状态特征
状态特征是在忽略其他采样点影响的前提下，仅从空间位置关系的角度，衡量当前采样点匹配某条候选路段的可能性。
根据文献[19,20,22]；GPS 的采样误差服从高斯分布
N
(
0
,
s
2
)
N(0,s^2)
N(0,s2)，这点也符合直觉，即离采样点越近的路段与之相匹配的可能性越大。因此状态特征定义为：
φ
(
r
m
(
t
)
,
o
(
t
)
)
=
1
2
π
σ
exp
(
−
d
p
2
(
r
m
(
t
)
,
o
(
t
)
)
2
σ
2
)
\varphi\left(r_{m}^{(t)}, o^{(t)}\right)=\frac{1}{\sqrt{2 \pi} \sigma} \exp \left(-\frac{d_{p}^{2}\left(r_{m}^{(t)}, o^{(t)}\right)}{2 \sigma^{2}}\right)
φ(rm(t),o(t))=2πσ1exp⎝⎛−2σ2dp2(rm(t),o(t))⎠⎞
其中 r m ( t ) r_m^{(t)} rm(t)表示t时刻采样点的第m条候选路段， d p ( r m ( t ) , o ( t ) ) d_p(r_m^{(t)},o^{(t)}) dp(rm(t),o(t))表示 o ( t ) o^(t) o(t)到 r m ( t ) r_m^{(t)} rm(t)的投影距离。
这个公式基于这样一个假设：路网中所有的标准差参数 σ \sigma σ是固定不变的。
状态特征仅利用了每个采样点孤立的空间信息，而忽略了上下文。然而，只依赖状态特征进行匹配时远远不够的。图３-３给出了一个例子，如果不考虑 o ( t − 1 ) o^{(t-1)} o(t−1)和 o ( t + 1 ) o^{(t+1)} o(t+1)的位畳， o t o^t ot将被匹配到最近的路段 r 3 r_3 r3而事实上，路段r_2，才是正确的。
转移特征
转移特征刻画的是相邻两个采样点的各个候选路段之间跳转的可能性。
一般情况下，大多数驾驶员都会选择最短路线。因此，相邻的两个采样点所在的路段在空间拓扑上也应该相邻或距离相近，定义空间转移特征
σ
1
\sigma_1
σ1如下：
δ
1
(
r
m
(
t
)
,
r
n
(
t
+
1
)
)
=
d
2
(
o
(
t
)
,
o
(
t
+
1
)
)
d
r
2
(
e
m
(
t
)
,
e
n
(
t
+
1
)
)
\delta_{1}\left(r_{m}^{(t)}, r_{n}^{(t+1)}\right)=\frac{d^{2}\left(\boldsymbol{o}^{(t)}, \boldsymbol{o}^{(t+1)}\right)}{d_{r}^{2}\left(e_{m}^{(t)}, e_{n}^{(t+1)}\right)}
δ1(rm(t),rn(t+1))=dr2(em(t),en(t+1))d2(o(t),o(t+1))
其中点 e m ( t ) e_m^{(t)} em(t)为采样点 o ( t ) o^{(t)} o(t)对于候选路段 上的投影点。函数 d ( ) d( ) d()用于计算采样点间欧式距离，函数 d r ( ) d_r( ) dr()用于计算两点间的路径距离。
显然， σ 1 ( ) \sigma_1() σ1()取值在０和１之间， σ 1 ( ) \sigma_1() σ1()值越小，说明当前候选路径越绕远。
σ 1 ( ) \sigma_1() σ1()反映的是相邻采样点间的空间相关性。
时间转移特征
然而在一般情况下，仅依靠空间上下文无法提供足够的信息来区分多条候选路径，比如一些路段与交叉口密集的区域，各个候选路径的空间特征较为相似。为此，还需要结合其他具有高分辨力的特征。
考虑到每条路段的限速常常有所差异，比如快速路和支路，采样点几乎不可能匹配到超过其限速的路段。另外，同一路段在不同时间上的平均速度也往往不同，比如出行高峰时段和平峰时段。
本文引入了时间转移特征。假设
e
m
(
t
)
e_m^{(t)}
em(t)和
e
n
(
t
+
1
)
e_n^{(t+1)}
en(t+1)之间共经过 k 条路段，从
e
m
(
t
)
e_m^{(t)}
em(t)到
e
n
(
t
+
1
)
e_n^{(t+1)}
en(t+1)的历史路径平均时间
D
t
D_{t}
Dt计算如下：
Δ
t
e
=
∑
k
r
k
l
r
k
⋅
v
\Delta t_{e}=\sum_{k} \frac{r_{k} l}{r_{k} \cdot v}
Δte=k∑rk⋅vrkl
其中 r k l r_kl rkl表示需要在路段 k k k上行驶的距离， r k v r_kv rkv表示路段 k 同一时间段的历史平均速度。
时间转移特征
σ
2
\sigma_2
σ2的计算由式（３－６）给出
δ
2
(
r
t
m
,
r
t
+
1
n
)
=
(
min
(
Δ
t
,
Δ
t
e
)
max
(
Δ
t
,
Δ
t
e
)
)
2
\delta_{2}\left(r_{t}^{m}, r_{t+1}^{n}\right)=\left(\frac{\min \left(\Delta t, \Delta t_{e}\right)}{\max \left(\Delta t, \Delta t_{e}\right)}\right)^{2}
δ2(rtm,rt+1n)=(max(Δt,Δte)min(Δt,Δte))2
与空间特征 σ 1 ( ) \sigma_1() σ1()—样， σ 2 ( ) \sigma_2() σ2()取值也在０和１之间。其含义是历史平均速度与采样点速度越相近的路段，越可能成为采样点的匹配路段。
综上所述，给定观轨迹
θ
\theta
θ，匹配路径的ｒ的后验概率
p
(
∣
θ
)
p(|\theta)
p(∣θ)最终可表示为
p
(
γ
∣
θ
)
∝
exp
(
∑
t
≤
T
μ
φ
(
r
m
(
t
)
,
o
(
t
)
)
+
∑
t
+
1
≤
T
(
λ
1
⋅
δ
1
(
r
m
(
t
)
,
r
n
(
t
+
1
)
)
+
λ
2
⋅
δ
2
(
r
m
(
t
)
,
r
n
(
t
+
1
)
)
)
)
p(\gamma | \theta) \propto \exp \left(\sum_{t \leq T} \mu \varphi\left(r_{m}^{(t)}, o^{(t)}\right)+\sum_{t+1\leq T}\left(\lambda_{1} \cdot \delta_{1}\left(r_{m}^{(t)}, r_{n}^{(t+1)}\right)+\lambda_{2} \cdot \delta_{2}\left(r_{m}^{(t)}, r_{n}^{(t+1)}\right)\right)\right)
p(γ∣θ)∝exp(t≤T∑μφ(rm(t),o(t))+t+1≤T∑(λ1⋅δ1(rm(t),rn(t+1))+λ2⋅δ2(rm(t),rn(t+1))))
权重系数 λ 1 \lambda_1 λ1和 λ 2 \lambda_2 λ2；属于模型参数，在模型训练阶段求得。
扫一扫
5199
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
