GPS probe map matching algorithm based on spatial data model

To improve the performance of the traditional map matching algorithms in freeway traffic state monitoring systems using the low logging frequency GPS （global positioning system） probe data, a map matching algorithm based on the Oracle spatial data model is proposed. The algorithm uses the Oracle road network data model to analyze the spatial relationships between massive GPS positioning points and freeway networks, builds an N-shortest path algorithm to find reasonable candidate routes between GPS positioning points efficiently, and uses the fuzzy logic inference system to determine the final matched traveling route. According to the implementation with field data from Los Angeles, the computation speed of the algorithm is about 135 GPS positioning points per second and the accuracy is 98.9%. The results demonstrate the effectiveness and accuracy of the proposed algorithm for mapping massive GPS positioning data onto freeway networks with complex geometric characteristics.

基于大规模浮动车数据的地图匹配算法

地图匹配问题是浮动车技术中必须解决的关键问题.由于浮动车数据自身的特点,传统的导航地图匹配算法难以直接适用于大规模的浮动车数据匹配.在分析基于浮动车数据的地图匹配与传统的导航地图匹配的异同点的基础上,提出了浮动车地图匹配模型族的解决方案和相应的道路网格拓扑结构,设计了包括道路初次匹配模型、平行方向道路识别模型、节点匹配模型、延时匹配模型在内的浮动车数据地图匹配算法体系,并对算法进行了评估和验证.提出的浮动车数据地图匹配算法模型已经在广州市ITS示范工程中得到了实际应用,应用结果表明该算法具有准确、高效和实用的特点.

针对探测车历史数据的离线地图匹配算法

在现有的离线地图匹配算法基础上,采用两次栅格化的思想设计改进算法,大幅度减少了原有地图匹配算法中点到线段距离的计算次数。试验结果显示,本文算法提升地图匹配效率的同时保持了较高的匹配精度,可快速处理大规模的、数据发送间隔在10～60s之间的探测车历史数据。

基于WiFi探针数据的城市出行轨迹提取

为了更便捷地提取城市居民的出行轨迹,从而分析个体的日常空间行为,进而为城市管理的各项措施决策提供数据支撑,本文提出基于WiFi探针数据的城市出行轨迹提取方法,主要解决WiFi探针数据的路网匹配及丢失轨迹重构问题。首先,通过对终端MAC码和时间戳进行多列排序后提取出轨迹记录序列,利用信号强度RSSI值为每条记录提取坐落在路网上的候选点集。其次,设计基于局部评价的算法,对于每一个候选点,利用其前后相邻的几条记录提取的候选点集与其之间的时空关系,先后对其进行时间一致性评价和空间一致性评价,再结合以时间反比动态构建的权函数,得到最终评分;然后将每个候选点集中评分最高的点作为最佳匹配点,至此完成轨迹记录的路网匹配。最后,先采用基于深度优先的路径搜索算法搜索出丢失轨迹上下点之间的所有可行路径,再基于TOPSIS法决策出最优的重构路径。本文以东莞市市中心区域收集的WiFi探针数据为实验数据进行测试,平均每日可提取6万多条轨迹,与其中获取的GPS数据相比较验证了方法的可行性,为城市出行轨迹挖掘提供了新的解决方案。