| 标题 | 一种基于浮动车优化地图匹配方法 |
| 范文 | 田甜 吕芳 王秀玲 摘 要： 地图匹配方法，对于浮动车技术有着重要的意义。由于浮动车数据自身的特点，传统的地图匹配算法难以直接应用在城市道路浮动车数据匹配上。针对目前浮动车地图匹配算法应用于城市复杂路网时只考虑单一车辆位置数据，联动性研究较少，导致产生匹配精度不高的问题，考虑车辆运行特征与道路路网的连通信息，同时结合动态GPS数据， 把模糊逻辑推理思想引入到网格地图匹配方法中，提出一种优化的地图匹配方法，并对其有效性进行了验证。研究表明，优化浮动车地图匹配方法在保持网格地图匹配实时性优点的同时，提高了算法的匹配精度。 关键词： 浮动车； GPS； 模糊逻辑； 地图匹配 中图分类号： TN957.52+9； U495 文献标识码： A 文章编号： 1004?373X（2015）11?0159?04 Optimized map?matching method for floating car TIAN Tian， L? Fang， WANG Xiu?ling （Institute of Electronic Information Engineering， Inner Mongolia University of Technology， Hohhot 010000， China） Abstract： Map?matching method has great significance for floating car technology. It is hard for the traditional map?matching algorithm to be directly applied to floating car data matching of city road due to the characteristics of floating car data. Currently， since the floating car map?matching algorithm used in city complex road network considers the single vehicle location data only， and the research on co?movement is less， it results in low matching precision. Considering the vehicle operating characteristics and the intercommunication information of road network， the optimized map?matching method is proposed with the dynamic GPS data， in which the fuzzy logic theory is introduced into the grid map?matching method. The effectiveness of the method was verified. The research results show that the optimized map?matching method for floating car can improve the matching precision of the algorithm while keeping the advantage of real?time performance of grid map?matching. Keywords： floating car； GPS； fuzzy logic； map?matching 0 引 言 交通拥堵现已成为困扰现代城市发展的严重问题，及时反映交通状况，采取合理的预警措施，避免交通拥堵，已成为智能交通领域亟需解决的问题[1]。而随着科技的进步，以固定型交通采集技术[2]为主的传统交通信息采集方式，已经不能够适应快速增长的道路数量和车辆保有量。浮动车技术作为一种崭新的城市路况信息获取、道路建设和出行规划方式，逐步成为研究热点。 浮动车数据地图匹配是浮动车技术中亟需解决的关键性问题。然而，现有的地图匹配算法如耿小峰等利用道路几何特征对车辆进行地图匹配[3]；苏海滨等引用模糊神经网络对车辆特征变量进行学习[4]，提高算法容错能力；李珂等基于D?S证据理论的地图匹配算法通过建立信任函数和证据融合，考察可达性进行匹配选择[5]；杨海强等基于权重的匹配方法考虑定位点时间间隔，充分运用定位信息以加强匹配效果[6]。总的来说，现有算法多重视匹配准确率，少有考虑车辆行驶特点及道路网间复杂连通信息，导致其应用性欠妥。而基于网格搜索的地图匹配，算法概念简单，易于编码实现，满足浮动车匹配的实时性要求，但其在弯道或道路密集的交叉口等路况复杂时匹配率较低。本文考虑浮动车数据特点及道路网连通信息，把模糊逻辑推理思想引入到网格地图匹配方法中，提出了一种优化的地图匹配方法，在保持浮动车数据地图匹配实时性要求的同时，有效提高了算法的匹配精度。 1 传统的网格地图匹配方法 通过网格划分将电子地图路网划分为多个网格并进行编号，根据GPS定位点快速搜索浮动车点相对于电子地图的位置进行匹配。 