FMM 笔记：st-matching（colab上执行）【官方案例解读】

在colab上运行，所以如何在colab上安装fmm，可见FMM 笔记：在colab上执行FMM-CSDN博客

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

0 导入库

from fmm import Network,NetworkGraph,STMATCH,STMATCHConfig

1 加载数据（边的shp文件）

import geopandas as gpd
shp_path = "../data/edges.shp"
gdf = gpd.read_file(shp_path)
gdf

2  提取路网信息

network = Network("../data/edges.shp")
#通过Network类加载路网数据（edges.shp）

print("Nodes {} edges {}".format(network.get_node_count(),network.get_edge_count()))
#Nodes 17 edges 30


graph = NetworkGraph(network)
#使用NetworkGraph类基于这个网络创建一个图形（Graph）对象

3  创建ST-matching模型

model = STMATCH(network,graph)
#传入之前创建的网络和图形对象

3.1 定义st-matching模型的配置

k = 4
#candidate 数量
gps_error = 0.5
#gps定位误差
radius = 0.4
#搜索半径
vmax = 30
#速度上限
factor = 1.5
stmatch_config = STMATCHConfig(k, radius, gps_error, vmax, factor)

k	候选数，即每个GPS点考虑的最大候选路网节点数。默认值为8，意味着每个GPS点在匹配过程中会考虑其周围最近的8个路网节点作为可能的匹配点。 增加此值可以提高匹配的灵活性，但同时也会增加计算复杂度和时间。
r	搜索半径（单位：地图单位），即在每个GPS点周围搜索候选路网节点的半径范围。默认值为300，单位通常是米或者其他地图单位。 设置一个合理的搜索半径可以帮助在GPS点周围找到合适的路网节点，太小可能找不到节点，太大则增加不必要的计算负担。
gps_error	GPS传感器误差（单位：地图单位），表示GPS数据的精度或误差范围。默认值为50。
vmax	最大车速（单位：地图单位），仅适用于stmatch算法。默认值为30

•  地图单位
  • 当GPS数据和路网数据都以地理坐标系统（经纬度）存储时，它们是未投影的，意味着它们直接表示地球表面上的角度。
    • 在这种情况下，距离和速度的计算需要考虑地球的曲率，通常需要通过地理距离公式（如Haversine公式）将角度差转换为实际的线性距离。
    • 由于纬度每变化1度大约等于地球表面上的111公里（具体数值略有不同，取决于具体位置的纬度），因此如果搜索半径设置为0.003度，实际上代表了大约300米的搜索半径。
  • 如果GPS数据和路网数据都被投影到某个线性单位的坐标系统中（如米），这种情况下单位直接对应实际的距离，使得计算更直接、更简单。
    • 在这种情况下，如果搜索半径设置为300，那么它直接表示300米。

4 单条数据的地图匹配

4.0 输入数据

输入数据是wkt格式的数据

地理笔记：WKT,WKB,GeoJSON-CSDN博客

wkt ='LINESTRING(0.200812146892656 2.14088983050848,1.44262005649717 2.14879943502825,3.06408898305084 2.16066384180791,3.06408898305084 2.7103813559322,3.70872175141242 2.97930790960452,4.11606638418078 2.62337570621469)'

4.1 进行地图匹配

result = model.match_wkt(wkt,stmatch_config)

print("Matched path: ", list(result.cpath))
#Matched path:  [8, 11, 13, 18, 20, 24]
'''
这个输出显示的是整个轨迹匹配后形成的路径上的边的序列。
它代表了轨迹匹配算法认为GPS轨迹所经过的路网中的边的集合。
如果轨迹沿着某些边连续移动，这些边会在Matched path中按顺序出现。

但重要的是，Matched path中不会重复相同的边，即使实际的GPS轨迹在同一条边上有多个点。
它更侧重于表示轨迹的整体路线，而不是每个点的具体匹配情况。
'''

cpath 联想为continuous path ，即“连续路径”

print("Matched edge for each point: ", list(result.opath))
#Matched edge for each point:  [8, 11, 18, 18, 20, 24]
'''
这个输出则提供了轨迹中每个单独点匹配到的边的详细信息。
即使多个连续的点匹配到了同一条边，这里也会为每个点重复显示那条边的ID
'''

opath， 联想为Original Path，即“原始路径”

print("Matched edge index ",list(result.indices))
#Matched edge index  [0, 1, 3, 3, 4, 5]
'''
这是匹配到的边的索引列表，表示每个匹配点在匹配路径中的位置
(和Matched edge for each point 表示的是一个意思）

