本發(fā)明涉及地圖匹配
技術(shù)領(lǐng)域：
，具體為基于三證據(jù)DS理論的雙模式地圖匹配方法。
背景技術(shù)：
：近年來，隨著交通工具和相關(guān)技術(shù)迅猛發(fā)展，人們的出行方式發(fā)生了翻天覆地的變化，出行范圍變得越來越廣。出行不可避免的會(huì)使用到地圖，紙質(zhì)地圖由于攜帶不方便，查找困難，信息不全等因素在信息化高度發(fā)展的今天逐漸被電子地圖淘汰。與傳統(tǒng)紙質(zhì)地圖相比，電子地圖有前者無法比擬的優(yōu)越性，覆蓋范圍廣，信息量大而全，最重要的是配合定位系統(tǒng)可實(shí)時(shí)定位。大多數(shù)時(shí)候，汽車總是行走的道路上，現(xiàn)有的定位手段包括GPS、網(wǎng)絡(luò)定位、基站定位等都不能完全精確的給出定位坐標(biāo)，地圖匹配的工作就是將定位結(jié)果糾正到正確的道路上，并盡可能靠近汽車當(dāng)前的準(zhǔn)確位置。參考文獻(xiàn)：黃瑞陽,郭建忠,余慧明,等.基于Silverlight的矢量地圖符號(hào)模型設(shè)計(jì)與實(shí)踐[J].測繪工程,2013(1):7-11；段榮,趙修斌,龐春雷,等.一種GPS移動(dòng)基準(zhǔn)站精密相對(duì)定位新算法[J].四川大學(xué)學(xué)報(bào)(工程科學(xué)版),2015,3:018.常見的地圖匹配算法有直接投影法、概率統(tǒng)計(jì)算法、拓?fù)浣Y(jié)構(gòu)算法、相關(guān)系數(shù)算法、DS證據(jù)理論算法等。直接投影法是把定位點(diǎn)垂直投影到最近的道路上，此方法雖然計(jì)算量小，但誤差較大，實(shí)際應(yīng)用中是在最終確定了正確道路之后用此法確定精確位置。概率統(tǒng)計(jì)算法，它的基本思想是根據(jù)定位坐標(biāo)設(shè)置一個(gè)置信區(qū)域，計(jì)算誤差橢圓，從中提取待匹配的道路節(jié)點(diǎn)信息，然后利用定位的方向、速度等信息確定匹配道路。但誤差橢圓的計(jì)算和道路的篩選會(huì)帶來巨大的計(jì)算量，無法保證系統(tǒng)的實(shí)時(shí)性。拓?fù)浣Y(jié)構(gòu)算法，此算法是在弧段和弧段之間建立了拓?fù)潢P(guān)系的基礎(chǔ)上進(jìn)行的，通過對(duì)歷史匹配信息的綜合，分析道路網(wǎng)的拓?fù)浣Y(jié)構(gòu)，確定匹配路段。由于考慮單一信息，對(duì)于較為復(fù)雜的道路，此類算法準(zhǔn)確率會(huì)降低。相關(guān)系數(shù)算法，是通過計(jì)算一段行駛時(shí)間內(nèi)的定位點(diǎn)與數(shù)據(jù)庫中各道路存儲(chǔ)結(jié)點(diǎn)的相關(guān)性系數(shù)，選出相關(guān)性最高的作為匹配道路。這種算法需要較多的較準(zhǔn)確的定位點(diǎn)才能準(zhǔn)確匹配，對(duì)于多條道路弧線相似的情況，它也不能準(zhǔn)確的識(shí)別。DS證據(jù)理論算法是對(duì)所有的候選道路集，選出兩條及以上可以證明定位點(diǎn)在該道路上的證據(jù)，并構(gòu)造適當(dāng)?shù)淖C據(jù)函數(shù)，分別對(duì)每條道路進(jìn)行證據(jù)融合并計(jì)算出基本概率分配函數(shù)，函數(shù)值最高的即為最佳匹配道路。參考文獻(xiàn)：周成,袁家政,劉宏哲,等.智能交通領(lǐng)域中地圖匹配算法研究[J].計(jì)算機(jī)科學(xué),2015,42(10):1-6；BierlaireM,ChenJ,NewmanJ.AprobabilisticmapmatchingmethodforsmartphoneGPSdata[J].TransportationResearchPartC:EmergingTechnologies,2013,26:78-98；李洋,張曉冬,鮑遠(yuǎn)律.多權(quán)值概率論實(shí)時(shí)地圖匹配[J].電子測量與儀器學(xué)報(bào),2012,26(2):166-170；李清泉,胡波,樂陽.