随着导航定位、移动互联网等技术的快速发展,手机、车载定位装置等设备都可以进行地理空间数据采集。这些不同类型的地理空间数据往往能反映出某种规律。以时空轨迹为例,这些新形式的泛在地理空间数据,能够反映个体行为的时空特征,同时大量同类群体的共同模式也可以反映群体特征。其中,车载定位装置能够实时获取当前车辆的位置信息,成为时空轨迹大数据的重要数据来源。
地图匹配是时空轨迹数据处理分析中的关键技术,能够解决将轨迹数据匹配到道路网络的问题,从而基于轨迹点还原真实轨迹。如何能够快速、有效地实现地图匹配,成为轨迹数据分析的关键问题。为了提高轨迹点道路匹配的准确度,我们引入一个基于概率图的机器学习模型——隐马尔科夫模型。
道路匹配
地图匹配(Map Matching)是将一系列有序的轨迹位置点关联到实际路网的过程,可以看作是轨迹数据处理的一项数据预处理任务,可以服务于后续轨迹线计算与分析工作的开展。
地图匹配示意图
然而由于通信异常、定位误差等原因,很难保证轨迹点与路段完全吻合,如果不进行地图匹配,那么行动轨迹可能偏离路网(例如定位到路边建筑、或者池塘里等)。直接将轨迹点关联到最近路段上的方法,由于匹配逻辑较为简单,往往匹配效果不佳。例如当存在多条邻近道路时,根据最近距离的匹配往往会得到不符合预期的匹配结果