论文笔记：Map-Matching for low-sampling-rate GPS trajectories（ST-matching）

已于 2023-04-26 14:54:42 修改
阅读量1.3k 收藏 7
点赞数
分类专栏： 论文笔记 文章标签： 论文阅读
于 2023-04-26 13:50:25 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40206371/article/details/130346916
版权

ACM-GIS 2019

1 Intro

  • 将GPS数据和地图路网数据匹配
  • 提出全局地图匹配算法ST-matching（类似于HMM的思路）
    • 考虑了道路网络的空间几何和拓扑结构
      • 如果不考虑拓扑关系，直接进行matching的话，由于GPS信号的不准，可能轨迹会和实际情况差很多
    • 考虑的轨迹的速度因素
      • 比如一条高速、一条公路平行，那么如果不考虑速度的话，这样一组GPS信号应该把它放到高速上？还是公路上？

2 问题描述 

 2.1 GPS日志

  • 一系列GPS点的集合L=\{p_1,p_2,\cdots,p_n\}
    • 每个GPS的点包括经度、维度、时间戳

2.2 GPS轨迹

  • 一条GPS轨迹T是一个GPS点的序列
    • 一条轨迹任意两个相邻点之间的时间间隔不超过ΔT（一个阈值）

2.3 路段

  • 一个路段 e 是一条有向边,具有编号 e.id、行驶速度 e.v、长度 e.l、开始点 e.start、结束点 e.end 和中间点列表.
  • 一条道路可以包含多个路段

2.4 路网

一个有向图 G(V,E)

2.5 路径

  • 给定路网 G 中的两个顶点 vi,vj,一条路径 P 是始于 vi 止于 vj 的一组连接的路段e_1 \rightarrow e_2 \rightarrow \cdots \rightarrow e_n
    • e_1=v_i,e_n=v_j

2.6 路网匹配

给定未加工的 GPS 轨迹 T 和路网 G(V,E),从 G 中寻找路径 P（实际路径匹配轨 迹 ）

3 ST-matching

3.0 和HMM的概念对应

  • 观测状态——从 GPS 设备中得到的位置信息(经度、纬度)
  • 隐藏状态——拥有 GPS 设备的物体(车、人等)实际所在的位置
  • 观测状态概率（输出概率）——观测的 GPS 样本点离候选路段越近,这个样本点在这个路段上的概率就越大.
  • 状态转移概率——隐藏状态之间的转换概率

3.1 确定候选点

  • 给定一条确定轨迹T=p_1\to p_2\to p_3\to\dots\to p_n
    • 对每一个点pi​，在半径为r的范围内搜索该路段的候选集
    • 然后计算候选点，候选点是pi​对这些路段的投影

每一个点找到这样的一个候选点集合，得到候选点图

3.2 空间分析

3.2.1 观测状态概率（输出概率）

  • N(c_i^j)=P(c_i^k|o_i)=\frac{1}{\sqrt{2 \pi} \sigma}e^{-\frac{||c_i^k-o_i||^2}{2\sigma^2}}
    • oi是第i个观测点
    • c_i^k是第i个观测点的第k个candidate
    • ||c_i^k-o_i||^2=dist(c_i^k,o_i)
    • 时刻 t 的观测点与候选点之间的距离越小,这个候选点是真正的实际点的概率就越大
    • ——这里根据经验选择零均值、std为20的正态分布
  • 观测概率不考虑前后GPS定位点，所以容易出现误匹配

    3.2.2 空间分析函数

    • 如下图，粗实线代表高速公路，细的垂线代表本地道路。
    • 采样点（观测点）pi​距离第一个候选点比较近，但是如果我们知道前一个采样点和后一个采样点在高速路上，所以理论上应该匹配到第2个采样点
  •  
    • ST-matching将空间拓扑关系也考虑了进来：【空间传递概率】
      • V(c_i \rightarrow c_j)=\frac{||o_{t+1}-o_t||_{euclidean}}{||c_i-c_j||_{route}}
        • 根据t+1和t时刻观测值和候选值的信息，推测从t时刻的观测值ot到t+1时刻的观测值o_{t+1}之间的真实路径是ci到cj最短路径的可能性
        • 观测值之前的距离/候选点之间的距离