一種基于約束的最短路徑低頻浮動(dòng)車數(shù)據(jù)地圖匹配算法[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2013,38(7):805G808；PinkO,HummelB.Astatisticalapproachtomapmatchingusingroadnetworkgeometry,topologyandvehicularmotionconstraints[C]//IntelligentTransportationSystems,2008.ITSC2008.11thInternationalIEEEConferenceon.IEEE,2008:862-867；李珂,楊楊,邱雪松.城市汽車導(dǎo)航中一種改進(jìn)的DS證據(jù)理論地圖匹配算法[J].測繪學(xué)報(bào),2014,43(2):208-220；曹聞朱述龍彭煊李潤生.基于短時(shí)預(yù)測的地圖匹配算法[J].計(jì)算機(jī)應(yīng)用,2010,30(11):2910-2913。此外，還有基于卡爾曼濾波殘差的地圖匹配算法，用于估算離散時(shí)間過程的狀態(tài)變量，包含對(duì)隨機(jī)噪聲的濾波功能，但其模型對(duì)噪聲的概率分布有較高的要求，GPS誤差的均值并不符合此模型；基于模糊邏輯識(shí)別的地圖匹配算法，其基本思想是將地圖每條道路分段線性化成直線段，對(duì)每條路段進(jìn)行模式V識(shí)別，并將前面多個(gè)識(shí)別結(jié)果作為后一路段相似性大量函數(shù)函數(shù)識(shí)別權(quán)值；基于人工神經(jīng)網(wǎng)絡(luò)的地圖匹配算法，基于誤差反向傳播的思想，通過大量數(shù)據(jù)的學(xué)習(xí)，使得匹配精度不斷提高，對(duì)于小量稀疏數(shù)據(jù)集，這種算法也無能為力。參考文獻(xiàn)：曾喆,李清泉,鄒海翔,等.曲率積分約束的GPS浮動(dòng)車地圖匹配方法[J].測繪學(xué)報(bào),2015,44(10):1167-1176；SUHB,TangJS,HOUC.AIntegratedMapMatchingAlgorithmBasedonFuzzyTheroyforVehicleNavigationSystem[C]//ProceedingsofIEEEInternationalConferenceonComputationalIntelligenceandSecurity.[S.1.]:IEEE,2006:916-919；SaeediS,PaullL,TrentiniM,etal.Neuralnetwork-basedmultiplerobotsimultaneouslocalizationandmapping[J].NeuralNetworks,IEEETransactionson,2011,22(12):2376-2387。因此，本領(lǐng)域亟待新的實(shí)用地圖匹配技術(shù)方案出現(xiàn)。技術(shù)實(shí)現(xiàn)要素：本發(fā)明基于以上研究，對(duì)二證據(jù)DS理論地圖匹配方法進(jìn)行改進(jìn)，提出一種三證據(jù)DS理論雙模式的匹配方法，解決了二證據(jù)DS理論中匹配結(jié)果不穩(wěn)定，對(duì)平行道路沒有區(qū)分度，計(jì)算量大導(dǎo)致系統(tǒng)響應(yīng)過慢等問題。本發(fā)明提供一種基于三證據(jù)DS理論的雙模式地圖匹配方法，包括以下步驟，Step1，進(jìn)行匹配前的準(zhǔn)備工作，初始化匹配隊(duì)列，設(shè)置信號(hào)量isCenter初始值為false，編制道路節(jié)點(diǎn)，建立拓?fù)潢P(guān)系；轉(zhuǎn)到Step2；所述信號(hào)量isCenter表示當(dāng)前應(yīng)選擇的匹配模式，若為false，則應(yīng)選擇高精度模式，若為true，則應(yīng)選擇驗(yàn)證模式；Step2，設(shè)通過接收到的定位信息獲取第i個(gè)定位點(diǎn)di，對(duì)di進(jìn)行有效性判斷，若匹配隊(duì)列為空，則默認(rèn)di有效，否則根據(jù)判斷當(dāng)前定位點(diǎn)與前一定位點(diǎn)的實(shí)際距離與理論距離的偏離大小，如果超過則無效，執(zhí)行Step3，否則有效，轉(zhuǎn)到Step4；Step3，使用線性插值，插入一個(