66.s41：利用距离加代价启发式函数，得到所述最短链路的最短链路距离；
67.可选择地，所述步骤s41包括：
68.s411：获取所有所述目标链路中的所有节点段相关信息，其中，所述节点段相关信息包括节点段的距离信息、导通性和转向限制；
69.s412：判断当前目标链路的起始节点段是否导通，若是，进入步骤s413，否则，进入步骤s418；
70.s413：判断当前目标链路是否受转向限制，若是，进入步骤s418，否则，进入步骤s414；
71.s414：获取当前目标链路受转向限制节点段的历史定位数据，得到当前目标链路的距离信息；
72.s415：根据所述当前目标链路的距离信息，利用距离加代价启发式函数，得到所述当前目标链路的最低函数值；
73.s416：判断所述当前目标链路是否为最后一个目标链路，若是，进入步骤s417，否则，进入步骤s419；
74.s417：对比所有所述目标链路的最低函数值，并将最低函数值最小的目标路径作为最短链路；
75.s418：根据最短链路的所有所述节点段的距离信息，得到所述最短链路的最短链路距离；
76.s419：进入下一条目标链路并返回步骤s412。
77.可选择地，所述步骤s413中，所述转向限制包括：所述目标路径中包括低频节点段，所述低频节点段为频率响应速度低于正常节点段的频率响应速度。
78.具体地，作为一种具体实施例，对上述方法展开描述：
79.使用一个距离加代价启发式函数即f(x)来确定路径的最低f(x)值。对于道路网络，f(x)是两个函数的和：
80.(1)路径代价函数g(x)是从起始节点到当前节点的距离。
81.(2)启发式估计函数h(x)是从当前节点到目标节点的距离。
82.选择成本较低的路径段(即f(x)的最小值)作为最短路径，并被连续处理直到达到目标节点。为了进行地图匹配，需要在最短路径搜索中利用路段之间的连通性以及交叉口处的转向限制信息。图2说明在地图匹配处理的情况下的a*搜索算法的处理。在图中，车辆在假设网络中从节点a行进到节点f，其中链路ba和fc是单向段。处理如下：
83.第一步：
84.(1)通过考虑连接性：
85.f(ac)＝10 22，f(ab)＝18 12，f(ae)＝40 30
86.(2)考虑转向限制：
87.f(ac)＝10 22和f(ae)＝40 30
88.f(ab)即使具有最低的f(x)值也会从候选集中删除。这是因为ab是单向段，车辆不能从节点a行驶到节点b。
89.第二步：
90.(1)通过考虑连接性：
91.f(cf)＝30 0，f(cb)＝20 12，f(ae)＝40 30
92.(2)通过考虑转向限制，f(cf)被去除，因为cf是单向分段，并且车辆不能从节点c行进到节点f。
93.第三步：
94.(1)通过考虑连接性：
95.f(bf)＝32 0，f(bd)＝30 10，f(ae)＝40 30
96.(2)考虑到转向限制，它们都不会被删除。
97.因此，车辆从节点a到节点f的最短路径为ac
→
cb
→
bf。对于地图匹配算法，最短路径算法也有助于减少候选链接的数量，从而提高效率、准确性和可靠性。如果没有找到候选链接与前面匹配链接之间的最短路径，则应将候选链接从候选链接集合中删除。
98.s42：获取所述最短链路的车辆轨迹航向差、目标节点到候选链接点的垂直距离和轴承差；
99.s43：根据所述最短链路的最短链路距离、车辆轨迹航向差、目标节点到候选链接点的垂直距离和轴承差，得到所述短链路、车辆轨迹航向差、目标节点到候选链接点的垂直距离和轴承差对应的最优权重系数；
100.s44：根据所述最优权重系数以及权重和车辆轨迹匹配算法，得到新的权重和车辆轨迹匹配算法；
101.s45：根据实际目标节点，利用所述新的权重和车辆轨迹匹配算法，得到最优目标链路的匹配结果。
102.可选择地，所述步骤s42中，所述车辆轨迹航向差hd为：
103.hd＝whf(δθ)
104.其中，wh为车辆轨迹航向差的权重系数，f(δθ)为正函数且 f(δθ)＝|cos(δθ)|，δθ＝|θ-θj|，θ为起始节点到目标节点之间的车辆轨迹航向，θj为起始节点到候选链路的车辆轨迹航向。
105.可选择地，所述步骤s42中，所述目标节点到候选链接点的垂直距离pd 为：
106.pd＝wdf(dj)
107.其中，wd为垂直距离权重系数，f(dj)是垂直距离dj的正函数且
108.可选择地，所述步骤s42中，所述轴承差bd为：
109.bd＝wbf(δα)
110.其中，wb所述为轴承差权重系数，f(δα)为轴承差值的正函数且 f(δα)＝|cos(δα)|，δα＝|a-aj|，a为车辆的方位(相对于北方)，aj为候选链路cj的方位。