  •  空间分析函数

    • F_s(c_i \rightarrow c_j)=N(c_j) \cdot V(c_i \rightarrow c_j)

    • 结合了观测概率【几何信息】和传递概率【拓扑信息】

    • 如果没有N(cj)的话，那么为了Fs越大越好，||ci-cj||越小越好，最后就会选择距离p_{i-1}路径距离最近的candidate了

3.3 时间分析

  • 如果只使用空间分析的话，大部分真实路径都可以match，但是就如intro中说的那样，有一些情况无法处理：

  • 这时候就需要时间传递概率（速度传递概率）

    • F_t(c_i \rightarrow c_j)=\frac{\sum_{1}^k(e_u' \cdot v \times \bar{v_ij})}{\sqrt{\sum_1^k(e_u' \cdot v)^2} \times \sqrt{\sum_1^k( \bar{v_ij})^2}}
      • 时间分析函数
      • 用余弦距离来衡量从候选点ci到候选点cj之间的平均速度，和路段速度约束之间的相似度
      • ci到cj之间的路径被定义为一个路段列表：[e_1'\cdots e_k']
        • 每个路段的速度约束为e_u' \cdot v
      • \bar{v_{ij}}是ci到cj的平均速率

3.4 获取路径

  • 将空间分析函数和时间分析函数结合，得到时空分析函数

  • 真实路径T匹配的最优路径P为使得F(Pc)最大的候选点路径集合Pc

3.4.1 伪代码

 

3.5 本地ST-matching

  •  ST-Matching是全局算法，但是实际中不可能都给出完整路径
  • ——>local ST-matching使用轨迹上的滑动窗口
    • 局部候选图是轨迹T的一个子集
    • 计算方式和全局算法一样
    • 计算一个滑动窗口中的局部候选图后，移动滑动窗口，计算后续的滑动窗口
  • 将轨迹划分为窗口可以：
    • 减少平均延迟
    • 节省用于在线处理的存储空间
    • 但不一定会加快整体处理时间，因为ST匹配算法最昂贵的部分是最短的路径计算（空间分析函数中V(c_i \rightarrow c_j)=\frac{||o_{t+1}-o_t||_{euclidean}}{||c_i-c_j||_{route}}的||c_i-c_j||_{route}）

  • 为了降低计算复杂度，可以保留到目前为止，得分最高的l个候选点（而不是所有的候选点）
    • ——>减少下一个采样点需要计算的最短路径的pair数量
    • 当l=1时，退化成增量算法

  • w=2——>滑动窗口为2，每次只考虑两个时刻组成的子路段
  • l=1——>每次只保留F值最高的一个候选点，后续st-matching也只会考虑这一个点

 3.6 复杂度

【推导过程我不确定，请评论区批评指正】

记轨迹中的采样点个数为n、路网中路段个数为m，每个采样点最多有k个候选点

  • 每个点找候选点：O(n)
  • 候选点图GT中最多有(n-1)k^2条边
    • 相邻的两个采样点对应的候选点之间最多k^2条边
    • n个采样点，有n-1个间隔
  • 每一条边计算F(c_t,c_{t+1})需要的开销
    • Fs：V(c_i \rightarrow c_j)=\frac{||o_{t+1}-o_t||_{euclidean}}{||c_i-c_j||_{route}}
      • 计算ci和cj的最小路径长度，使用堆优化的迪杰斯特拉算法，复杂度是O(mlogm)
    • Ft:F_t(c_i \rightarrow c_j)=\frac{\sum_{1}^k(e_u' \cdot v \times \bar{v_ij})}{\sqrt{\sum_1^k(e_u' \cdot v)^2} \times \sqrt{\sum_1^k( \bar{v_ij})^2}}
      • 这个不怎么占复杂度，可以视为O(m)
    • ——>构建候选点图需要的复杂度O(nk^2mlogm)【 algorithm 1】（n-1和n没有区别）
  • 进行地图matching需要的开销
    • 每一条边只需要遍历一次
      • ——>复杂度是O(nk^2)
  • ——>总的复杂度是O(nk^2mmlogm+nk^2)