gè)定位點(diǎn)di，轉(zhuǎn)到Step12；Step4，根據(jù)信號(hào)量isCenter選擇當(dāng)前匹配模式，若為true，則轉(zhuǎn)到Step8執(zhí)行選擇驗(yàn)證模式進(jìn)行匹配，否則轉(zhuǎn)到Step5執(zhí)行高精度模式進(jìn)行匹配；Step5，計(jì)算置信區(qū)域，并從中篩選出所有候選道路得到集合s，轉(zhuǎn)到Step6；Step6，對(duì)于所有候選道路si∈s，利用三證據(jù)DS理論計(jì)算候選道路si對(duì)應(yīng)的概率分配函數(shù)值，轉(zhuǎn)到Step7；Step7，對(duì)所有概率分配函數(shù)值按降序排列，從大到小開始取得當(dāng)前si，對(duì)si進(jìn)行相似性驗(yàn)證，若驗(yàn)證通過則保存當(dāng)前si，然后直接轉(zhuǎn)到Step9，否則取下一個(gè)si重復(fù)相似性驗(yàn)證；Step8，利用三證據(jù)DS理論和相似性對(duì)歷史結(jié)果進(jìn)行雙重驗(yàn)證，包括首先利用三證據(jù)DS理論計(jì)算出前一匹配道路s′的概率分配函數(shù)值m(s′)，若m(s′)小于所設(shè)閾值，則轉(zhuǎn)到Step2，否則進(jìn)行相似性驗(yàn)證，若驗(yàn)證通過則設(shè)置匹配結(jié)果為s′并轉(zhuǎn)到Step12，否則轉(zhuǎn)到Step2；Step9，檢測是否換道，包括將當(dāng)前匹配道路si與前一匹配道路s′進(jìn)行比較，若不相等，則轉(zhuǎn)到Step10，否則設(shè)置匹配結(jié)果為si并轉(zhuǎn)到Step12；Step10，若當(dāng)前已有連續(xù)N次匹配道路不一致，則轉(zhuǎn)到Step11，否則轉(zhuǎn)到Step12；N為預(yù)設(shè)的次數(shù)；Step11，清空匹配隊(duì)列，設(shè)置isCenter為false，轉(zhuǎn)到Step2；Step12，根據(jù)匹配結(jié)果，判斷di是否處于非路口路段，若是，則設(shè)置信號(hào)量isCenter為true，否則設(shè)為false，轉(zhuǎn)到Step13；Step13，輸出匹配結(jié)果，進(jìn)行收尾工作，將di添加到匹配隊(duì)列，記錄歷史信息，歷史信息包括前一定位點(diǎn)的坐標(biāo)、匹配道路和在匹配道路上的匹配點(diǎn)，轉(zhuǎn)到Step2。而且，Step5中，將誤差區(qū)域簡化為矩形區(qū)域，該矩形區(qū)域?yàn)闄E圓的最小包圍矩形，設(shè)長為X，寬為Y，根據(jù)下式計(jì)算置信區(qū)域，其中，a,b是橢圓的長半軸和短半軸，是橢圓長半軸與正北方向夾角。而且，Step6中，基于距離和方向合成得到的證據(jù)函數(shù)m(B)和歷史證據(jù)的基本概率分配函數(shù)m3(C)，根據(jù)下式利用三證據(jù)DS理論計(jì)算出候選道路si對(duì)應(yīng)的概率分配函數(shù)值，其中，m′(Si)表示三證據(jù)融合后的概率分配函數(shù)，B和C代表候選道路集合中的元素，m(θ)表示距離和方向兩個(gè)證據(jù)融合后的不確定性函數(shù)，其函數(shù)值等于1-m(Si)，m(si)為距離和方向兩個(gè)證據(jù)融合后的概率分配函數(shù)，m3(C)為歷史證據(jù)的基本概率分配函數(shù)，m3(θ)為歷史證據(jù)的不確定性函數(shù)。而且，Step7中，利用下式對(duì)當(dāng)前si進(jìn)行相似性驗(yàn)證，其中，x代表經(jīng)度，y代表緯度，Q表示相似性，Rx和Ry分別是行駛軌跡經(jīng)度與匹配道路經(jīng)度和行駛軌跡緯度與匹配道路緯度的相關(guān)系數(shù)。而且，Step8，利利用三證據(jù)DS理論計(jì)算出前一匹配道路s′的概率分配函數(shù)值m(s′)時(shí)根據(jù)式三進(jìn)行，進(jìn)行相似性驗(yàn)證時(shí)根據(jù)式四進(jìn)行。