111.可选择地，所述步骤s43包括：
112.s431：初始化所述最短链路、车辆轨迹航向差、目标节点到候选链接点的垂直距离和轴承差，得到新的最短链路、新的车辆轨迹航向差、新的目标节点到候选链接点的垂直距离和新的轴承差；
113.s432：对误差最小化函数赋值，得到赋值后的误差最小化函数；
114.s433：根据所述新的最短链路、新的车辆轨迹航向差、新的目标节点到候选链接点的垂直距离和新的轴承差，以及赋值后的误差最小化函数，分别得到所述新的最短链路、新的车辆轨迹航向差、新的目标节点到候选链接点的垂直距离和新的轴承差所对应的权重系数值；
115.s434：判断各所述权重系数值是否为误差百分比最小的权重系数，若是，进入步骤s435；否则，进入步骤s436；
116.s435：输出各所述权重系数值；
117.s436：利用ga算法，对所述新的最短链路、新的车辆轨迹航向差、新的目标节点到候选链接点的垂直距离和新的轴承差进行优化，之后返回步骤 s432。
118.tws＝wdf(dj) wbf(δα) wsf(δl) whf(δθ)
119.其中，四个权重系数(即wd、wb、ws、wh)用于提供不同权重分数的相对重要性，因此，这四个权重系数的总和应等于一个固定值，比如100。需要方法最佳地估计这些加权参数，这些权重的值可以通过优化分析获得。因此，总加权分数(tws)如上式所示。
120.可选择地，所述步骤s432中，所述误差最小化函数mm
error
为：
121.mm
error
＝0.2wd 0.23wb 0.3ws 0.08wh 0.006w
s2-0.0007wdwb122.其中，wd为垂直距离权重系数，wb所述为轴承差权重系数，wh为车辆轨迹航向差的权重系数，ws为最短链路权重系数。
123.具体地，因为最短路径用的是a*需要计算起始节点和结束节点之间的搜索算法，执行imp需要两个epoch的定位数据，如图3所示，有两个连续的定位点，记为p1和p2车辆位置pi(i＝1,2)包括许多属性，例如东方坐标xi，北方坐标yi，车辆的速度vi，车辆轴承ai这可以表示为：
124.pi＝{xi,yi,vi,ai}
125.imp的目标是将第二个位置p2匹配到正确的路段，而不是在第一个位置 p1识别正确的路段。这是为了避免在信息有限的p1处错误匹配到地图匹配的可能性。在p2的置信区间内有四个候选链接。
126.这可以表示为：
127.cj＝{ab,bc,cd,da}
128.其中j为候选片段的个数。在其中的候选链接cj上可以找到4个候选地图匹配位置：
[0129][0130]
置信区间是由p2的gps定位质量决定的圆。从这些候选地图匹配位置到第一个位置固定位置p1，利用半搜索算法可以确定4条最短路径。这4条路径可能共享如图3中红色箭头所示的一些公共链接，也可能完全相互独立。引入了与最短路径和车辆轨迹相关的两
个新权值。一旦计算出最短路径，就可以为每个可执行的链路分配4个不同的权值，以识别正确的链路。它们分别是：(1)垂直距离(pd)的权重；(2)轴承差的权重；(3)最短路径距离(sd)的权重；(4)车辆轨迹航向差(hd)的权重。每个权重都表示为函数形式：
[0131]
pd＝wdf(dj)
[0132]
bd＝wbf(δα)
[0133]
sd＝wdf(δl)
[0134]
hd＝wdf(δθ)
[0135]
wi权重系数表示不同权重的相对重要性。垂直距离pd的权重是dj的函数，即p2到候选链路cj的垂直距离，dj越小，权重越高。因此，f(dj)是垂直距离cj的正函数(范围从0到1)，直接影响pd的加权评分。定义为：
[0136][0137]
垂直距离越小，pd的加权评分越高，即如果p2点离候选链路越近，该链路成为正确链路的可能性越大。一个垂直距离高于200m的候选链路产生了
‘
零’的加权评分，表明定位固定距离段较远，因此，这种大距离在识别正确段时变得不那么重要。f(δα)是轴承差值的正函数(范围从0到1)，直接影响pd的加权评分：
[0138]
f(δα)＝|cos(δα)|
[0139]
其中δα＝|a-aj|。这里对f(δα)采用绝对值，将角度差从(0-180
°
)减小到 (0-90
°
)。这与现有的地图匹配算法不同。借助图4简单解释了原因,如前所述，现有的地图匹配算法通常是针对1hz频率的定位数据设计的。在图4a 中，如果p1和p2是从1hz的定位数据集中得到的，则p1在链路ab上匹配(即 p1和p2)。车辆要从节点a行驶到节点b。
