1.本发明涉及智能交通的技术领域，具体地，涉及一种基于隐马尔科夫的多噪声感知的地图匹配校正方法及系统。尤其是，优选的涉及一种基于隐马尔科夫模型的多噪声感知的地图匹配与校正框架。
背景技术：2.近几年，随着在线打车平台的快速发展与广泛应用，各个公司均推出了自己的打车app，同时为几乎所有的出租车均配备了gps设备，以获取车辆的位置、方向等信息。许多功能例如对出租车的路径导航、位置与路线预测和识别、异常行为的检测等均需要精确的定位与追踪。
3.早期地图匹配算法的研究，大多数是基于几何相似性的，这类方法无法处理采样误差大的情况。后来提出的许多基于隐马尔科夫模型的匹配算法，借助路网本身的限制，定义了转移概率，从而避免了一些采样误差大而选择错误路段的情况。但是这些算法缺乏考虑路网的复杂性以及采样误差大同时出现的情况，从而导致出现反向运动等不正确的匹配结果。同时由于现实路网本身是不断更新的，路段的缺失使得地图匹配时无法选到真实的路段。
4.除了隐马尔科夫模型外，近几年在地图匹配算法还有其他方面的改进。随着更多的指标引入，一些基于评分模型的算法也取得了很好的效果。例如通过支持向量机对各个gps点进行分类并剔除低质量采样点等。总的来说，各类算法在采样误差低或符合路网限制的情况下，匹配精度足够用于实际场景。
5.公开号为cn113639757a的中国发明专利文献公开了一种基于双向评分模型和回溯校正机制的地图匹配方法及系统，包括：基于采集到的gps点位置信息，根据地图路径信息选取候选点；基于双向评分模型对测量的gps点的位置、方向以及速度进行评分并赋予位置、方向以及速度不同的权重，得到候选点对gps点的评分；当gps点的评分低于阈值时，则判定为低质量点，并删除当前低质量点不参与匹配；当判定连续的gps点为低质量点并删除时，则利用随后第一个没有被删除的gps点逆向评估被删除的gps点，重新检测被删除的gps点是否为低质量点；基于双向评分模型计算每个候选点与当前保留的gps点的匹配概率，选择概率值最大的候选点作为匹配的候选点；根据匹配的候选点，基于最短路径原则生成唯一的地图匹配结果。
6.针对上述中的相关技术，发明人认为目前所提出的算法由于忽略了地图错误的情况，以及采样误差大的情况，导致在实际应用中匹配常常出现中断或绕路等错误的匹配结果。
技术实现要素：7.针对现有技术中的缺陷，本发明的目的是提供一种基于隐马尔科夫的多噪声感知的地图匹配校正方法及系统。
8.根据本发明提供的一种基于隐马尔科夫的多噪声感知的地图匹配校正方法，包括如下步骤：
9.区域窗口化步骤：通过对区域网格化，限制轨迹的不规则漂移，得到平滑的轨迹；
10.地图匹配步骤：将平滑后的轨迹输入带有删除点与地图纠正框架的隐马尔科夫模型进行匹配；
11.概率波动检测步骤：匹配的过程中计算每个观测点的维特比解码概率的波动情况；如果波动幅度超过阈值，则删除当前观测点；
12.轨迹评估步骤：若在邻近区域内删除掉连续的轨迹点，则利用卡尔曼滤波器和已保留轨迹点对删除点位置做预测，评估预测位置和观测位置的误差范围，若误差小于阈值，则判定该段采样轨迹处有地图错误；
13.缺失路段生成步骤：将删除的点作为地图生成器的输入，根据计算的拐点位置，将缺失的路段划分为一系列区间，区间内利用线性回归模型计算出穿过拐点间的线段。
14.优选的，在所述区域窗口化步骤中，首先将地理区域划分为网格单元；
15.如果车辆在网格单元中没有花费预定行驶时间，则不允许车辆从该网格单元过渡；
16.在每个网格单元中，使用dp算法的变体来平滑轨迹，用近似线段代替原始轨迹；
17.如果替换不满足指定的错误要求，将通过选择的位置点作为划分点，递归地将原始问题划分为两个子问题，再判断替换是否满足指定的错误要求，直到近似轨迹和原始轨迹之间的误差低于指定的误差阈值；
18.dp算法使用正交欧氏距离作为误差度量，保持近似轨迹中的方向趋势；
19.通过移除距离大于阈值的分区点，限制网格单元中的速度变化。
20.优选的，在所述地图匹配步骤中，在地图匹配阶段，将从区域窗口化步骤中获取平滑的gps点作为输入，并将平滑的gps点映射到数字地图上的路段，使用隐马尔科夫模型确定与gps原始数据的时间戳序列相对应的路段序列；
21.隐马尔科夫模型是具有候选状态和观测值的离散时间马尔可夫过程；
22.使用索引网格来搜索候选状态，每个候选状态为最接近路段中观测点的点，并产生观测概率该观测概率定义为gps采样点pi与基于高斯噪声模型计算的候选点匹配的可能性：
[0023][0024]
其中，σ是标准偏差，d定义为pi和之间的投影距离，pi是i时刻的采样点，是pi的第j个候选点；
[0025][0026]
其中，是pi第j条候选路段，c是边上的任意点，dist(pi,c)是pi和c之间的欧式距离；
[0027]
隐马尔科夫模型允许从前一个候选状态到当前候选状态的转换，并且该转换由转
换概率控制；
[0028]
根据经验，隐马尔科夫模型假设连续候选状态之间的最短路径具有转移概率
[0029]
因此，转移概率计算如下：
[0030][0031]
其中，是当前观测的候选点；是前一观测的候选点；d是从到的最短路径长度和观测之间的欧几里德距离之间差的绝对值；
[0032]
然后利用在线维特比译码算法，找到与输入序列的可变滑动窗口相对应的路段的最大似然序列。
[0033]
优选的，在所述概率波动检测步骤中，通过定义观测概率和转移概率，在接收到gps采样点后通过添加新节点和加权边逐步构建分层图；
[0034]
如果在分层图中添加新的gps样本时匹配精度下降，则认为存在测量误差或地图错误；
[0035]
给定候选点集，隐马尔科夫模型将使用维特比解码算法计算最大似然路径；
[0036]
当候选集包含观察的真实位置时，隐马尔科夫模型推断出正确的路径；
[0037]
当存在地图错误或测量错误时，两个连续候选对象之间的最短路径不是真实路径，并且会迂回；