而且，Step12中，判斷di是否處于非路口路段的實(shí)現(xiàn)方式為，設(shè)道路分為路口路段和非路口路段，二者之間的界限稱為轉(zhuǎn)換節(jié)點(diǎn)，假設(shè)Ni和Nj是一條道路的兩個(gè)節(jié)點(diǎn)，Pc是當(dāng)前定位點(diǎn)在此道路上的投影點(diǎn)，Dij是Ni到Nj的長度，Dki是Ni到Pc的長度，Dkj是Nj到Pc的長度，若滿足下列公式，則為非路口路段，否則為路口路段Dki＞λDij&&Dkj＞λDij(式五)其中，λ為效率參數(shù)，表示路口路段占全部長度的比例。本發(fā)明提出一種基于三證據(jù)DS理論的雙模式地圖匹配方法，為了提高匹配的穩(wěn)定性、正確率，引入第三個(gè)證據(jù)-歷史證據(jù)，并構(gòu)造出歷史證據(jù)函數(shù)，然后對(duì)三個(gè)證據(jù)進(jìn)行證據(jù)融合，根據(jù)融合后的公式計(jì)算出各候選道路的概率分配函數(shù)值，以此初步確定出匹配道路；為了進(jìn)一步提高結(jié)論的可信度，采用相似性對(duì)結(jié)論進(jìn)行驗(yàn)證；考慮到汽車移動(dòng)的短時(shí)平穩(wěn)性，為提高匹配速度，提出雙模式的匹配方法，把一條道路分為兩種路段，采用推理式和驗(yàn)證式兩種模式進(jìn)行匹配。根據(jù)實(shí)驗(yàn)可以看出，本發(fā)明所提供的地圖匹配方法效果要由于其他地圖匹配方法，具有良好的魯棒性和準(zhǔn)確率，也在一定程度上減少了匹配時(shí)間。應(yīng)用本發(fā)明提供的地圖匹配方法，可有效提高匹配的精度和穩(wěn)定性，雙模式的匹配方法可以降低計(jì)算量，使得系統(tǒng)提高響應(yīng)速度，在計(jì)算及存儲(chǔ)能力相對(duì)較弱的移動(dòng)端能夠發(fā)揮較大作用，具有重要的市場價(jià)值。附圖說明圖1為本發(fā)明實(shí)施例的流程圖。圖2為本發(fā)明實(shí)施例的定位接收頻率之一下三證據(jù)DS理論地圖匹配方法與其他兩種方法匹配正確率對(duì)比圖。圖3為本發(fā)明實(shí)施例的定位接收頻率之二下三證據(jù)DS理論地圖匹配方法與其他兩種方法匹配正確率對(duì)比圖。圖4為本發(fā)明實(shí)施例的小量數(shù)據(jù)集三證據(jù)DS理論地圖匹配方法與其他兩種方法完成的時(shí)間對(duì)比圖。圖5為本發(fā)明實(shí)施例的中量數(shù)據(jù)集三證據(jù)DS理論地圖匹配方法與其他兩種方法完成的時(shí)間對(duì)比圖。圖6為本發(fā)明實(shí)施例的大量數(shù)據(jù)集三證據(jù)DS理論地圖匹配方法與其他兩種方法完成的時(shí)間對(duì)比圖。具體實(shí)施方式下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明技術(shù)方案進(jìn)一步詳細(xì)說明。本發(fā)明是對(duì)地圖匹配方法進(jìn)行研究，提出基于三證據(jù)DS理論的雙模式地圖匹配方法，該方法的實(shí)現(xiàn)主要有兩個(gè)創(chuàng)新點(diǎn)：三證據(jù)的融合，雙模式的匹配方法。三證據(jù)的融合基于如下公式：一、置信區(qū)域，置信區(qū)域是指概率統(tǒng)計(jì)理論中計(jì)算出誤差橢圓內(nèi)的區(qū)域，誤差橢圓公式推導(dǎo)如下：a=σ012(σx2+σy2)+σx2-σy2+4σxy2---(1)]]>b=σ012(σx2-σy2)+σx2-σy2+4σxy2---(2)]]>其中，a,b是橢圓的長短半軸，σx和σy分別是經(jīng)度和緯度的標(biāo)準(zhǔn)差，σxy是協(xié)方差，σ0是單位權(quán)值的后驗(yàn)方差，可改變它的大小調(diào)整置信區(qū)域的范圍，是橢圓長半軸與正北方向的夾角。由于判斷路段是否落在橢圓內(nèi)需要執(zhí)行大量的開方運(yùn)算，所以在實(shí)際應(yīng)用中通常將誤差區(qū)域簡化為矩形區(qū)域，該矩形區(qū)域?yàn)闄E圓的最小包圍矩形。長X和寬Y的計(jì)算公式如下：這一步是要從矩形區(qū)域中篩選出所有候選道路構(gòu)成樣本空間，接下來利用DS理論對(duì)樣本空間中的每個(gè)樣本進(jìn)行證據(jù)融合。