先将栅格化电子地图划分为若干个网格，根据提取到的有效GPS定位信息，在网格列表中搜寻所处的网格，确定网格编号，在其内有效行驶路径上对浮动车点进行匹配处理。然而，仅限于浮动车点所在网格内待匹配行驶路径是不合理的，若定位点在网格边界处，其位置很可能在与网格相连的其他网格路段中，考虑到此种情况，在搜索待匹配行驶路径时，搜索范围定为浮动车点所在网格及其相连的九个网格。计算浮动车点到路段的投影距离，进行匹配，用以得到当前车辆的具体行驶位置。 2 优化的浮动车地图匹配方法 由上述方法可知，传统网格地图匹配方法所需确定的参数不多，操作简单，使用方便。但其缺点是在匹配过程中未考虑到车辆的行驶特性和路段之间的连通性，匹配率较低，且其在复杂的道路网环境中，难以实现。基于以上缺点，本研究在方法中融入了模糊逻辑思想，有效缩小了传统网格匹配中网格搜索的待匹配路段的范围，使得算法在准确性、实时性方面达到了实际应用的要求。 2.1 模糊逻辑推理 模糊逻辑是1965年加州大学伯克力分校Lotfi Zadeh在《Fuzzy Sets》的学术论文中提出的。20世纪80年代，E.H.Mamdani把模糊语言应用在工业控制中，并提出了模糊控制论，使模糊逻辑进入实用阶段。Zhao（1997） and Kim et al.（1999）最先将模糊逻辑应用于地图匹配中，提出了一种模糊适用方法来确定正确的链路。 模糊逻辑推理算法主要分为两大类，Mandam型和Sugeno型，这两种类型的模糊逻辑推理都是If?then规则的语言模型。基于If?then规则的模糊逻辑是定义了一个将输入和输出联系起来的模糊推理系统[7]。本文研究采用Sugeno型算法，其模糊推理规则如下： If input1 is [x] and input2 is [y] then output [z=px+qy+r] 式中：p，q，r为常数；output为输出变量；input1，input2为输入变量；x，y为推理前模糊集合。 根据模糊推理算法原理，基于模糊数学和概率统计学理论，通过模糊逻辑评判各候选链路选择待匹配道路。逻辑评判规则如下： （1） 浮动车点位置距待匹配路段距离是否在可靠范围内； （2） 当前车辆行驶方向是否与待匹配路段取向相同； （3） 车辆的实时速度是否符合驶在（驶入）待匹配路段要求。 在Ochieng W.Y.等人的研究[8]中，考虑到数据的稳定性，对浮动车行驶方向与准确匹配的道路，方向角度差范围基本在120°以内。而考虑到由GPS定位误差、坐标转换误差、电子地图误差等种种原因导致的浮动车本身误差距离（10～15 m）和道路路幅宽度，浮动车点到链路的最短距离选定为25 m。综合评判规则，将以下三个条件同时作为浮动车候选链路的确定条件： （1） 浮动车点到链路的最短距离（Distance） 设P（x，y）为当前的浮动车位置定位点，N1（x1，y1）为P在路段上的投影点，把浮动车点到链路的垂直投影距离[d=（x-x1）2+（y-y1）2]作为其到链路的最短距离，节点处以浮动车点到节点距离为其到链路的最短距离，以此距离为论域[X。]隶属函数关系如图1（a）所示。 （2） 浮动车与链路方向角度差 以正北方向为零度，浮动车行驶方向夹角与道路指向夹角之差称为方向角度差（Heading Angle Difference，HAD），以此角度为论域[Y。]隶属函数关系如图1（b）所示。 （3） 速度（velocity） 浮动车行驶速度范围为[0，120]，以此为论域[Z。]隶属函数关系如图1（c）所示。 图1 模糊系统隶属函数图 以上述三个隶属函数作为基础，就可以对浮动车待匹配路段的可能性做出综合评判。取综合隶属函数为[U，]则论域为： [U=X×Y×Z={（x，y，z）x∈X，y∈Y，z∈Z}] 确定权向量[p=[a，b，c]；]其中[a，][b，][c]分别表示因素x，y，z在综合评判中比重大小，[a+b+c=1。]在匹配过程中，考虑到方向一致平行路段易引起匹配错误，设定参数[a>b，]即：距离在可信度中的权值比方向大。以此模糊逻辑推理输出，选出各候选链路中可能性大的候选链路作为待匹配的浮动车行驶径路。 2.2 基于模糊的网格地图匹配 根据在前述筛选出的模糊逻辑判断的待匹配行驶路径，用网格搜索匹配方法确定浮动车在其上行驶的具体位置。其中，通过建立误差区域排除不相关路段，减少所需计算量，定义误差范围。以概率统计法为基础，定义误差椭圆[9]，如图2所示。 在此误差椭圆内，计算浮动车点到待匹配行驶径路的投影距离，取距离最短的路段进行匹配。误差椭圆定义： [a=δ012δ2x+δ2y+（δ2x-δ2y）2+4δ2xyb=δ012δ2x+δ2y-（δ2x-δ2y）2+4δ2xyφ=π2-12xarctan2δxyδ2x-δ2y] 式中：[δx，δy]为传感器向东、向北方向测量误差的标准差；[δ2x，δ2y]为传感器向东、向北方向测量误差的方差；[δxy]为传感器向东、向北方向测量误差的协方差；[a]为误差椭圆长半轴；[b]为误差椭圆短半轴；[φ]为误差椭圆长半轴与正北方向的夹角；[δ0]为扩展因子（可调整以获取不同可信度）匹配完成，如若仍找不到匹配位置，则可以改变网格划分精度，细划网格，再次进行搜索、匹配，确定浮动车位置点的最终匹配位置。 整个优化匹配方法由两个重要过程组成，通过模糊逻辑推理选定待匹配的浮动车行驶路径和通过网格搜索匹配确定浮动车点的具体位置。