[0038]
将候选集不包含真实位置的采集点视为低质量点，检测模型将删除检测到的低质量点；
[0039]
维特比算法的计算过程是在添加新的gps采样点时，使观测概率和转移概率的乘积最大化；
[0040]
采样误差或地图错误引起最优解码概率的幅度波动；
[0041]
取原始值的对数，使波动更加明显；
[0042]
当采样新加入的点导致匹配概率的波动超过预设阈值时，删除采样新加入的点；
[0043]
存在地图错误时，限制连续移除点的数量；
[0044]
当移除某区域的一系列连续采样点超过限制数量时，算法评估器将评估不匹配的样本，检测是否存在地图错误，如果存在则使用地图生成模型来拟合缺失的道路。
[0045]
优选的，在所述轨迹评估步骤中，将从检测模型中连续移除的一系列gps点作为输入，并评估整个序列的质量，判断被移除的原因；
[0046]
评估在位置和速度约束下这一系列移除gps样本的运动模式；
[0047]
如果检测到的异常是由不符合实际驾驶情况的运动模式引起的，则认为匹配概率的变化是由测量误差引起的，并删除相应的点；其余点将重新加入匹配序列继续匹配；
[0048]
如果在评估模型中允许移除点形成驾驶模式，则恢复移除的gps采样点，并使用无法匹配的点来生成缺失的道路；
[0049]
使用卡尔曼滤波来预测车辆的运动方向和位置，然后将估计点作为新的匹配点来判断是否存在异常；
[0050]
将采样点邻近的路段的速度和方向信息作为运动轨迹物理模型的输入，计算出车
辆下一次时刻的理想位置，将采样到的轨迹方向和速度信息作为运动模型输入算出下一时刻的位置作为测量值；
[0051]
基于加权后的估计值与系统的真实值之间的误差，计算出卡尔曼增益，得到下一时刻位置估计值如下：
[0052]
x
t|t
＝k
tzt
+(i-k
t
h)x
t|t-1
[0053]
其中，x
t|t
是系统估计值，x
t|t-1
是系统理想状态值，z
t
是测量值，k
t
为卡尔曼增益，i是单位矩阵，h是状态空间转换矩阵；
[0054]
将位置预测值与位置采样值进行比较，计算位置预测值与位置采样值之间平均距离，如果距离小于阈值δd，则认为采样是由地图错误造成的。
[0055]
优选的，在所述缺失路段生成步骤中，数字地图由属性化的无向图组成；交叉点表示为度大于二的顶点，而路段表示为一系列边；将双向道路被视为单一路径；定义高阶属性来补充图形；几何特征显示为地图描述的一部分；提供道路有关的局部几何形状信息；
[0056]
使用基于聚类技术的地图生成模型，自动推断道路和交通特征；
[0057]
地图生成模型对无法匹配的gps采样点进行拟合，生成的拓扑结构接近实际的缺失道路；
[0058]
根据拐点的位置，将无法匹配的gps点划分为不同的区间；
[0059]
拐点的距离由垂直欧几里德距离的欧几里德距离变量测量；
[0060]
在每个分割部分，使用线性回归模型来拟合缺失的道路；
[0061]
为了确定转折点的位置，设置了参数θg和dg；
[0062]
连接序列中的第一个点和最后一个点，然后将所有其他点投影到连接线；
[0063]
如果指定投影距离大于阈值dg，则具有指定距离的点是真实路段的拐角点；
[0064]
将具有指定投影距离的点分别连线第一个点和最后一个点，继续计算连线之间的角度；如果角度大于阈值θg，则将序列分为两部分，并迭代完成。
[0065]
根据本发明提供的一种基于隐马尔科夫的多噪声感知的地图匹配校正系统，包括如下模块：
[0066]
区域窗口化模块：通过对区域网格化，限制轨迹的不规则漂移，得到平滑的轨迹；
[0067]
地图匹配模块：将平滑后的轨迹输入带有删除点与地图纠正框架的隐马尔科夫模型进行匹配；
[0068]
概率波动检测模块：匹配的过程中计算每个观测点的维特比解码概率的波动情况；如果波动幅度超过阈值，则删除当前观测点；
[0069]
轨迹评估模块：若在邻近区域内删除掉连续的轨迹点，则利用卡尔曼滤波器和已保留轨迹点对删除点位置做预测，评估预测位置和观测位置的误差范围，若误差小于阈值，则判定该位置有地图错误；
[0070]
缺失路段生成模块：将删除的点作为地图生成器的输入，根据计算的拐点位置，将缺失的路段划分为一系列区间，区间内利用线性回归模型计算出穿过拐点间的线段。
[0071]
优选的，在所述区域窗口化模块中，首先将地理区域划分为网格单元；
[0072]
如果车辆在网格单元中没有花费预定行驶时间，则不允许车辆从该网格单元过渡；
[0073]
在每个网格单元中，使用dp算法的变体来平滑轨迹，用近似线段代替原始轨迹；
[0074]
如果替换不满足指定的错误要求，将通过选择的位置点作为划分点，递归地将原始问题划分为两个子问题，再判断替换是否满足指定的错误要求，直到近似轨迹和原始轨迹之间的误差低于指定的误差阈值；
[0075]
dp算法使用正交欧氏距离作为误差度量，保持近似轨迹中的方向趋势；
[0076]
通过移除距离大于阈值的分区点，限制网格单元中的速度变化。
[0077]
优选的，在所述地图匹配模块中，在地图匹配阶段，将从区域窗口化步骤中获取平滑的gps点作为输入，并将平滑的gps点映射到数字地图上的路段，使用隐马尔科夫模型确定与gps原始数据的时间戳序列相对应的路段序列；
[0078]
隐马尔科夫模型是具有候选状态和观测值的离散时间马尔可夫过程；
[0079]
使用索引网格来搜索候选状态，每个候选状态为最接近路段中观测点的点，并产生观测概率该观测概率定义为gps采样点pi与基于高斯噪声模型计算的候选点匹配的可能性：
[0080][0081]
其中，σ是标准偏差，d定义为pi和之间的投影距离，pi是i时刻的采样点，是pi的第j个候选点；
[0082][0083]
其中，是pi第j条候选路段，c是边上的任意点，dist(pi,c)是pi和c之间的欧式距离；
[0084]