二、基本概率分配函數(shù)，是DS理論中定量描述結(jié)論可信度的公式，基本概率分配函數(shù)構(gòu)造為：mj(Si)=fijΣi=1nfij+(1-kj)---(6)]]>mj(θ)=1-kjΣi=1nfij+(1-kj)---(7)]]>其中，mj(Si)表示證據(jù)j對(duì)命題“道路Si是匹配道路”的精確信任程度。mj(θ)表示不確定車輛在哪條道路上。fij表示證據(jù)函數(shù)，用來度量該證據(jù)指向某個(gè)結(jié)論的可信度大小。n表示樣本空間的大小，即候選道路的條數(shù)。mj(θ)表示不能確定車輛在哪條道路上，其中θ是一個(gè)象征意義的符號(hào)，表示當(dāng)前證據(jù)的不確定性，無實(shí)際值。kj表示證據(jù)j的可靠性參數(shù)。最后根據(jù)DS合成公式，將兩個(gè)基本概率分配函數(shù)合成為一個(gè)基本概率分配函數(shù)m(si)。三、三證據(jù)DS理論。由于二證據(jù)DS證據(jù)理論證據(jù)過少導(dǎo)致匹配結(jié)果不穩(wěn)定且容易產(chǎn)生誤匹配，引入第三個(gè)證據(jù)--歷史證據(jù)。歷史證據(jù)為前一定位點(diǎn)基本概率分配函數(shù)的最大值，記歷史證函數(shù)值為m′(max)。當(dāng)j＝3時(shí)，歷史證據(jù)函數(shù)構(gòu)造為：fi3=m(si)+m′(max)Σi=1nm(si)---(8)]]>其中m(si)為距離和方向兩個(gè)證據(jù)融合后的概率分配函數(shù)，若當(dāng)前計(jì)算的候選道路和歷史證據(jù)為同一條道路，則m′(max)為前一定位點(diǎn)基本概率分配函數(shù)的最大值，否則m′(max)為0。分母為所有候選道路對(duì)應(yīng)m(si)的函數(shù)值之和。同樣根據(jù)(6)(7)式得出歷史證據(jù)的基本概率分配函數(shù)m3(C)和歷史證據(jù)的不確定性函數(shù)m3(θ)。再根據(jù)DS合成公式將距離和方向合成得到的證據(jù)函數(shù)m(B)與歷史證據(jù)的基本概率分配函數(shù)m3(C)進(jìn)行融合，融合后的基本概率公式為：m′(Si)=ΣB∩C=Sim(B)m3(C)1-ΣB∩C=φm(B)m3(C)=m(Si)m3(Si)+m(Si)m3(θ)+m(θ)m3(Si)1-ΣB∩C=φm(B)m3(C)---(9)]]>其中m′(Si)表示三證據(jù)融合后的概率分配函數(shù)。B和C代表候選道路集合中的元素，m(θ)表示距離和方向兩個(gè)證據(jù)融合后的不確定性函數(shù)，其函數(shù)值等于1-m(Si)。取B∩C＝Si相當(dāng)于是對(duì)于集合中第i條道路Si把其對(duì)應(yīng)的m(Si)和m3(Si)相乘然后對(duì)所有的求和，取B∩C＝φ表示對(duì)于集合中第i條道路Si把所有與其不同的道路對(duì)應(yīng)的m(.)和m3(.)值相乘然后對(duì)所有的求和。四、相似指數(shù)。指當(dāng)前匹配隊(duì)列中的點(diǎn)形成的曲線與道路結(jié)點(diǎn)表示的曲線的相似程度。相似指數(shù)用于過濾DS證據(jù)理論算法計(jì)算出的概率分配函數(shù)值，篩選出正確道路。x代表經(jīng)度，y代表緯度。假設(shè)用Q表示相似性，其公式如下：Q=Rx2+Ry22---(10)]]>把當(dāng)前定位點(diǎn)預(yù)插入到匹配隊(duì)列，然后用公式(10)對(duì)匹配隊(duì)列中的點(diǎn)與DS證據(jù)理論計(jì)算得道路的概率分配函數(shù)值從大到小進(jìn)行相似性檢驗(yàn)，若通過檢驗(yàn)，即相似性大于預(yù)設(shè)的相似度閾值S，具體實(shí)施時(shí)本領(lǐng)域技術(shù)人員可自行預(yù)設(shè)閾值。則表示此結(jié)論正確，再進(jìn)行下一步操作。其中Rx和Ry分別是行駛軌跡經(jīng)度與匹配道路經(jīng)度和行駛軌跡緯度與匹配道路緯度的相關(guān)系數(shù)。首先根據(jù)匹配隊(duì)列中的點(diǎn)和匹配道路生成一個(gè)n×4的樣本矩陣，n為匹配隊(duì)列的當(dāng)前長度。矩陣的列從左到右依次為匹配隊(duì)列中點(diǎn)的橫坐標(biāo)、縱坐標(biāo)、候選道路的橫坐標(biāo)、縱坐標(biāo)。