基于门控循环单元模型的在线路网匹配算法
发布时间：2021-01-18 15:01
路网匹配是道路网轨迹数据分析领域的一项关键技术,一个快速且准确的路网匹配算法能够为上层应用提供良好的技术支持.随着轨迹数据的爆炸式增长,现有的在线路网匹配算法存在延时的现象,尤其是在低频轨迹数据的环境下,无法快速地对轨迹数据进行路网匹配.神经网络和深度学习的发展为解决这些问题提供了新的方法.提出了一种利用门控循环单元（Gated Recurrent Unit, GRU）模型快速定位轨迹采样点的候选路段、从而加速在线路网匹配计算的方法,并将此方法和最新的在线路网匹配算法进行了实验比较.结果表明,基于GRU模型的在线路网匹配算法能够有效地加快匹配过程,提高匹配效率.
【文章来源】：华东师范大学学报(自然科学版). 2020,(06)北大核心
【文章页数】：9 页
【部分图文】：
基于GRU的路网匹配模型示意图
然而,在路网匹配任务中,路段之间存在拓扑结构.采用这种简单的方法无法捕获路段之间的位置关系,对预测错的路段不管距离远近都施加同样的惩罚,导致模型无法感知路网空间距离,训练时收敛较慢,而且容易带来过拟合问题.例如,假设有如图4所示的道路网,移动对象行驶路线如图中带箭头黑色实线所示,其正确的匹配路径结果应当为(1)(2)(3)(4),当其行驶到(2)路段时,产生一个在图中黑点所示的轨迹采样点,如果模型错误地匹配到(5),那么实际上和错误地匹配到(6)产生的惩罚效果是一样的,但是在实际应用中,人们更能接受算法将其匹配到(5),而不是毫不相关的(6).为了在模型预测的结果中同时考虑路网之间的位置信息,对原损失乘一个距离乘数k,给实际路段偏差较大的预测结果施加更大的惩罚因子,这样就可以让模型感知到路段之间的空间距离,从而加快模型收敛速度.具体地,定义损失函数
近年来,随着位置感知技术的发展以及定位系统(如GPS、北斗系统)的普及,出现了越来越多的位置感知类应用,如网约车、共享单车等.这些应用在系统使用过程中跟踪和记录移动对象的位置信息,产生大量的时空轨迹数据.但是由于设备精度或地理环境因素,收集到的轨迹数据与真实的路线存在一定的偏差.如图1所示,GPS轨迹采样点并没有落在移动对象实际行驶的道路上,存在一定的空间偏移.这对位置感知类应用的服务质量和轨迹数据分析带来一些挑战.路网匹配技术就是根据轨迹的采样点分布,并结合路网信息推断移动对象实际行驶路径的过程.路网匹配技术是交通管理、路由规划、实时导航等应用中的基础技术,已被广泛地运用于城市计算与智能交通领域.现有的路网匹配算法按照运用场景一般分为两大类:离线匹配和在线匹配[1].离线匹配针对的是历史轨迹数据,即在得到移动对象产生的一条完整的轨迹之后再推断移动对象实际行驶的路径.离线匹配在匹配时可以充分考虑轨迹的上下文信息.相反地,在线匹配算法针对的是实时数据,在接收到移动对象的最新位置信息时,立即返回移动对象所行驶的路径,这种情况下只能获得移动对象在当前采样点及其之前的轨迹信息,而无法获得完整的轨迹信息,所以具有一定的难度.例如(见图2),如果利用在线匹配算法,在匹配到t3采样点时,因为t3距离路段2较近,且路段2的道路宽度更宽,表明从路段1到路段2的转移概率较大,所以按照目前的许多在线匹配算法,很可能就匹配到了错误的路线上.而离线匹配算法在匹配t3采样点时可以获取到t4采样点的信息,能够直接匹配到正确的路段3,从而获得更高的匹配准确率.但是,实际生活中的很多应用,如汽车实时导航、交通实时监测系统,这些与位置有关的应用需要在接收到移动对象的位置信息后立即计算匹配结果,并对其做出响应,所以需要采用在线路网匹配技术.而且随着智慧城市以及智能交通系统等概念的提出和推广,在线匹配算法的应用场景将变得越来越广泛且重要.