其中可根据具体情况宏观调控模糊逻辑隶属规则或改变网格划分方式以达到最佳匹配效果，方法流程如图3所示。步骤如下： （1） 数据预处理：对采集到的GPS浮动车原始数据进行数据的预处理[9]，剔除无效、异常数据，筛选出有效数据，提取其中经纬度坐标、速度、方向角等信息。保存此信息为有效定位数据。 （2） 初步定位：按照预处理过后的浮动车车辆有效数据中的经纬度坐标，用Google Earth把车辆初步匹配到配准好的电子地图上，在一定范围内确定浮动车匹配候选链路。 （3） 模糊逻辑推理：计算浮动车点到链路的最短距离、浮动车与链路方向角度差及其速度，以此为输入，模糊判别确定行驶路径，选择可能性大的候选链路作为待匹配的浮动车行驶路径。 （4） 网格法匹配：建立路网组织结构，找出浮动车位置点所在网格中待匹配的浮动车行驶径路，计算其到该路径的投影距离，选取距离最小的路径作为最佳匹配路段，进行匹配。 3 仿真实验及结果 本文采用锡林浩特市出租车GPS数据对算法进行验证，接收机每隔30 s发送一次数据，样本数量满足道路信息采集需求[10?11]。算法在Matlab环境下仿真实现，所使用的电子地图是锡林浩特市区街区道路矢量图，其规模是1[∶]3 000。算法匹配结果如图4所示，图4（a）为浮动车传统网格地图匹配车辆行驶轨迹，图4（b）为浮动车优化地图匹配车辆行驶轨迹。从图4中可看出，相对于传统网格匹配，优化的匹配算法，定位点更能准确回到车辆实际运行的线路上，且在路段交汇处，定位点能基本正确匹配到路段上，匹配效果较好。 优化的地图匹配方法进一步提高了匹配精度，使匹配准确率达到98.8%以上且算法的计算效率较其他算法有所提高，表1列出了本文提到的几种不同匹配算法的匹配性能比较结果，从表1可以看出，优化的地图匹配方法准确率和计算时间均有所提高。 4 结 语 本文提出的优化算法，考虑了道路网的复杂性和跟驰理论[12]车辆的制约性和传递性，在传统网格匹配中引入模糊逻辑推理思想，选取GPS浮动车特征数据作为输入，按输出可能性进行匹配道路的筛选，再进行匹配。这种模糊评判行驶路径的选择，保证正确路段在待匹配道路中，在减少网格搜索时间的同时克服了潜在的匹配错误。数据结果表明，优化匹配方法的实时性好、准确率高，且对样本数量需求较低。此数据来源真实，可信度高。鉴于城市发展之迅速，道路的实时状况、浮动车的驾驶行为等因素也会影响到地图匹配算法的精度，如何考虑更多的因素，确定车辆在道路中的准确行驶位置是一个难点，将会成为下一步研究的重点。 参考文献 [1] 吴佩莉，刘奎恩，郝身刚，等.基于浮动车数据的快速交通拥堵监控[J].计算机研究与发展，2014（1）：189?198. [2] KLEIN L A. Sensor technologies and data requirements for ITS [M]. Boston： Arrech House， 2001. [3] 耿小峰，王山东，季军.浮动车快速道路匹配算法[J].水利与建筑工程学报，2013，11（1）：122?125. [4] 苏海滨，王光政，王继东，等.基于模糊神经网络的地图匹配算法[J].北京科技大学学报，2012，34（1）：43?47. [5] 李珂，杨扬，邱雪松.城市汽车导航中一种改进的D?S证据理论地图匹配算法[J].测绘学报，2014，43（2）：208?213. [6] YANG Hai?qiang， CHENG Shao?wu， JANG Hui?fu， et al. An enhanced weight?based topological map matching algorithm for intricate urban road network [C]// Proceedings of the 13th COTA International Conference of Transportation Professionals on Intelligent and Integrated Sustainable Multimodal Transportation Systems. [S.l.]： COTA， 2013， 96： 1670?1678. [7] 刘宇环.浮动车地图系统匹配算法及信息采集周期优化的研究[D].北京：北京交通大学，2012. [8] 苏海滨，陈永利，刘强.基于权重的地图匹配算法[J].华北水利水电学院学报，2008，29（1）：81?83. [9] 邹珍.基于GPS的浮动车数据与实地图匹配的算法研究[D].武汉：武汉理工大学，2013. [10] 廖孝勇，孙棣华，周舒杰，等.混合浮动车交通状态估计的样本数量研究[J].计算机工程与应用，2011，47（24）：229?232. [11] LIU X B， CHIEN S， KIM K. Evaluation of floating car technologies for travel time estimation [J]. Journal of Modern Transportation， 2012， 1（1）： 49?56 [12] 徐吉谦，陈学武.交通工程总论[M].3版.北京：人民交通出版社，2008. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。