表示如下：x1y1x1my1mx2y2x2my2mx3y3x3my3m............xnynxnmynm]]>根據(jù)樣本矩陣計(jì)算相關(guān)系數(shù)Rx、Ry的公式為：Rx=Σi=1n(xi-x‾)(xim-x‾m)Σi=1n(xi-x‾)2Σi=1n(xim-x‾m)2Ry=Σi=1n(yi-y‾)(yim-y‾m)Σi=1n(yi-y‾)2Σi=1n(yim-y‾m)2---(11)]]>其中為匹配隊(duì)列中點(diǎn)的橫坐標(biāo)的均值，為候選道路結(jié)點(diǎn)橫坐標(biāo)的均值，為匹配隊(duì)列中點(diǎn)的橫坐標(biāo)的均值，為候選道路結(jié)點(diǎn)橫坐標(biāo)的均值。五、轉(zhuǎn)換節(jié)點(diǎn)。算法把道路分為路口路段和非路口路段，二者之間的界限稱為轉(zhuǎn)換節(jié)點(diǎn)。假設(shè)Ni和Nj是一條道路的兩個(gè)節(jié)點(diǎn)，Pc是當(dāng)前定位點(diǎn)在此道路上的投影點(diǎn)。Dij是Ni到Nj的長度，Dki是Ni到Pc的長度，Dkj是Nj到Pc的長度，若滿足下列公式，則為非路口路段，否則為路口路段。Dki＞λDij&&Dkj＞λDij(12)其中λ為效率參數(shù)，表示路口路段占全部長度的比例，具體實(shí)施時(shí)可由本領(lǐng)域技術(shù)人員預(yù)先通過實(shí)驗(yàn)確定最優(yōu)的參數(shù)值。對(duì)于路口路段，由于定位誤差，根據(jù)DS證據(jù)推理出的結(jié)論可能會(huì)發(fā)生跳躍。故此路段先進(jìn)行預(yù)匹配，匹配結(jié)果穩(wěn)定下來再對(duì)結(jié)果進(jìn)行輸出。對(duì)于路口路段，由于汽車行駛的短時(shí)平穩(wěn)性，對(duì)歷史結(jié)果進(jìn)行三證據(jù)的融合計(jì)算概率分配函數(shù)值以及相似性驗(yàn)證，驗(yàn)證通過則輸出匹配結(jié)果。本發(fā)明中使用匹配隊(duì)列來存儲(chǔ)最近匹配成功的點(diǎn)，隊(duì)列長度具體實(shí)施時(shí)可根據(jù)本領(lǐng)域技術(shù)人員通過實(shí)驗(yàn)確定，超過長度按先進(jìn)先出的原則處理。隊(duì)列在每條道路的初始匹配階段為空，即程序一開始，隊(duì)列為空，之后在匹配過程中若檢測到汽車換道，則清空隊(duì)列。匹配隊(duì)列的作用有兩個(gè)，一是記錄歷史信息，二是根據(jù)隊(duì)列中的點(diǎn)計(jì)算與道路結(jié)點(diǎn)的相似性。見附圖1所示，實(shí)施例的流程包括步驟如下：Step1，進(jìn)行匹配前的準(zhǔn)備工作，初始化匹配隊(duì)列，即清空隊(duì)列，設(shè)置隊(duì)列初始長度為0；設(shè)置信號(hào)量isCenter初始值為false，信號(hào)量表示當(dāng)前應(yīng)選擇的匹配模式，若為false，則應(yīng)選擇高精度模式，若為true，則應(yīng)選擇驗(yàn)證模式；編制道路節(jié)點(diǎn)，建立拓?fù)潢P(guān)系；轉(zhuǎn)到Step2。Step2，通過手機(jī)接收到的定位信息獲取第i個(gè)定位點(diǎn)di，具體實(shí)施時(shí)i的值一般是從開始所有匹配過的定位點(diǎn)數(shù)，從1開始計(jì)數(shù)。對(duì)di進(jìn)行有效性判斷，若匹配隊(duì)列為空，則默認(rèn)di有效，否則根據(jù)速度和時(shí)間戳算出在此時(shí)間段內(nèi)能移動(dòng)的理論距離，判斷當(dāng)前定位點(diǎn)與前一定位點(diǎn)的實(shí)際距離與理論距離的偏離大小，如果超過則無效，否則有效。如果有效，則轉(zhuǎn)到Step4，否則執(zhí)行Step3。Step3，使用線性插值，插入一個(gè)定位點(diǎn)di，轉(zhuǎn)到Step12。Step4，根據(jù)信號(hào)量isCenter選擇當(dāng)前匹配模式。