[0140]
因此，连杆ab的轴承应为ab，即(与北方有关)。假设车辆轴承为p2处的(与北方有关)，车辆航向与连杆ab的轴承差为60
°
。然后根据现有的地图匹配算法，将cos(60
°
)＝0.5的权重分配给链接ab。然而，如果p1和p2是从低频定位数据集中得到的(如图4b所示)，则有先验的迹象表明车辆是从节点a到节点b行驶，或者反之。车辆可以通过ab链路的两个节点中的任何一个。连杆ab的轴承既可以是也可以是因此，轴承差异可能是60
°
或240
°
。链路ab的权重可以是cos(60
°
)＝0.5，也可以是cos(240
°
)＝0.5。
[0141]
考虑到在低频数据情况下车辆可以通过ab链路的两个节点中的任意一个，所用算法对ab链路的低承载差赋予了较高的权重，即 |cos(60
°
)|＝|cos(240
°
)|＝0.5。因此，角度差的范围缩小到(0-90
°
)。
[0142]
sd＝wdf(δl)是候选链路上连续两个位置固定的距离与第一个位置固定到当前地图匹配点的最短路径距离之差，l表示两个位置固定之间的欧氏距离，lj表示从到p1的最短路径距离。因此，提出了sd加权评分中距离差的函数：
[0143][0144]
其中δl＝|l-lj|，f(δl)的函数值在0～1之间。对于距离较小的差异，应给予较高的权重。1000米作为该函数的阈值，也用于最短路径搜索过程。如果最短路径搜索算法中
的距离加代价启发式函数超过1000m加上连续两个位置固定的距离，最短路径算法停止搜索过程,sd的加权评分函数值f(δl)为候选链路赋值为零。该阈值对最短路径搜索非常有用，因为它提高了处理时间，因此算法适合实时应用。此阈值可根据定位数据的频率动态调整，进一步提高算法的处理时间(例如,可以将较小的阈值赋给较高频率的数据)。
[0145]
(1)为θ与θj方向差异的加权评分，其中θ为p1与p2之间的车辆轨迹航向, 因此，f(δθ)是正函数(范围为0和1)，并采取如下形式：
[0146]
f(δθ)＝|cos(δθ)|
[0147]
其中δθ＝|θ-θj|。高的重量应给予较小的重量。与轴承差类似，角度差的范围也减小到(0-90
°
)。
[0148]
(2)四个权重系数(即wd，wb，ws，wh)提供不同权重分数的相对重要性，因此这四个权重系数之和应该等于一个固定值100。这些权重的值可以通过优化分析或实证分析获得。因此，给出了总加权评分(tws)：
[0149]
tws＝wdf(d) wbf(δα) wsf(δl) whf(δθ)
[0150]
采用一种基于遗传算法的优化技术。地图匹配过程中识别正确链接的错误很大程度上取决于这四个权重系数的值。如果我们能够访问具有真实输入和输出的参考数据集，那么一组系数值将导致正确链接识别的特定百分比错误。地图匹配误差百分比与对应的权重系数之间可以形成函数关系。因此，可以采用ga算法识别使地图匹配误差百分比最小的权重系数的值。这成为一个误差最小化问题，可以施加两个边界条件。
[0151]
利用由2130个gps历元组成的基准输入输出地图匹配数据集，得到如下误差最小化函数。
[0152]
mm
error
＝0.2wd 0.23wb 0.3ws 0.08wh 0.006w
s2-0.0007wdwb[0153]
在ga优化过程中，采用40％的交叉率和60％的变异率，种群规模为50 (均匀分布在1～100之间)。经过1230代后，函数值(适应度值)达到全局最优值。
[0154]
找到最优权重系数值为wd＝32，wb＝21，ws＝35和wh＝12。可见，总权重的50％略多于传统的pd和bd权重，这意味着这两个权重对所有频率数据都非常有用。考虑到gps航向在车辆速度很低时(小于3m/s)较差，发现较高的重量与pd有关。之所以只将总重量的35％分配到最短路径距离上，是因为车辆可能并不总是在最短路径上行驶。在这种情况下，其他权值都有能力对sd权值可能引起的误差进行修正。赋予权重最高的链路作为候选链路之间的正确链路，候选链路上地图匹配位置作为当前道路上地图匹配位置。
[0155]
本发明具有以下有益效果：
[0156]
通过上述技术方案，即通过本发明所提供的最优链路的匹配方法，在确定最短链路的过程中，考虑了低频定位数据，从而能够确定实际的最短链路，确保了最短链路的真实性，此外，通过利用权重和车辆轨迹匹配算法，能够进一步确保推荐链路的高精度。
[0157]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。