隐马尔科夫模型允许从前一个候选状态到当前候选状态的转换，并且该转换由转换概率控制；
[0085]
根据经验，隐马尔科夫模型假设连续候选状态之间的最短路径具有转移概率
[0086]
因此，转移概率计算如下：
[0087][0088]
其中，是当前观测的候选点；是前一观测的候选点；d是从到的最短路径长度和观测之间的欧几里德距离之间差的绝对值；
[0089]
然后利用在线维特比译码算法，找到与输入序列的可变滑动窗口相对应的路段的最大似然序列。
[0090]
优选的，在所述概率波动检测模块中，通过定义观测概率和转移概率，在接收到gps采样点后通过添加新节点和加权边逐步构建分层图；
[0091]
如果在分层图中添加新的gps样本时匹配精度下降，则认为存在测量误差或地图错误；
[0092]
给定候选点集，隐马尔科夫模型将使用维特比解码算法计算最大似然路径；
[0093]
当候选集包含观察的真实位置时，隐马尔科夫模型推断出正确的路径；
[0094]
当存在地图错误或测量错误时，两个连续候选对象之间的最短路径不是真实路径，并且会迂回；
[0095]
将候选集不包含真实位置的采集点视为低质量点，检测模型将删除检测到的低质量点；
[0096]
维特比算法的计算过程是在添加新的gps采样点时，使观测概率和转移概率的乘积最大化；
[0097]
采样误差或地图错误引起最优解码概率的幅度波动；
[0098]
取原始值的对数，使波动更加明显；
[0099]
当采样新加入的点导致匹配概率的波动超过预设阈值时，删除采样新加入的点；
[0100]
存在地图错误时，限制连续移除点的数量；
[0101]
当移除某区域的一系列连续采样点超过限制数量时，算法评估器将评估不匹配的样本，检测是否存在地图错误，如果存在则使用地图生成模型来拟合缺失的道路。
[0102]
与现有技术相比，本发明具有如下的有益效果：
[0103]
1、本发明创新性地提出了能检测地图错误与删除低质量采样点的地图匹配框架，能与基于隐马尔科夫模型的地图匹配算法相结合，纠正匹配结果并提升其匹配精度；
[0104]
2、由于之前的地图匹配算法没有考虑到地图错误的因素，在实际应用过程中会导致匹配中断等问题，本发明利用了采样到的轨迹，在匹配的过程中能检测并更新地图数据库，避免了之前地图更新过程需要大量人力的消耗；
[0105]
3、本发明基于匹配的位置，可以预测特定区域周围的交通状况，并为用户推荐即将到来的兴趣点。
附图说明
[0106]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0107]
图1为本发明的应用架构图；
[0108]
图2为本发明的匹配过程图；
[0109]
图3为窗口平滑后轨迹误差情况图；
[0110]
图4为候选点选取示意图；
[0111]
图5为一条轨迹内解码概率波动的示意图。
[0112]
附图标记：moving vehicles with gps sensors表示带传感器的移动车辆；wireless network表示无线网络；gps records表示采样记录；data center表示数据中心；route planning表示路径推荐；traffic estimation表示交通流量估计；point of interest表示兴趣点；end devices running lbs表示运行基于位置服务的终端设备；map database表示地图数据库；windowing表示窗口技术；map matching表示地图匹配；detection model表示检测模型；evaluation model表示评估模型generation model表示生成模型；with windowing表示使用了窗口技术；withoutwindowing表示未使用窗口技术；cdf表示位置误差概率累积分布；radius r表示候选半径；sequencenumberofpoints表示采样点序列号；variationofprobability表示概率波动。
具体实施方式
[0113]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
[0114]
本发明实施例公开了一种基于隐马尔科夫的多噪声感知的地图匹配校正方法，如图1和图2所示，包括如下步骤：
[0115]
区域窗口化步骤：通过对区域网格化，限制轨迹的不规则漂移，得到平滑的轨迹。首先将地理区域划分为网格单元；
[0116]
如果车辆在网格单元中没有花费预定行驶时间，则不允许车辆从该网格单元过渡；
[0117]
在每个网格单元中，使用dp算法的变体来平滑轨迹，用近似线段代替原始轨迹。如果替换不满足指定的错误要求，将通过选择的位置点作为划分点，递归地将原始问题划分为两个子问题，再判断替换是否满足指定的错误要求，直到近似轨迹和原始轨迹之间的误差低于指定的误差阈值。dp算法使用正交欧氏距离作为误差度量，保持近似轨迹中的方向趋势。通过移除距离大于阈值的分区点，限制网格单元中的速度变化。图3显示了收集的gps数据位置误差的累积分布函数(cdf)分布。dp英文全称为douglas
–
peucker，中文译文为道格拉斯-普克算法。
[0118]
地图匹配步骤：将平滑后的轨迹输入带有删除点与地图纠正框架的隐马尔科夫模型进行匹配。在地图匹配阶段，将从区域窗口化步骤中获取平滑的gps点作为输入，并将平滑的gps点映射到数字地图上的路段，使用隐马尔科夫模型确定与gps原始数据的时间戳序列相对应的路段序列。隐马尔科夫模型是具有候选状态和观测值的离散时间马尔可夫过程。使用索引网格来搜索候选状态，如图4所示，每个候选状态为最接近路段中观测点的点，并产生观测概率该观测概率定义为gps采样点pi与基于高斯噪声模型计算的候选点匹配的可能性：
[0119][0120]
其中，σ是标准偏差，d定义为pi和之间的投影距离，pi是i时刻的采样点，是pi的第j个候选点。