4 实验

4.1 实验配置

4.1.1 路网

  • 北京的路网
    • 58624个点
    • 130714条路段

4.1.2 数据

  • 人工数据
    • 首先随机选择两个点
      • 在这两个点之前选择前K段的路径
      • 在这K段路径中，随机选择一条，记作G: e_1,e_2,\cdots,e_n
      • 指定一个采样间隔k'，从G中以这个间隔挑选点e_1,e_{1+k'}.\cdots,e_{1+mk'}
    • 用这些挑选出来的点match轨迹，看和ground-truth一不一样
  • 真实数据
    • 从GoeLife系统中采集28条轨迹，这些轨迹都手工标注的label（作为ground truth）

    •  绿色+蓝色是GPS轨迹，红色是用户的实际轨迹

4.2 评估标准 

 4.3 结论

4.3.1 候选点数量的影响

准确率 

 运行时间

4.3.2 S-matching 和 ST-matching

 4.3.3 和Baseline的比较

AFD——最小平均Frechet距离

UQI-LIUWJ
关注
  • 0
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
AI论文速读 | 2024[WWW]不只是路线：联合 GPS 和路线建模的轨迹表示学习
suzukiwudi的博客
04-04 1061
A: 这篇论文提出了一个名为JGRM（Joint GPS and Route Modeling）的新型轨迹表示学习框架，旨在通过结合GPS轨迹和路线轨迹的信息来提高轨迹数据的表示能力。问题背景：传统的GPS轨迹处理方法通常关注于简化轨迹以过滤噪声，但这忽略了GPS数据中包含的运动细节。此外，早期的轨迹表示学习方法通常针对特定下游任务设计，泛化能力较差。方法提出：为了解决这些问题，论文提出了JGRM框架，它包含两个主要的编码器（GPS编码器和路线编码器）以及一个模态交互器。
ST-Matching:ST-Matching 算法的 Python 实现
05-31
ST-匹配 用于低采样率 GPS 轨迹的 ST 匹配算法的 Python 实现 [1]。 [1] Lou, Y., Zhang, C., Zheng, Y., Xie, X., Wang, W. 和 Huang, Y.，2009 年 11 月。 低采样率GPS轨迹的地图匹配。 在第 17 届 ACM SIGSPATIAL 地理信息系统进展国际会议论文集（第 352-361 页）中。 ACM。 请注意，该算法的“S（空间）”部分的代码目前在此分布中不可用。 入门 需要包含要与轨迹匹配的道路网络的地理信息的文件： (1) 节点文件：以逗号分隔的文件，至少包含三列：['node', 'lng', 'lat']，其中'node'是您的路网故障点的标识，'lng'和“纬度”节点的经度和纬度。 (2) edge 文件：一个逗号分隔的文件，包含至少三列：['edge', 's_node', 'e
Map-matching for low-sampling-rate GPS trajectories
qq_43281895的博客
11-25 2610
摘要
《Map-Matching for Low-Sampling-Rate GPS Trajectories》 读书笔记
zhanglehes的专栏
11-10 464
这是我见过对场景定义最清楚的一篇论文了Definition 1 (GPS Log): A GPS log is a collection of GPS points 𝐿 = {𝑝1, 𝑝2,... , 𝑝𝑛} . Each GPS point 𝑝𝑖 ∈ 𝐿 contains latitude 𝑝𝑖 . 𝑙𝑎𝑡, longitude 𝑝𝑖 . 𝑙𝑛𝑔 and timestamp 𝑝𝑖 . 𝑡, as illustrated in the left part of Figure 3. （定义点的集合）
matlab剪切图片代码-ST-Matching:用于地图匹配的ST匹配算法的MATLAB实现
05-26
