GPS Snippets

GPS Snippets

目前智能手机都集成有GPS芯片，能够间隔一定时间（例如1s）采集一次GPS定位信息， 该信息包括GPS横纵坐标，精度，速度，在各方向加速度等信息，因为采集周期较短，持续时间较长，故在用户量较大的应用中，该数据的规模会非常大，但也是最丰富的采集数据之一。而且该数据是对用户在物理世界时间空间最直接的描述，所以能够挖掘的信息非常丰富。

但问题来了，GPS点采集的时候因为卫星信号的强弱，或是设备周围信号受到干扰（例如有高楼），特别是民用GPS本来就会有误差，导致最后这些数据的漂移在几米到几十米不等，这样就会导致我们采集到的点都是有随机漂移的点，并不能完全反应用户真实的位置。而对于类似于高德，百度，滴滴的地图场景，我们需要知道车辆到底是以怎样的轨迹行驶，在什么时候行驶在什么路上。此时Map-Matching就是LBS服务较为基础的技术，因为它将不精确的用户轨迹点序列映射到确定的路网上。如下图示例：

1. 低采样率

除了采样误差和定位误差，地图匹配面临的主要挑战是由低采样率带来的不确定性。实际上出于能耗等方面的考虑，大多数车辆的GPS采样间隔都超过了30秒，有相当一部分超过了2-3分钟。如果城市路网中一辆自由流速度行驶的机动车GPS采样率达到3分钟，相邻采样点间距离将超过3ｋｍ，这些低采样率轨迹丢失了重要上下文信息，增加了地图匹配的难度。

采样时间间隔不大的情况下，任意两个候选点之间的路径是确定的；而当间隔过大时，两个候选节点之间可能存在多条路径
可连通。现有的研究工作中，基本都采用统一的处理方式，即直接采用最短路径或最频繁路径等方式选择路径。

为提高低采样率地图匹配的准确性

为了提高低采样率轨迹地图匹配的准确性，充分利用轨迹的特征、路网的拓扑和驾驶者的路径选择模式等信息。
将离线地图匹配过程看作机器学习中的序列标注问题，提出了一种基于条件随机场（CRF）和路径偏好挖掘的地图匹配算法。

2. 噪声

定位噪声是由于定位系统的信号受到环境和地理位置（比如城市峡谷区域）的影响而产生的，由于与实际位置偏差较大，这些噪声很难被地图匹配算法修正。最简单的轨迹噪声过滤有均值（中位数）过滤法，其思想是设定一个长度为n的滑动窗口，计算当前；$x_i$与前ｎ－１个点的均值，来修正点$x_i$，的观测值，这种方法在处理单个噪声点时非常有效，但处理连续多个噪声点时会产生很大误差，并且不适用于低采样率的轨迹；

文献［７］给出了基于卡尔曼滤波和基于粒子滤波的两种噪声轨迹修复方法。

卡尔曼滤波法做法是利用轨逆前一时刻地估计值和当前时刻的观测值来更新状态变量，求出当前时刻真实位置的估计，其实质在状态值和观测值之间作权衡，以＂预测一实测一修正＂的顺序递推计算，根据轨迹的测量值来消除噪声，对于高斯白噪声的线性系统来说，卡尔曼滤波能够给出系统状态的最优估计；

粒子滤波松弛放松了卡尔曼滤波严格的假设，在非线性、非高斯系统表现更化越。

但这两种方法都非常依赖轨迹初始位置的观测点，如果轨迹第一个点就是噪声，那么他们的效果都会非常糟糕。