亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

一種基于三證據(jù)DS理論的雙模式地圖匹配方法與流程

文檔序號(hào):12356480閱讀:362來源:國知局
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 
當(dāng)前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1