漫话 | 地图数据处理之道路匹配篇

行业动态 高德地图标注漫话 | 地图数据处理之道路匹配篇已关闭评论阅读模式
地图标注

提交资料后最快2小时标注成功

点击上方“蓝字”,轻松关注我们

导读:道路匹配是地图标注数据处理方面非常基础且重要的理论,特别是道路相关业务,一定避不开道路匹配的应用,这也是业务中普遍会碰到的痛点。

本文属于「漫话地图标注」系列,我们将结合地图标注数据业务的特点,持续介绍地图标注行业一些有趣的知识点,希望能抛砖引玉,为大家带来一定的启思和裨益,欢迎长期关注。

道路匹配定义及应用场景

定义

道路匹配是地图标注匹配理论的子集,通俗讲就是两幅地图标注A和B,在没有唯一ID关联的情况下,如何确定地图标注A上的道路是B上一条道路的过程。如果做交通轨迹或者地图标注数据融合方面的研究,那么就一定会遇到地图标注匹配的问题。

地图标注匹配 Map Matching:不同条件下获取同一物景的地图标注之间的配准关系。

道路匹配是刨除了点和面状匹配之外的线状要素理论,道路的话就是路网,也是实际应用中研究最多、应用最广的一部分。

利用路网数据,采用适当算法,将目标定位映射到实际道路上的过程,具体来说道路匹配是:

  • 地图标注匹配理论的首要子集

  • 针对矢量拓扑道路数据的匹配模式

  • 异源道路数据融合的关键

  • 导航定位精度改善的重要手段

应用

最常见的应用场景

道路匹配最直观的应用就是地图标注导航。手机自带GPS的定位精度在10米上下,单车道的宽度一般是2-3米。实际上,手机GPS定位不足以精确判断车辆行驶的实际道路。但大家会发现,通常情况下高德导航的道路定位都是很准确的,导航过程中地图标注会知道用户在某某道路而不是附近小区或者沟河中。

究其原因,用户导航过程中,系统一直在计算GPS位置和导航路线&路网间的配准关系,从而进行一定程度的纠偏,这也是提高定位精度的重要手段。

大家也会经常发现同一手机第三方客户API定位效果比高德地图标注差了不少,刨除硬件因素,实际上这里有算法水平的差异。

空间距离和评价曲线相似性的一般方法

离散点集匹配

路网匹配的两个方面应用:第一个是离散点集匹配,相对简单,随机离散点没有形状和拓扑关系,用欧氏距离作吸附即可,典型应用如离散热力图。

曲线拟合

实际中更有应用价值的是曲线拟合匹配关系,比如轨迹和路网,GPS序列和导航路的相似性。

曲线信息更多,这方面比离散点集有更多的评价要素,也有更高的复杂度。评价曲线相似性的一般要素有长度、形状、曲率、拓扑关系、方向比如正向逆向、距离、属性例如交通规则左转右转禁行等信息。

算法分类

曲线匹配方法分类

基于几何信息的匹配算法考虑形状、角度等常规要素,属于早期的一些算法,实现最简单,准确度最低。基于拓扑信息的算法,准确度比几何方法大大提升,应用最广。基于概率预测的算法,实现比较困难,实际上应用不多。

目前有一些比较高级的算法理论,包括隐马模型等等,在实际应用中准确度是相对最高的。

实时算法主要用于在线导航,时间和空间复杂度低,离线算法用于数据处理的离线计算,算法复杂,追求最高准确度。

空间距离

线要素的匹配,主要通过几何、拓扑或语义相似度来进行识别,其中通过空间距离来进行要素匹配的常用方式有:

  • 闵可夫斯基距离(Minkowski Distance)

  • 欧氏距离(Euclidean Distance)

  • 曼哈顿距离(Manhattan Distance)

  • 切比雪夫距离(Chebyshev Distance)

  • 汉明距离(Hamming distance)

  • 杰卡德相似系数(Jaccard similarity coefficient)

  • 豪斯多夫距离(Hausdorff Distance)

  • 弗雷歇距离(Fréchet距离)

评价曲线相似性-弗雷歇距离

什么是弗雷歇距离?