[0121][0122]
其中，是pi第j条候选路段，c是边上的任意点，dist(pi,c)是pi和c之间的欧式距离。
[0123]
隐马尔科夫模型允许从前一个候选状态到当前候选状态的转换，并且该转换由转换概率控制。根据经验，隐马尔科夫模型假设连续候选状态之间的最短路径具有转移概率
[0124]
因此，转移概率计算如下：
[0125][0126]
其中，是当前观测的候选点；是前一观测的候选点；d是从到的最短路径长度和观测之间的欧几里德距离之间差的绝对值。
[0127]
然后利用在线维特比译码算法，找到与输入序列的可变滑动窗口相对应的路段的最大似然序列。
[0128]
概率波动检测步骤：匹配的过程中计算每个观测点的维特比解码概率的波动情况；如果波动幅度超过阈值，则删除当前观测点。
[0129]
通过定义观测概率和转移概率，在接收到gps采样点后通过添加新节点和加权边逐步构建分层图。如果在分层图中添加新的gps样本时匹配精度下降，则认为存在测量误差或地图错误。给定候选点集，隐马尔科夫模型将使用维特比解码算法计算最大似然路径。当候选集包含观察的真实位置时，隐马尔科夫模型推断出正确的路径。当存在地图错误或测量错误时，两个连续候选对象之间的最短路径不是真实路径，并且会迂回。将候选集不包含真实位置的采集点视为低质量点，检测模型将删除检测到的低质量点。维特比算法的计算过程是在添加新的gps采样点时，使观测概率和转移概率的乘积最大化。采样误差或地图错误引起最优解码概率的幅度波动。取原始值的对数，使波动更加明显。当采样新加入的点导致匹配概率的波动超过预设阈值时，删除采样新加入的点。由于地图错误会使得后续所有点的解码概率波动都超过阈值，因此需要限制连续移除点的数量。当移除某区域的一系列连续采样点超过限制数量时，算法评估器将评估不匹配的样本，检测是否存在地图错误，如果存在则使用地图生成模型来拟合缺失的道路。
[0130]
轨迹评估步骤：若在邻近区域内删除掉连续的轨迹点，则利用卡尔曼滤波器和已保留轨迹点对删除点位置做预测，评估预测位置和观测位置的误差范围，若误差小于阈值，则判定该段采样轨迹处有地图错误。
[0131]
将从检测模型中连续移除的一系列gps点作为输入，并评估整个序列的质量，判断被移除的原因。评估在位置和速度约束下这一系列移除gps样本的运动模式。如果检测到的异常是由不符合实际驾驶情况的运动模式引起的，则认为匹配概率的变化是由测量误差引起的，并删除相应的点；其余点将重新加入匹配序列继续匹配。如果在评估模型中允许移除点形成驾驶模式，则恢复移除的gps采样点，并使用无法匹配的点来生成缺失的道路。使用卡尔曼滤波来预测车辆的运动方向和位置，然后将估计点作为新的匹配点来判断是否存在异常。将采样点邻近的路段的速度和方向信息作为运动轨迹物理模型的输入，计算出车辆下一次时刻的理想位置，将采样到的轨迹方向和速度信息作为运动模型输入算出下一时刻的位置作为测量值。基于加权后的估计值与系统的真实值之间的误差，计算出卡尔曼增益，得到下一时刻位置估计值如下：
[0132]
x
t|t
＝k
tzt
+(i-k
t
h)x
t|t-1
[0133]
其中，x
t|t
是系统估计值，x
t|t-1
是系统理想状态值，z
t
是测量值，k
t
为卡尔曼增益，i是单位矩阵，h是状态空间转换矩阵。
[0134]
将位置预测值与位置采样值进行比较，计算位置预测值与位置采样值之间平均距
离，如果距离小于阈值δd，则认为采样是由地图错误造成的。
[0135]
缺失路段生成步骤：将删除的点作为地图生成器的输入，根据计算的拐点位置，将缺失的路段划分为一系列区间，区间内利用线性回归模型计算出穿过拐点间的线段。
[0136]
数字地图由属性化的无向图组成；交叉点表示为度大于二的顶点，而路段表示为一系列边；将双向道路被视为单一路径；定义高阶属性来补充图形；几何特征显示为地图描述的一部分；提供道路有关的局部几何形状信息。使用基于聚类技术的地图生成模型，自动推断道路和交通特征。地图生成模型对无法匹配的gps采样点进行拟合，生成的拓扑结构接近实际的缺失道路。根据拐点的位置，将无法匹配的gps点划分为不同的区间。拐点的距离由垂直欧几里德距离的欧几里德距离变量测量。在每个分割部分，使用线性回归模型来拟合缺失的道路。为了确定转折点的位置，设置了参数θg和dg。连接序列中的第一个点和最后一个点，然后将所有其他点投影到连接线。如果指定投影距离大于阈值dg，则具有指定距离的点是真实路段的拐角点。将具有指定投影距离的点分别连线第一个点和最后一个点，继续计算连线之间的角度；如果角度大于阈值δg，则将序列分为两部分，并迭代完成。
[0137]
本发明实施例公开了一种基于隐马尔科夫模型的多噪声感知的地图匹配和校正框架，如图1所示，显示了典型基于位置的服务的高级系统模型。
[0138]
1、框架应用：在大多数普适计算应用程序中，通过无线通信将移动车辆的测量位置报告给服务器。采样间隔在相同的轨迹中变化，具体取决于驾驶环境。如果gps轨迹中存在太多的异常值，则需要进行滤波预处理，如中值滤波、卡尔曼滤波和粒子滤波。服务器运行地图匹配算法，该算法使用有噪声的gps点来查找用户驾驶的实际路段。一旦确定了驾驶路线，其他lbs应用程序可以查询结果以满足其要求。例如，基于匹配的位置，可以预测特定区域周围的交通状况，并为用户推荐即将到来的兴趣点。lbs英文全称为location based services，中文译文为基于位置的服务。
[0139]
2、匹配过程：
[0140]
如图2所示，详细说明了发明框架的处理流程。为了在驾驶时节约能源，通常使用低能耗设备来采集和传输gps记录。这些采集设备可能存在来回转换的问题。因此，我们首先使用窗口技术平滑轨迹数据。经过平滑处理后，输出没有来回转换的轨迹数据，可以作为输入发送到地图匹配模块。本专利将地图匹配和地图更新视为一个协作优化过程。
[0141]