matlab剪切图片代码ST匹配 MATLAB实现地图匹配问题的算法。 论文摘要 地图匹配是将观察到的用户位置序列与数字地图上的道路网络对齐的过程。 这是许多应用程序的基本预处理步骤，例如运动对象管理，交通流分析和行车路线。 实际上，存在大量的低采样率（例如，每2-5分钟1个点）的GPS轨迹。 不幸的是，大多数当前的地图匹配方法仅处理高采样率（通常每10-30秒一个点）的GPS数据，而随着数据不确定性的增加，对低采样率点的有效性降低。 本文针对低采样率GPS轨迹提出了一种新的全局地图匹配算法ST-Matching.ST-Matching考虑（1）道路网络的空间几何和拓扑结构以及（2）时空轨迹的速度限制。 基于时空分析，构造候选图，从中识别出最佳匹配路径序列。 我们将ST-Matching与增量算法和基于平均弗里谢特距离（AFD）的全局地图匹配算法进行了比较。 实验是在合成数据集和真实数据集上进行的。 结果表明，在低采样轨迹的匹配精度方面，我们的ST匹配算法明显优于增量算法。 同时，与基于AFD的全局算法相比，ST匹配还提高了准确性和运行时间。 算法伪代码 实施步骤 入口点： 匹配 数据
RMQ_ST算法
___简言
07-24 1890
原文链接：http://kmplayer.iteye.com/blog/575725 ST算法（Sparse Table）:它是一种动态规划的方法。 以最小值为例。a为所寻找的数组.用一个二维数组f(i,j)记录区间[i,i+2^j-1](持续2^j个)区间中的最小值。其中f[i
10-周建华-Map-Matching for Low-Sampling-Rate GPS Trajectories1
08-04
10-周建华-Map-Matching for Low-Sampling-Rate GPS Trajectories1
map-matching：基于GraphHopper的地图匹配
02-03
建立： mvn package -DskipTests 然后，您需要为要进行地图匹配的区域导入OSM地图，例如提供的样本数据： java -jar matching-web/target/graphhopper-map-matching-web-3.0-SNAPSHOT.jar import map-data/
MapMatching.zip_ST-matching_ST-matching代码_ST-matching算_mapmatchi
07-15
ST-Matching算法 java实现
offline-map-matching-master.zip_HMMMapMatcher_HMM地图匹配_Map Matchi
09-15
离线地图匹配，利用HMM隐马尔科夫模型实现离线地图匹配
论文研究-一种改进的基于低样本率数据集地图匹配算法 .pdf
08-15
一种改进的基于低样本率数据集地图匹配算法，王东，李论，地图匹配算法是将一组有序的用户采集的GPS位置信息映射到电子地图中的路径网络中的方法。现有的基于低样本率数据集的地图匹配算法
ST算法
月光轩辕的专栏
01-16 1599
ST算法 总的来说 ST算法是一种采用空间换时间的算法，最后达到的目的是将查询连续数的最小值和最大值的时间优化为O（1） 从查询连续数的最小值和最大值这个问题起步， 首先，我们考虑直接算，如果查询m-n，  那么我们需要比较至少n-m次，最后的时间复杂度为O（n）这样的情况肯定是有问题，尤其是数据上升到了上万 上百万，另外查询次数的增加也会出问题 然后我们可以考虑使用线段树，我们可以将线段树
地图匹配之ST-Matching和IVVMM
追求灵魂代码
11-17 5554
目录引言知识储备正文总结 引言 既然已经搜索到我这篇博客了，想必各位就是搞地图匹配算法相关的小伙伴了。那么，地图匹配的概念我就不废话了。 讲讲地图匹配目前发展状况吧，基于高频GPS采样的地图匹配算法太多了，随便一搜基本都是高频GPS采样的论文，虽然一般的文章不会告诉你，但是从实验效果图就能看得出来(毕竟采样点那么密集)。但是，现在低频GPS采样也开始进入了火热的研究，但是难度可比高频GPS采样大，...
学习笔记 ST算法
diaoxiangxi0422的博客
07-04 148
【引子】RMQ (Range Minimum/Maximum Query)问题： 对于长度为n的数列A，回答若干询问RMQ(A,i,j)(i,j<=n)，返回数列A中下标在i,j里的最小(大）值，也就是说，RMQ问题是指求区间最值的问题。 {方法} 1、朴素（即搜索），O(n)-O(qn) online。 ...
String Matching（模式匹配）
qq_31342997的博客
05-13 1432