通常此處的信號(hào)量是根據(jù)匹配隊(duì)列中前一定位點(diǎn)的處理過程得到，若di位于隊(duì)頭，即前面沒有定位點(diǎn)，則使用其初始值，否則利用在上一次執(zhí)行Step12根據(jù)公式(12)進(jìn)行判斷計(jì)算的結(jié)果。若為true，則轉(zhuǎn)到Step8執(zhí)行選擇驗(yàn)證模式進(jìn)行匹配，否則轉(zhuǎn)到Step5執(zhí)行高精度模式進(jìn)行匹配。Step5，根據(jù)公式(4)(5)計(jì)算置信區(qū)域，并從中篩選出所有候選道路得到集合s，轉(zhuǎn)到Step6。Step6，對(duì)于所有候選道路si∈s，根據(jù)公式(9)計(jì)算出si對(duì)應(yīng)的概率分配函數(shù)值，轉(zhuǎn)到Step7。Step7，對(duì)所有概率分配函數(shù)值按降序排列，從大到小開始取得當(dāng)前si，利用公式(10)對(duì)si進(jìn)行相似性驗(yàn)證，若計(jì)算結(jié)果大于所設(shè)相似度閾值S，即驗(yàn)證通過則保存當(dāng)前si，然后直接轉(zhuǎn)到Step9，否則取下一個(gè)si重復(fù)Step7的相似性驗(yàn)證。道路是以一系列已知的坐標(biāo)點(diǎn)(道路結(jié)點(diǎn))表示的，為了選出概率分配值靠前并且滿足相似性的一條道路，此步驟的相似性驗(yàn)證比較di預(yù)插入匹配隊(duì)列后形成的曲線和道路si的曲線。Step8，利用三證據(jù)DS理論和相似性對(duì)歷史結(jié)果進(jìn)行雙重驗(yàn)證。首先利用公式(9)計(jì)算出前一匹配道路s′的概率分配函數(shù)值m(s′)，若m(s′)小于所設(shè)閾值，則轉(zhuǎn)到Step2，否則對(duì)s′進(jìn)行相似性驗(yàn)證，即利用公式(10)計(jì)算出相似性值Q，若Q大于所設(shè)相似度閾值S，則驗(yàn)證通過，設(shè)置匹配結(jié)果為s′并轉(zhuǎn)到Step12，否則轉(zhuǎn)到Step2。本步驟的相似性驗(yàn)證比較di預(yù)插入匹配隊(duì)列后形成的曲線和道路s′的曲線。計(jì)算，將前一匹配道路s′的概率分配函數(shù)值m(s′)時(shí)，將s′作為Si代入公式(9)計(jì)算即可。概率分配函數(shù)值m(s′)的范圍是0～1，具體實(shí)施時(shí)相應(yīng)閾值可由本領(lǐng)域技術(shù)人員自行預(yù)設(shè)。在實(shí)驗(yàn)中統(tǒng)計(jì)出的m(s′)匹配成功的平均值在0.7左右，所以實(shí)施例中取0.7。Step9，檢測是否換道，即當(dāng)前匹配道路si與前一匹配道路s′進(jìn)行比較，若不相等，則轉(zhuǎn)到Step10，否則設(shè)置匹配結(jié)果為si并轉(zhuǎn)到Step12。Step10，為避免誤判，通過接下來連續(xù)N次(具體實(shí)施可預(yù)設(shè)次數(shù)，例如三次)返回繼續(xù)判斷，確定最終結(jié)果，即若當(dāng)前已有連續(xù)四次匹配道路不一致，則轉(zhuǎn)到Step11，否則轉(zhuǎn)到Step12。Step11，清空匹配隊(duì)列，初始化各匹配參數(shù)，包括設(shè)置匹配隊(duì)列長度為0，設(shè)置isCenter為false，轉(zhuǎn)到Step2。Step12，根據(jù)匹配結(jié)果，利用公式(12)判斷di是否處于非路口路段，若是，則設(shè)置信號(hào)量isCenter為true，否則設(shè)為false，轉(zhuǎn)到Step13。Step13，輸出匹配結(jié)果，進(jìn)行收尾工作，將di添加到匹配隊(duì)列，將本次迭代處理的當(dāng)前di作為下一次迭代的前一定位點(diǎn)，記錄歷史信息，歷史信息包括前一定位點(diǎn)的坐標(biāo)，匹配道路，在匹配道路上的匹配點(diǎn)，轉(zhuǎn)到Step2。按此持續(xù)自動(dòng)運(yùn)行，可以實(shí)現(xiàn)實(shí)時(shí)地圖匹配。具體實(shí)施時(shí)，本領(lǐng)域技術(shù)人員可采用軟件技術(shù)實(shí)現(xiàn)自動(dòng)流程運(yùn)行。