具体来说，当匹配结果精度较低时，本发明提出的框架会评估它是由gps测量误差还是地图错误引起的。如果原因是第一个因素，可以简单地删除或校准gps轨迹中的异常值。否则，使用生成器生成缺失的路段，然后利用这些路段更正匹配结果并更新地图数据库。此过程通过动态检测地图错误和自动更新地图数据库，提高地图匹配精度和地图质量，防止匹配过程中出现迂回和匹配中断。
[0142]
该系统包括如下模块：
[0143]
(1)区域窗口化模块：通过对区域网格化，限制轨迹的不规则漂移，得到平滑的轨迹。
[0144]
第一个模块为区域窗口化模板，为了简化平滑过程，首先将地理区域划分为固定大小的均匀方形网格单元g。如果车辆在网格单元中没有花费足够的行驶时间，则不允许车辆从该网格单元过渡。在每个网格单元中，本专利使用douglas
–
peucker(dp)算法的变体来平滑轨迹，该算法通常用于简化轨迹。其基本思想是用近似线段代替原始轨迹。如果替换不
满足指定的错误要求，它将通过选择错误最多的位置点作为划分点，递归地将原始问题划分为两个子问题。此过程将继续，直到近似轨迹和原始轨迹之间的误差低于指定的误差阈值。dp算法的目标是使用正交欧氏距离作为误差度量，以保持近似轨迹中的方向趋势。本发明的实现不同于之前的方法，因为本发明移除了距离大于阈值的分区点，以限制一个网格单元中的速度变化。图3显示了收集的gps数据位置误差的累积分布函数(cdf)分布。dp英文全称为douglas
–
peucker，中文译文为道格拉斯-普克算法。
[0145]
(2)地图匹配模块：将平滑后的轨迹输入带有删除点与地图纠正框架的隐马尔科夫模型进行匹配。
[0146]
在地图匹配阶段，将从区域窗口化模块中一系列平滑的gps点作为输入，并将其映射到数字地图上的路段。本发明提出的框架使用隐马尔科夫模型(hmm)来确定与gps原始数据的时间戳序列相对应的路段序列。hmm是一个具有一组候选状态和观测值的离散时间马尔可夫过程。本发明使用索引网格来搜索候选状态，如图4所示。每个状态都是最接近路段中观测点的点，并产生一个观测概率，该概率定义为gps采样点pi与基于高斯噪声模型计算的候选点匹配的可能性：
[0147][0148]
其中，σ是标准偏差，d定义为pi和之间的投影距离，pi是i时刻的采样点，是pi的第j个候选点。
[0149][0150]
其中，是pi第j条候选路段，c是边上的任意点，dist(pi,c)是pi和c之间的欧式距离。
[0151]
hmm允许从前一个候选状态到当前候选状态的转换，并且此转换由转换概率控制。根据经验，hmm假设两个连续候选状态之间的最短路径具有较大的转移概率。因此，转移概率通常计算如下：
[0152][0153]
其中，和分别是前一观测和当前观测的候选点，d是从到的最短路径长度和观测之间的欧几里德距离之间差的绝对值。然后利用在线维特比译码算法，可以找到与输入序列的可变滑动窗口相对应的路段的最大似然序列。
[0154]
(3)概率波动检测模块：匹配的过程中计算每个观测点的维特比解码概率的波动情况；如果波动幅度超过阈值，则删除当前观测点。
[0155]
通过定义观测概率和转移概率，可以在接收到gps采样点后通过添加新节点和加权边逐步构建分层图。该模型旨在提高基于hmm的地图匹配算法在面对现实复杂场景时的鲁棒性和匹配精度。换言之，如果在分层图中添加新的gps样本时匹配精度下降，则认为存在测量误差或地图错误。给定候选点集，hmm将使用维特比解码算法计算最大似然路径。然而，这种方法的一个缺点是，它不知道当前观测的质量。只有当候选集包含观察的真实位置
时，hmm才能推断出正确的路径。当存在地图错误或测量错误时，两个连续候选对象之间的最短路径永远不可能是真实路径，并且会导致一条很长的迂回。
[0156]
本发明将候选集不包含真实位置的采集点视为低质量点，这可能是由测量误差或地图误差引起的。检测模型将删除检测到的低质量点。维特比算法的计算过程是在添加新的gps采样点时，使观测概率和转移概率的乘积最大化。由于地图错误或测量误差通常会导致较低的观测概率和转移概率，且维特比解码概率的最大值与观测概率和转移概率相关，因此采样误差或地图错误通常会引起最优解码概率的的大幅度波动。图5显示了当前gps点与前一个gps点在一条轨迹中的最大匹配概率之差的变化。本发明取原始值的对数，使波动更加明显。当这些点导致匹配概率发生较大变化时，可以删除这些点，这通常是由地图错误或测量误差引起的。如果存在地图错误，则此过程可能会删除掉所有后续的gps采样点。因此，我们应该限制连续移除点的数量。由于地图错误，限制连续移除点的数量。当移除某区域的一系列连续采样点时，算法评估器将评估这些不匹配的样本，以检测是否存在地图错误，如果存在则可以使用地图生成模型来拟合缺失的道路。
[0157]
(4)轨迹评估模块：若在邻近区域内删除掉连续的轨迹点，则利用卡尔曼滤波器和已保留轨迹点对删除点位置做预测，评估预测位置和观测位置的误差范围，若误差小于阈值，则判定该位置有地图错误。
[0158]
该模块将从检测模型中连续移除的一系列gps点作为输入，并评估整个序列的质量，以判断它们是由于地图错误还是测量误差而被移除。本专利评估了在位置和速度约束下这一系列移除gps样本的运动模式。如果检测到的异常是由不符合实际驾驶情况的运动模式引起的，则认为匹配概率的较大变化是由测量误差引起的，并删除相应的点。其余点将重新加入匹配序列以继续匹配。如果在评估模型中允许这些移除点形成的驾驶模式，则恢复移除的gps采样点，并使用这些无法匹配的点来生成缺失的道路。本专利使用卡尔曼滤波来预测车辆的运动方向和位置，然后将这些估计点作为新的匹配点来判断是否存在异常。
[0159]
本发明将采样点邻近的路段的速度和方向信息作为运动轨迹物理模型的输入，计算出车辆下一次时刻的理想位置，以及采样到的轨迹方向和速度信息作为运动模型输入算出下一时刻的位置作为测量值。基于加权后的估计值与系统的真实值之间的误差最小，计算出卡尔曼增益，从而得到下一时刻位置估计值如下：