题目描述    Finding all occurrences of a pattern in a text is a problem that arises frequently in text-editing programs.     Typically,the text is a document being edited,and the pattern searched for is a...
ST算法—介绍
A_Bright_CH的博客
07-16 7451
ST算法是解决RMQ（区间最值）问题，它能在O（nlogn）的时间预处理，然后O（1）回答。其原理是倍增，f[i][j]表示从i位起的2^j个数中的最大数，即[i,i+2^j-1]中的最大值，从其定义中可以看出来。下面直接介绍它的预处理过程。f[i][0]表示[i,i]中的最大值，只能是a[i]，故f[i][0]=a[i]。对于任意的f[j][i]，我们分成两段相等长度的数列来看，[j,j+2^(...
ST表算法详解
热门推荐
Hanks_o的博客
08-25 2万+
ST表算法详解（算是吧）ST表就是一个用来解决rmq（区间最值）问题的算法。 ST表不支持在线修改。 预处理时间复杂度O（nlogn），查询时间O（1）。 ST表算法详解（求最小值）： 用mn[i][j]表示从j到j+2^i-1的最小值（长度显然为2^i）。 任意一段的最小值显然等于min（前半段最小值，后半段最小值）。 那么mn[i][j]如何用其他状态来继承呢？ j到j+2^i-1
FMM 笔记：st-matching（colab上执行）【官方案例解读】
最新发布
qq_40206371的博客
02-26 695
k = 4#candidate 数量#gps定位误差#搜索半径vmax = 30#速度上限。
Python出租车GPS数据的路网匹配（TransBigData+leuvenmapmatching）
u013410354的博客
12-07 1万+
本例尝试使用TransBigData+leuvenmapmatching实现出租车GPS数据的路网匹配
no matching host key type found. Their offer: ssh-rsa
09-01
该错误表示在SSH连接中，无法匹配到适配的主机密钥类型。对于提供的主机密钥类型为ssh-rsa时发生了不匹配的情况。 为了解决这个问题，可以按照以下步骤操作： 1. 找到本地的SSH目录，通常位于C:\Users\用户名\.ssh。 2. 检查是否存在config文件，如果不存在，则创建一个config文件。 3. 在config文件中添加以下配置： Host * HostkeyAlgorithms ssh-rsa PubkeyAcceptedKeyTypes ssh-rsa 4. 保存并关闭config文件。 5. 尝试再次使用git clone命令克隆代码。 这样，你应该能够成功克隆代码了。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [.ssh目录中config配置文件](https://download.csdn.net/download/gongjin28_csdn/85413492)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *2* [Unable to negotiate with 100.12.0.7 port 22: no matching host key type found. Their offer: ssh-rsa](https://blog.csdn.net/qiuyu1998/article/details/124726695)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *3* [解决no matching host key type found. Their offer: ssh-rsa报错信息具体方法](https://blog.csdn.net/weixin_43636782/article/details/123416064)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UQI-LIUWJ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值