基于权重的地图匹配技术

davy2495

已于 2022-10-21 13:29:55 修改

阅读量2k

点赞数 7

分类专栏：地图开发文章标签： java

于 2020-12-30 20:44:35 首次发布

本文链接：https://blog.csdn.net/davy2495/article/details/108527915

版权

文章目录

前言

随着生活质量的日益提高，地图相关技术已经渗透到人们生活的各个角落，本文对地图匹配技术，进行简单的概述和实现，为没接触过地图开放的朋友，又想要了解相关技术的提供一个参考信息，内容有误之处，还请大神指点。

一、地图匹配概述

由于GPS技术特性原因，定位结果受客观存在的环境因素影响，我们拿到的原始轨迹数据并不是我们在轨迹结果上看到的那么整洁、规范和有序，如果直接把这些点打到地图上，那么我们的行动轨迹，可能看起来就是这样：

所以信号也有颗不安分的心，这份轨迹数据让人看起来很灰心，因为勺子里面装了一些不该有的东西。那么我们需要通过一系列的技术手段，来保留我们想要的、看起来合理的轨迹，去掉看起来不合理的数据。

这一系列的技术手段，包括降噪、分段、抽稀、路网匹配、轨迹补偿等，如下图

降噪：降噪技术在数据处理方面应用得非常广泛，例如BI、机器学习等领域，数据几乎都需要进行噪点处理，降噪后的数据通常会存在多多少少的失真，这个缺陷可以通过后期的路网匹配来进行修正；

抽稀：浮点运算是个比较消耗CPU性能的计算，我们通常需要对原始数据进行抽稀处理，将原始数据精简为足以还原轨迹的数量即可；

路网匹配：由于信号偏移、降噪处理等因素，导致有些轨迹点是不在道路网上的，当我们把这些点打到地图上以后，会发现我们可能行走在山顶、湖泊、大海，显然这并不合理，所以我们需要结合路网数据，将轨迹拟合到道路网。

二、轨迹预处理

1.降噪

剔除数据中的冗余点和噪音点，通常使用，噪音滤波技术，主要算法包括中值滤波、均值滤波、卡尔曼滤波等；

轨迹压缩技术，通常使用道格拉斯压缩算法；

轨迹分段技术，通常使用网格划分算法，以及角度、密度、速度相似度匹配算法

后续小节将对各个处理节点算法进行一一详解。

1.1 中值滤波

当时由于项目时间原因，中值滤波算法是本次主要降噪算法，该算法在当前版本中，实现成本、学习成本、处理效果是最优选择。

算法原理

1、对坐标点Pi，获取前后n（n为大于2的偶数）个节点的集合R；
2、将R的经度、纬度，分别进行正序排序；
3、分别取经度和纬度的中间值，作为该节点的最终经度和纬度；

图例：

关键代码：

/ 起始索引，前面range个坐标不处理

int startIndex = STEP_SIZE / 2 + 1;

// 结束索引，后range个坐标不处理

        int endIndex = tracks.size() - STEP_SIZE / 2;

        // STEP_SIZE每次处理的坐标个数，除以二即为前后处理的范围

        int range = STEP_SIZE / 2;

        for (int i = startIndex; i < endIndex; i++) {

            UserTrackDTO track = tracks.get(i);

            List<Double> lngs = new ArrayList<>();

            List<Double> lats = new ArrayList<>();

            // 获取预定范围间的所有经度和纬度

            for (int j = i - range; j <= i + range; j++) {

                lngs.add(tracks.get(j).getLngDouble());

                lats.add(tracks.get(j).getLatDouble());

            }

            // 排序

            Collections.sort(lngs);

            Collections.sort(lats);

            // 取中间

            track.setLng(String.valueOf(lngs.get(3)));

            track.setLat(String.valueOf(lats.get(3)));

    }

中值滤波的缺点：对于连续多个噪点的数据处理得并不理想，增加步长会增加时间复杂度和严重失真，后续会考虑引入卡尔曼滤波算法看看效果；

1.2 极值滤波

算法原理
1、计算各个坐标点距离上一个点的距离、速度；
2、按比例移除距离、速度较大的点；
关键代码：

        tracks.get(0).setDistance(0);
        for (int i = 1; i < tracks.size(); i++) {
            UserTrackDTO lastTrack = tracks.get(i - 1);
            UserTrackDTO track = tracks.get(i);
            Double distance = DistanceHepler.distance(track, lastTrack);
            track.setDistance(distance.intValue());
        }
        Double maxSize = tracks.size() * 0.80D;
        tracks = tracks.stream()
                .sorted(Comparator.comparing(UserTrackDTO::getDistance))
                .collect(Collectors.toList());
        tracks = tracks.stream()
                .limit(maxSize.intValue())
                .collect(Collectors.toList());
        tracks = tracks.stream()
                .sorted(Comparator.comparing(UserTrackDTO::getIndex))
                .collect(Collectors.toList());

极值滤波缺点：只能按预设定的阈值进行截取，未考虑当前路况等综合情况进行阈值的设定，会导致精确度不足；
1.3 压缩

算法原理
（1）在曲线首尾两点A，B之间连接一条直线AB，该直线为曲线的弦；
（2）得到曲线上离该直线段距离最大的点C，计算其与AB的距离d；
（3）比较该距离与预先给定的阈值threshold的大小，如果小于threshold，则该直线段作为曲线的近似，该段曲线处理完毕。
（4）如果距离大于阈值，则用C将曲线分为两段AC和BC，并分别对两段曲线进行1~3的处理。
（5）当所有曲线都处理完毕时，依次连接各个分割点形成的折线，即可以作为曲线的近似。
图例：