[0160]
x
t|t
＝k
tzt
+(i-k
t
h)x
t|t-1
[0161]
其中x
t|t
是系统估计值，x
t|t-1
是系统理想状态值，z
t
是测量值，k
t
为卡尔曼增益，i是单位矩阵，h是状态空间转换矩阵。将位置预测值与位置采样值进行比较，计算它们之间平均距离，如果距离小于阈值δd，则认为该段采样是由于地图错误造成的。
[0162]
(5)缺失路段生成模块：将删除的点作为地图生成器的输入，根据计算的拐点位置，将缺失的路段划分为一系列区间，区间内利用线性回归模型计算出穿过拐点间的线段。
[0163]
数字地图通常由属性化的无向图组成。交叉点表示为度大于2的顶点，而路段表示为一系列边。因为图是无向的，所以路径没有方向。因此，双向道路被视为单一路径。可以定义高阶属性来补充图形。宽度和曲率等几何特征可以显示为地图描述的一部分。这些功能对于道路安全应用至关重要，因为它们提供了道路有关的局部几何形状详细信息。推断道路网的结构要比这些高阶的路段信息容易得多。此外，本专利使用具有普遍适用性的基于聚类技术的地图生成模型，可自动推断道路和交通特征(如限速、道路类型和车道结构)。地
图生成模型的目标是对那些无法匹配的gps采样点进行拟合，生成拓扑结构更接近实际的缺失道路。地图生成的挑战在于测量误差导致采样点无法准确地落在道路上。如果直接将gps采样点作为路段的交点，生成的路段将出现锯齿现象。根据拐点的位置，将无法匹配的gps点划分为不同的序列(类似几段子序列)。拐点的最大距离由称为垂直欧几里德距离的欧几里德距离变量测量。在每个分割部分，本专利使用线性回归模型来拟合缺失的道路。为了确定转折点的位置，设置了两个参数θg和dg。连接序列中的第一个点和最后一个点，然后将所有其他点投影到此线。如果最大投影距离大于阈值dg，则具有最大距离的点可能是真实路段的拐角点。继续计算具有最大投影距离的点与第一个点和最后一个点之间的角度。如果角度也大于阈值θg，则将序列分为两部分。这个过程可以迭代完成，投影距离的阈值dg随着区间内点的总距离的减小而减小，角度阈值随着距离的减小而扩大。
[0164]
3、算法实现：
[0165]
本发明将算法应用于开源地图匹配平台graphhopper上，地图网络信息来源于openstreetmap。在仿真平台上，本专利将实现的框架与三种经典的基于隐马尔科夫模型的地图匹配结合，并在四个城市共79670.6km长的轨迹数据集上做了大量的实验，验证了匹配结果的精度、召回率等指标，实验结果表明与本专利提出的框架结合后，三个算法的这些指标提升了20％左右，另外在精度高于95％与90％的轨迹比例上，本专利提出的算法相对于原始的基于隐马尔科夫模型的匹配算法提升了30％左右。框架在上海数据集上检测到了1962次地图错误，随机抽取了200条轨迹，手动验证了算法对于地图错误检测的准确性，发现在居民小区住宅区附近准确率有60％左右，在路网密集的公路中，准确率达到80％左右。
[0166]
本发明大幅度提高了地图匹配算法在复杂交通网络内的精度，并且本发明的算法能对地图错误有所感知，能基于采样到的轨迹自动纠正地图匹配结果，更新地图数据库。这些特性提高了地图匹配算法的鲁棒性和准确性。
[0167]
本发明首先通过对区域网格化，限制轨迹的不规则漂移。将平滑后的轨迹输入带有删点与地图纠正框架的隐马尔科夫模型进行匹配，匹配的过程中计算每个观测点的维特比解码概率的波动情况。如果波动幅度超过阈值，则删除当前观测点。若在邻近区域内删除掉连续的轨迹点，则利用卡尔曼滤波器和已保留轨迹点对删除点位置做预测，评估预测位置和观测位置的误差范围，若误差小于阈值，则判定该位置(该段采样轨迹处)有地图错误。将删除的点作为地图生成器的输入，根据计算的拐点位置，将缺失的路段划分为一系列区间，区间内利用线性回归模型计算出穿过拐点间误差最小的线段。由于评估位置和观测位置距离误差小，说明采样质量比较高，解码概率波动不会是因为采样误差导致的，而是地图错误造成的。
[0168]
本发明基于当前大多数地图匹配算法所采用的隐马尔科夫模型，提出了一个抗多种噪声的地图匹配框架，能处理低精度轨迹采样和地图错误的情况。这里的低精度和现有提出的隐马尔科夫模型的关注点不同，当前算法是基于路网限制下计算观测概率和转移概率的协同优化的极大似然估计。但是忽略了候选半径内可能由于采样误差的原因而没有包含真实的候选路段。
[0169]
本发明基于对维特比解码算法的波动幅度限制，删除掉那些波动幅度大的采样点。对于邻近的一系列被删除点，基于卡尔曼滤波器和当前保留点，对删除点的运动位置和方向做估计，与采样点的情况做比较，根据误差范围来鉴别是否存在地图错误。当检测存在
地图错误时，将删除的点作为地图生成器的输入，根据计算的拐点位置，将缺失的路段划分为一系列区间，区间内利用线性回归模型计算出穿过拐点间误差最小的线段。
[0170]
本发明涉及智能交通、轨迹处理、地图匹配算法，公开了一种基于隐马尔科夫模型的抗多种噪声的地图匹配框架，能处理低精度gps采样轨迹，且检测并纠正当前电子地图上存在的错误。大数据时代，我们可以采样到大量的gps位置数据，这对于实时追踪车辆当前所处的位置十分重要，但由于gps轨迹采样本身存在误差，需要一种可靠的算法能将其准确地对应到路网中，以支持其他交通应用，如预测某条路段是否会出现堵塞等。目前，由于城市化进程的加快，各国不断修建新的道路，使得路网更新速度每年都在增加。传统地图更新速度慢，且大量依赖于人力，使得将其应用于基于位置服务时，往往由于发生路段缺失问题而无法提供可靠定位与导航服务。
[0171]