【参考文献】：
期刊论文
[1]路网匹配算法综述[J]. 高文超,李国良,塔娜. 软件学报. 2018(02)
本文编号：2985152
【文章来源】：华东师范大学学报(自然科学版). 2020,(06)北大核心
【文章页数】：9 页
【部分图文】：
基于GRU的路网匹配模型示意图
然而,在路网匹配任务中,路段之间存在拓扑结构.采用这种简单的方法无法捕获路段之间的位置关系,对预测错的路段不管距离远近都施加同样的惩罚,导致模型无法感知路网空间距离,训练时收敛较慢,而且容易带来过拟合问题.例如,假设有如图4所示的道路网,移动对象行驶路线如图中带箭头黑色实线所示,其正确的匹配路径结果应当为(1)(2)(3)(4),当其行驶到(2)路段时,产生一个在图中黑点所示的轨迹采样点,如果模型错误地匹配到(5),那么实际上和错误地匹配到(6)产生的惩罚效果是一样的,但是在实际应用中,人们更能接受算法将其匹配到(5),而不是毫不相关的(6).为了在模型预测的结果中同时考虑路网之间的位置信息,对原损失乘一个距离乘数k,给实际路段偏差较大的预测结果施加更大的惩罚因子,这样就可以让模型感知到路段之间的空间距离,从而加快模型收敛速度.具体地,定义损失函数
近年来,随着位置感知技术的发展以及定位系统(如GPS、北斗系统)的普及,出现了越来越多的位置感知类应用,如网约车、共享单车等.这些应用在系统使用过程中跟踪和记录移动对象的位置信息,产生大量的时空轨迹数据.但是由于设备精度或地理环境因素,收集到的轨迹数据与真实的路线存在一定的偏差.如图1所示,GPS轨迹采样点并没有落在移动对象实际行驶的道路上,存在一定的空间偏移.这对位置感知类应用的服务质量和轨迹数据分析带来一些挑战.路网匹配技术就是根据轨迹的采样点分布,并结合路网信息推断移动对象实际行驶路径的过程.路网匹配技术是交通管理、路由规划、实时导航等应用中的基础技术,已被广泛地运用于城市计算与智能交通领域.现有的路网匹配算法按照运用场景一般分为两大类:离线匹配和在线匹配[1].离线匹配针对的是历史轨迹数据,即在得到移动对象产生的一条完整的轨迹之后再推断移动对象实际行驶的路径.离线匹配在匹配时可以充分考虑轨迹的上下文信息.相反地,在线匹配算法针对的是实时数据,在接收到移动对象的最新位置信息时,立即返回移动对象所行驶的路径,这种情况下只能获得移动对象在当前采样点及其之前的轨迹信息,而无法获得完整的轨迹信息,所以具有一定的难度.例如(见图2),如果利用在线匹配算法,在匹配到t3采样点时,因为t3距离路段2较近,且路段2的道路宽度更宽,表明从路段1到路段2的转移概率较大,所以按照目前的许多在线匹配算法,很可能就匹配到了错误的路线上.而离线匹配算法在匹配t3采样点时可以获取到t4采样点的信息,能够直接匹配到正确的路段3,从而获得更高的匹配准确率.但是,实际生活中的很多应用,如汽车实时导航、交通实时监测系统,这些与位置有关的应用需要在接收到移动对象的位置信息后立即计算匹配结果,并对其做出响应,所以需要采用在线路网匹配技术.而且随着智慧城市以及智能交通系统等概念的提出和推广,在线匹配算法的应用场景将变得越来越广泛且重要.
【参考文献】：
期刊论文
[1]路网匹配算法综述[J]. 高文超,李国良,塔娜. 软件学报. 2018(02)
本文编号：2985152
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2985152.html