例如，如果输出是[0, 1, 3, 3, 4, 5]，这意味着第一个点匹配到了cpath中第一个边（索引0），
第二个点匹配到了第二个边（索引1），接下来两个点都匹配到了第四个边（索引3），依此类推
'''

print("Matched geometry: ",result.mgeom.export_wkt())
#Matched geometry:  LINESTRING(0.20081215 2,1 2,2 2,3 2,3 3,4 3,4 2.6233757)
'''
匹配得到的路径的几何形状，以WKT（Well-Known Text）格式表示
'''




print("Matched point ", result.pgeom.export_wkt())
#Matched point  LINESTRING(0.20081215 2,1.4426201 2,3 2.1606638,3 2.7103814,3.7087218 3,4 2.6233757)
'''
表示的是输入的GPS轨迹上的点如何被匹配到了道路网络上
'''

 mgeom——matched geometry

pgeom——projected geometry

5 带timestamp的数据的地图匹配

from fmm import Trajectory,wkt2linestring

5.1  获得轨迹 & 轨迹的timestamp

5.1.1 轨迹wkt转化成LineString

还是之前的那条轨迹的wkt，先转换为Linestring

line = wkt2linestring(wkt)
line
#<fmm.LineString; proxy of <Swig Object of type 'FMM::CORE::LineString *' at 0x7f9f5fe0fa50> >

5.1.2 为轨迹每一个点添加时刻

traj_id = 1
timestamps = []
for i in range(line.get_num_points()):
    timestamps.append(i)

traj = Trajectory(traj_id,line,timestamps)
traj
#<fmm.Trajectory; proxy of <Swig Object of type 'FMM::CORE::Trajectory *' at 0x7f9f98e0fa80> >

5.2 进行匹配

可以说前面虽然设置了stmatch的vmax，但是那个限制其实是用不上的

result = model.match_traj(traj,stmatch_config)

print("Matched path: ", list(result.cpath))
print("Matched edge for each point: ", list(result.opath))
print("Matched edge index ",list(result.indices))
print("Matched geometry: ",result.mgeom.export_wkt())
'''
Matched path:  [8, 11, 13, 18, 20, 24]
Matched edge for each point:  [8, 11, 18, 18, 20, 24]
Matched edge index  [0, 1, 3, 3, 4, 5]
Matched geometry:  LINESTRING(0.20081215 2,1 2,2 2,3 2,3 3,4 3,4 2.6233757)
'''

6 将一个文件中的轨迹分别进行匹配，并输出到另一个文件中

from fmm import GPSConfig,ResultConfig

6.1 输入文件设置

输入文件长这样：（注：有一个小细节需要注意：这边csv文件需要以分号分隔）

gpd.read_file("../data/trips.csv")

# Define input data configuration
input_config = GPSConfig()
input_config.file = "../data/trips.csv"
input_config.id = "id"

print(input_config.to_string())
'''
[40]
0 秒
print(input_config.to_string())
gps file : ../data/trips.csv
id column : id
geom column : geom
timestamp column : timestamp
x column : x
y column : y
GPS point : false
'''

6.2 输出文件信息

result_config = ResultConfig()
result_config.file = "../data/mr.txt"
result_config.output_config.write_opath = True
#结果文件将包含匹配的路径信息（每个单独点匹配到的边的信息）
print(result_config.to_string())
'''
Result file : ../data/mr.txt
Output fields: opath cpath mgeom 
'''

6.3 路网匹配

status = model.match_gps_file(input_config, result_config, stmatch_config)

print(status)
'''
Status: success
Time takes 0.003 seconds
Total points 17 matched 17
Map match speed 5666.67 points/s 
'''

6.4  查看匹配结果

import pandas as pd
pd.read_csv("../data/mr.txt",delimiter=';')