因此，对于地图匹配算法而言，采样误差以及地图错误是其目前所面临的最大挑战。当前大多数匹配算法是基于隐马尔科夫模型的，没有考虑到由于采样误差导致候选集中不存在真实路段，且地图存在不精确的问题。为了解决上述问题，本专利基于隐马尔科夫模型，提出了一种抗多种噪声的地图匹配与地图纠正框架，纠正地图匹配结果以提升基于隐马尔科夫模型地图匹配算法的精度。
[0172]
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0173]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。
技术特征：1.一种基于隐马尔科夫的多噪声感知的地图匹配校正方法，其特征在于，包括如下步骤：区域窗口化步骤：通过对区域网格化，限制轨迹的不规则漂移，得到平滑的轨迹；地图匹配步骤：将平滑后的轨迹输入带有删除点与地图纠正框架的隐马尔科夫模型进行匹配；概率波动检测步骤：匹配的过程中计算每个观测点的维特比解码概率的波动情况；如果波动幅度超过阈值，则删除当前观测点；轨迹评估步骤：若在邻近区域内删除掉连续的轨迹点，则利用卡尔曼滤波器和已保留轨迹点对删除点位置做预测，评估预测位置和观测位置的误差范围，若误差小于阈值，则判定该段采样轨迹处有地图错误；缺失路段生成步骤：将删除的点作为地图生成器的输入，根据计算的拐点位置，将缺失的路段划分为一系列区间，区间内利用线性回归模型计算出穿过拐点间的线段。2.根据权利要求1所述的基于隐马尔科夫的多噪声感知的地图匹配校正方法，其特征在于，在所述区域窗口化步骤中，首先将地理区域划分为网格单元；如果车辆在网格单元中没有花费预定行驶时间，则不允许车辆从该网格单元过渡；在每个网格单元中，使用dp算法的变体来平滑轨迹，用近似线段代替原始轨迹；如果替换不满足指定的错误要求，将通过选择的位置点作为划分点，递归地将原始问题划分为两个子问题，再判断替换是否满足指定的错误要求，直到近似轨迹和原始轨迹之间的误差低于指定的误差阈值；dp算法使用正交欧氏距离作为误差度量，保持近似轨迹中的方向趋势；通过移除距离大于阈值的分区点，限制网格单元中的速度变化。3.根据权利要求1所述的基于隐马尔科夫的多噪声感知的地图匹配校正方法，其特征在于，在所述地图匹配步骤中，在地图匹配阶段，将从区域窗口化步骤中获取平滑的gps点作为输入，并将平滑的gps点映射到数字地图上的路段，使用隐马尔科夫模型确定与gps原始数据的时间戳序列相对应的路段序列；隐马尔科夫模型是具有候选状态和观测值的离散时间马尔可夫过程；使用索引网格来搜索候选状态，每个候选状态为最接近路段中观测点的点，并产生观测概率该观测概率定义为gps采样点p
i
与基于高斯噪声模型计算的候选点匹配的可能性：其中，σ是标准偏差，d定义为p
i
和之间的投影距离，p
i
是i时刻的采样点，是p
i
的第j个候选点；其中，是p
i
第j条候选路段，c是边上的任意点，dist(p
i
,c)是p
i
和c之间的欧式距离；隐马尔科夫模型允许从前一个候选状态到当前候选状态的转换，并且该转换由转换概
率控制；根据经验，隐马尔科夫模型假设连续候选状态之间的最短路径具有转移概率因此，转移概率计算如下：其中，是当前观测的候选点；是前一观测的候选点；d是从到的最短路径长度和观测之间的欧几里德距离之间差的绝对值；然后利用在线维特比译码算法，找到与输入序列的可变滑动窗口相对应的路段的最大似然序列。4.根据权利要求1所述的基于隐马尔科夫的多噪声感知的地图匹配校正方法，其特征在于，在所述概率波动检测步骤中，通过定义观测概率和转移概率，在接收到gps采样点后通过添加新节点和加权边逐步构建分层图；如果在分层图中添加新的gps样本时匹配精度下降，则认为存在测量误差或地图错误；给定候选点集，隐马尔科夫模型将使用维特比解码算法计算最大似然路径；当候选集包含观察的真实位置时，隐马尔科夫模型推断出正确的路径；当存在地图错误或测量错误时，两个连续候选对象之间的最短路径不是真实路径，并且会迂回；将候选集不包含真实位置的采集点视为低质量点，检测模型将删除检测到的低质量点；维特比算法的计算过程是在添加新的gps采样点时，使观测概率和转移概率的乘积最大化；采样误差或地图错误引起最优解码概率的幅度波动；取原始值的对数，使波动更加明显；当采样新加入的点导致匹配概率的波动超过预设阈值时，删除采样新加入的点；存在地图错误时，限制连续移除点的数量；当移除某区域的一系列连续采样点超过限制数量时，算法评估器将评估不匹配的样本，检测是否存在地图错误，如果存在则使用地图生成模型来拟合缺失的道路。5.根据权利要求1所述的基于隐马尔科夫的多噪声感知的地图匹配校正方法，其特征在于，在所述轨迹评估步骤中，将从检测模型中连续移除的一系列gps点作为输入，并评估整个序列的质量，判断被移除的原因；评估在位置和速度约束下这一系列移除gps样本的运动模式；如果检测到的异常是由不符合实际驾驶情况的运动模式引起的，则认为匹配概率的变化是由测量误差引起的，并删除相应的点；其余点将重新加入匹配序列继续匹配；如果在评估模型中允许移除点形成驾驶模式，则恢复移除的gps采样点，并使用无法匹配的点来生成缺失的道路；使用卡尔曼滤波来预测车辆的运动方向和位置，然后将估计点作为新的匹配点来判断是否存在异常；
将采样点邻近的路段的速度和方向信息作为运动轨迹物理模型的输入，计算出车辆下一次时刻的理想位置，将采样到的轨迹方向和速度信息作为运动模型输入算出下一时刻的位置作为测量值；基于加权后的估计值与系统的真实值之间的误差，计算出卡尔曼增益，得到下一时刻位置估计值如下：x
t|t
＝k
t
z
t
+(i-k
t
h)x
t|t-1
其中，x
t|t
是系统估计值，x
t|t-1
是系统理想状态值，z
t
是测量值，k
t