Fréchet distance(弗雷歇距离)是法国数学家Maurice RenéFréchet在1906年提出的一种路径空间相似形描述定义。

狗绳距离

弗雷歇距离通俗的讲就是狗绳距离,人和狗之间有一条狗绳约束。主人走路径A,狗走路径B,各自走完这两条路径过程中所需要的最短狗绳长度就是弗雷歇距离

最大距离最小化

设定t是时间点,该时刻曲线A上的采样点为A(t), 曲线B上采样点为B(t)。如果使用欧氏距离,则容易定义d (A(t),B(t)) 。在每次采样中t离散的遍历区间[0,1],得到该种采样下的最大距离。弗雷歇距离就是使该最大距离最小化的采样方式下的值。

K-WALK和弗雷歇排列

给定一个有n点的路链P=〈p1 , p2 , … , pn 〉,一个沿着P的k步分割成为k个不相交的非空子集,称为K-WALK。

给定两个路链A =〈a1 , …, am 〉, B =〈b1 , …, bn 〉,一个沿着A和B的组合步(Paired Work)是A的k-walk {Ai}i =1 …k和一个沿着B的k-walk {B i}i =1 …k 组成(1 ≤i ≤k) 。

链A和B间的离散Fréchet距离(discrete Fréchet distance)就是一个沿着链A和B的组合步W={(Ai ,Bi)}的最小花费,这个组合步称为链A和B的Fréchet 排列(Fréchet alignment),也称为最佳组合步。弗雷歇距离实际上就是不断的遍历计算,尝试找出最佳组合步的过程。

利用平均弗雷歇距离评价曲线相似性

采用平均Fréchet距离代替离散Fréchet距离,因为前者是从顶点距离集合中选取的一个最大距离,易受到局部变形较大点的影响。

基于离散Fréchet距离识别曲线上点与点之间最短路径的方法,平均Fréchet距离通过计算离散要素点集之间的最短距离的平均值,来度量线要素间的相似性。

全局算法

两条曲线之间的匹配,研究的是1:1的关系,实际应用中GPS轨迹比较长的时候面临M:N全局择优的问题。

进行全局路线匹配时,需要考虑M:N的情况来确定整体路径,代表性的算法是使用弗雷歇距离来衡量待匹配序列和候选路段序列的匹配度,并作为路段的权重,由此构建网络图,通过计算最短路径得到最佳匹配结果。

最准确的匹配模型-隐式马尔科夫模型HMM

除了弗雷歇距离外,再介绍一种高级算法,也是目前应用中准确度最高的一种算法(和最通用解决方案)—隐式马尔科夫模型HMM。

20世纪60年代,Leonard E. Baum和其它作者在一系列的统计学论文中描述了隐式马尔科夫模型。它最初的应用之一是语音识别,80年代成为信号处理的研究重点,现已成功用于故障诊断、行为识别、文字识别、自然语言处理以及生物信息等领域。

核心特征

  • 隐式马尔科夫模型五要素:2个状态集合和3个概率矩阵,Viterbi算法。

  • 隐含状态S:马尔科夫模型中实际所隐含的状态,通常无法通过直接观测得到,这些状态之间满足马尔科夫性质。

  • 可观测状态O:通过直接观测而得到的状态,在隐式马尔科夫模型中与隐含状态相关联。

  • 状态转移概率矩阵A:描述隐式马尔科夫模型中各个状态之间的转移概率。

  • 观测状态概率矩阵B:表示在t时刻隐含状态是Sj条件下,其可观测状态为Ok的概率。

  • 初始状态概率矩阵π:表示隐含状态在初始时刻t=1的概率矩阵

维特比算法详见:

https://blog.csdn.net/xueyingxue001/article/details/52396494

开源实现Graphhopper-mapmatching,Java实现的地图标注匹配项目,作为开源导航引擎graphhopper的子项目提供,最新实现用的是隐式马尔科夫模型,GitHub地址:

https://github.com/graphhopper/map-matching

解决三类问题

路网匹配实际是一个解码问题,基于HMM的路网匹配算法是在一系列观察的前提下,寻找最有可能产生这个观察序列的隐含状态序列。一系列GPS位置点集合是可观测状态,寻找最有可能产生位置点集合的路网隐藏序列。

基于隐马尔科夫模型的路网匹配过程

衍生算法集合

其中STM算法,稳定健壮,实用性强,有成熟的研究和开源实现。

ACM SIGSPATIAL Cup

2012年ACM SIGSPATIAL Cup是由ACM主办的全球范围内关于地图标注匹配算法的科技竞赛,竞赛吸引了来自全球31支专业级的参赛队伍。所有算法当中匹配准确率最高的两个都是基于HMM的匹配算法。

道路匹配在业务中的应用

道路匹配在自动化项目中的应用,包括交通轨迹拟合度计算和道路自动识别等。

更多场景,比如异源数据融合、轨迹数据挖掘、交通数据分析、城市规划等领域,道路匹配都有广泛的应用前景。

觉得好看,请点这里 ↓ ↓ ↓

原文始发于微信公众号(高德技术):漫话 | 地图标注数据处理之道路匹配篇

如何把自己的门店或公司标注到地图里面。其实很简单:



    1、先准备好门店或公司的门脸照片、名称及地址信息


    2、然后使用微信扫描下面的二维码,按照要求提交资料


    3、提交资料后,客服会联系您进行数据审核,最快2小时内上线