為了便于本領(lǐng)域技術(shù)人員了解本發(fā)明技術(shù)方案發(fā)明效果，在移動(dòng)平臺(tái)進(jìn)行相關(guān)實(shí)驗(yàn)，結(jié)果說明該地圖匹配方法效果良好，包括從三個(gè)方面進(jìn)行了實(shí)驗(yàn)。一方面是為了測試引入的第三個(gè)證據(jù)是否對(duì)匹配效果產(chǎn)生影響，對(duì)基于二證據(jù)DS理論和三證據(jù)DS理論的匹配結(jié)果進(jìn)行對(duì)比：二證據(jù)DS理論僅對(duì)距離和方向兩個(gè)證據(jù)進(jìn)行融合，得出結(jié)論。而并沒有綜合考慮道路拓?fù)浣Y(jié)構(gòu)和歷史結(jié)果，在應(yīng)對(duì)多條平行道路以及其他一些較為復(fù)雜的道路狀況下，二證據(jù)DS理論得出的結(jié)論就會(huì)出現(xiàn)較大誤差和不穩(wěn)定性。三證據(jù)DS理論加入一個(gè)歷史證據(jù)，并構(gòu)造出證據(jù)函數(shù)(8)，通過對(duì)三個(gè)證據(jù)的融合，得出最終的基本概率分配函數(shù)(9)，利用此函數(shù)對(duì)樣本進(jìn)行可信度計(jì)算，由于加入對(duì)歷史證據(jù)的融合，在平行道路以及其他較為復(fù)雜道路的匹配過程中，匹配結(jié)果受距離與方向的影響會(huì)顯著降低，多個(gè)證據(jù)相互平衡可以提高結(jié)論的正確率和穩(wěn)定性。首先對(duì)比了對(duì)200多個(gè)定位點(diǎn)進(jìn)行匹配，可以看出，在平行路段的匹配過程中，基于三證據(jù)DS理論的匹配結(jié)果更穩(wěn)定，根據(jù)統(tǒng)計(jì)結(jié)果，采用本發(fā)明實(shí)施例流程三證據(jù)匹配成功的點(diǎn)有209個(gè)，二證據(jù)匹配成功的有191個(gè)。接著對(duì)比兩種方法在三條平行路況下對(duì)八個(gè)定位點(diǎn)在各道路上計(jì)算的概率分配函數(shù)值的對(duì)比圖，縱坐標(biāo)表示計(jì)算出的概率函數(shù)值。第二方面，另選了兩種地圖匹配方法與本發(fā)明的三證據(jù)DS地圖匹配方法進(jìn)行了對(duì)比，這兩種匹配方法如下：直接投影匹配方法，僅考慮距離一個(gè)因素，所以計(jì)算量小，匹配速度快，但對(duì)定位經(jīng)度要求非常高，很容易出錯(cuò)，不適合復(fù)雜道路的匹配?；谕?fù)浣Y(jié)構(gòu)的圖匹配方法，這種方法考慮道路拓?fù)浣Y(jié)構(gòu)和相關(guān)性兩個(gè)方面，對(duì)數(shù)據(jù)的密集性要求比較高，不適合匹配誤差較大的定位數(shù)據(jù)。為了測試本發(fā)明方法對(duì)不同定位接收頻率的數(shù)據(jù)集的匹配魯棒性，使用以上兩種方法和本發(fā)明的三證據(jù)DS理論地圖匹配方法對(duì)不同定位接收頻率的數(shù)據(jù)集進(jìn)行匹配，匹配正確率統(tǒng)計(jì)見附圖2、3。由圖中可以看出，本發(fā)明提出的方法在各種頻率的數(shù)據(jù)集中均表現(xiàn)穩(wěn)定，比其他方法正確率要高。第三方面，為測試雙模式匹配方法對(duì)全局匹配速度的影響，同樣使用以上兩種方法和本文的三證據(jù)DS理論地圖匹配方法對(duì)不同數(shù)量數(shù)據(jù)集進(jìn)行匹配時(shí)間的統(tǒng)計(jì)。統(tǒng)計(jì)結(jié)果見附圖4、5、6。從圖中可以看出，在小量數(shù)據(jù)集中本發(fā)明的方法完成時(shí)間不占太大優(yōu)勢，但在中量數(shù)據(jù)集和大量數(shù)據(jù)集中，因?yàn)殡p模式的切換匹配，使得本發(fā)明方法在在匹配時(shí)間和增長速度上都由于其他兩種方法。本文中所描述的具體實(shí)施例僅僅是對(duì)本發(fā)明精神作舉例說明。本發(fā)明所屬
技術(shù)領(lǐng)域：
的技術(shù)人員可以對(duì)所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類似方式替代，但并不會(huì)偏離本發(fā)明的精神或超越所附權(quán)利要求書所定義的范圍。當(dāng)前第1頁1 2 3