为卡尔曼增益，i是单位矩阵，h是状态空间转换矩阵；将位置预测值与位置采样值进行比较，计算位置预测值与位置采样值之间平均距离，如果距离小于阈值δd，则认为采样是由地图错误造成的。6.根据权利要求1所述的基于隐马尔科夫的多噪声感知的地图匹配校正方法，其特征在于，在所述缺失路段生成步骤中，数字地图由属性化的无向图组成；交叉点表示为度大于二的顶点，而路段表示为一系列边；将双向道路被视为单一路径；定义高阶属性来补充图形；几何特征显示为地图描述的一部分；提供道路有关的局部几何形状信息；使用基于聚类技术的地图生成模型，自动推断道路和交通特征；地图生成模型对无法匹配的gps采样点进行拟合，生成的拓扑结构接近实际的缺失道路；根据拐点的位置，将无法匹配的gps点划分为不同的区间；拐点的距离由垂直欧几里德距离的欧几里德距离变量测量；在每个分割部分，使用线性回归模型来拟合缺失的道路；为了确定转折点的位置，设置了参数θ
g
和d
g
；连接序列中的第一个点和最后一个点，然后将所有其他点投影到连接线；如果指定投影距离大于阈值d
g
，则具有指定距离的点是真实路段的拐角点；将具有指定投影距离的点分别连线第一个点和最后一个点，继续计算连线之间的角度；如果角度大于阈值θ
g
，则将序列分为两部分，并迭代完成。7.一种基于隐马尔科夫的多噪声感知的地图匹配校正系统，其特征在于，包括如下模块：区域窗口化模块：通过对区域网格化，限制轨迹的不规则漂移，得到平滑的轨迹；地图匹配模块：将平滑后的轨迹输入带有删除点与地图纠正框架的隐马尔科夫模型进行匹配；概率波动检测模块：匹配的过程中计算每个观测点的维特比解码概率的波动情况；如果波动幅度超过阈值，则删除当前观测点；轨迹评估模块：若在邻近区域内删除掉连续的轨迹点，则利用卡尔曼滤波器和已保留轨迹点对删除点位置做预测，评估预测位置和观测位置的误差范围，若误差小于阈值，则判定该位置有地图错误；缺失路段生成模块：将删除的点作为地图生成器的输入，根据计算的拐点位置，将缺失的路段划分为一系列区间，区间内利用线性回归模型计算出穿过拐点间的线段。8.根据权利要求7所述的基于隐马尔科夫的多噪声感知的地图匹配校正系统，其特征在于，在所述区域窗口化模块中，首先将地理区域划分为网格单元；
如果车辆在网格单元中没有花费预定行驶时间，则不允许车辆从该网格单元过渡；在每个网格单元中，使用dp算法的变体来平滑轨迹，用近似线段代替原始轨迹；如果替换不满足指定的错误要求，将通过选择的位置点作为划分点，递归地将原始问题划分为两个子问题，再判断替换是否满足指定的错误要求，直到近似轨迹和原始轨迹之间的误差低于指定的误差阈值；dp算法使用正交欧氏距离作为误差度量，保持近似轨迹中的方向趋势；通过移除距离大于阈值的分区点，限制网格单元中的速度变化。9.根据权利要求7所述的基于隐马尔科夫的多噪声感知的地图匹配校正系统，其特征在于，在所述地图匹配模块中，在地图匹配阶段，将从区域窗口化步骤中获取平滑的gps点作为输入，并将平滑的gps点映射到数字地图上的路段，使用隐马尔科夫模型确定与gps原始数据的时间戳序列相对应的路段序列；隐马尔科夫模型是具有候选状态和观测值的离散时间马尔可夫过程；使用索引网格来搜索候选状态，每个候选状态为最接近路段中观测点的点，并产生观测概率该观测概率定义为gps采样点p
i
与基于高斯噪声模型计算的候选点匹配的可能性：其中，σ是标准偏差，d定义为p
i
和之间的投影距离，p
i
是i时刻的采样点，是p
i
的第j个候选点；其中，是p
i
第j条候选路段，c是边上的任意点，dist(p
i
,c)是p
i
和c之间的欧式距离；隐马尔科夫模型允许从前一个候选状态到当前候选状态的转换，并且该转换由转换概率控制；根据经验，隐马尔科夫模型假设连续候选状态之间的最短路径具有转移概率因此，转移概率计算如下：其中，是当前观测的候选点；是前一观测的候选点；d是从到的最短路径长度和观测之间的欧几里德距离之间差的绝对值；然后利用在线维特比译码算法，找到与输入序列的可变滑动窗口相对应的路段的最大似然序列。10.根据权利要求7所述的基于隐马尔科夫的多噪声感知的地图匹配校正系统，其特征在于，在所述概率波动检测模块中，通过定义观测概率和转移概率，在接收到gps采样点后
通过添加新节点和加权边逐步构建分层图；如果在分层图中添加新的gps样本时匹配精度下降，则认为存在测量误差或地图错误；给定候选点集，隐马尔科夫模型将使用维特比解码算法计算最大似然路径；当候选集包含观察的真实位置时，隐马尔科夫模型推断出正确的路径；当存在地图错误或测量错误时，两个连续候选对象之间的最短路径不是真实路径，并且会迂回；将候选集不包含真实位置的采集点视为低质量点，检测模型将删除检测到的低质量点；维特比算法的计算过程是在添加新的gps采样点时，使观测概率和转移概率的乘积最大化；采样误差或地图错误引起最优解码概率的幅度波动；取原始值的对数，使波动更加明显；当采样新加入的点导致匹配概率的波动超过预设阈值时，删除采样新加入的点；存在地图错误时，限制连续移除点的数量；当移除某区域的一系列连续采样点超过限制数量时，算法评估器将评估不匹配的样本，检测是否存在地图错误，如果存在则使用地图生成模型来拟合缺失的道路。
技术总结本发明提供了一种基于隐马尔科夫的多噪声感知的地图匹配校正方法及系统，通过对区域网格化，得到平滑的轨迹；将平滑后的轨迹输入隐马尔科夫模型进行匹配；匹配的过程中计算观测点的波动情况；波动幅度超过阈值删除当前观测点；在邻近区域内删除掉连续的轨迹点，对删除点位置做预测，评估预测位置和观测位置的误差范围，误差小于阈值判定该段采样轨迹处有地图错误；将删除的点作为地图生成器的输入，根据计算的拐点位置，将缺失的路段划分为一系列区间，区间内计算出穿过拐点间的线段。本发明创新性地提出了能检测地图错误与删除低质量采样点的地图匹配框架，能与基于隐马尔科夫模型的地图匹配算法相结合，纠正匹配结果并提升其匹配精度。其匹配精度。其匹配精度。
技术研发人员：钱诗友 周建华 胡瀚文 曹健 薛广涛
受保护的技术使用者：上海交通大学
技术研发日：2022.07.25
技术公布日：2022/11/1
