一种基于深度学习结合拓扑信息的路网匹配方法组成比例

本发明专利技术公开一种基于深度学习结合拓扑信息的路网匹配方法，涉及路网计算技术领域；而本发明专利技术包括数据集准备模块

【技术实现步骤摘要】
一种基于深度学习结合拓扑信息的路网匹配方法


[0001]本专利技术涉及路网计算
，具体为一种基于深度学习结合拓扑信息的路网匹配方法
。

技术介绍

[0002]路网匹配是将定位的离散
GPS(Global Positioning System)
轨迹点固定到真实交通路网显示车辆真实位置的过程，在轨迹可视化
、
实施导航
、
智慧交通系统
、
路径规划等领域有着广泛的应用；
[0003]现有的技术分为：
1、
在基于几何的匹配算法中，计算
GPS
点到路网每个节点的距离，然后将
GPS
点匹配到距离最近的节点上，这种算法实现简单，计算速度快，但是受到道路网络节点密度影响较大，实用性不高；
2、
结合路网的拓扑关系，提出了一种加权拓扑匹配算法，对轨迹方向
、
几何距离以及道路相关性等进行加权运算得到路段总权重，然后选择权重最大的路段为匹配路段；
3、
结合线性回归模型的方法，使得其更能精确的获取道路形状在转弯处的变化，通过参照多个后续点的匹配情况，实现复杂路段处的地图匹配减少了匹配错误；
4、
置信区间匹配方法，在置信区域内选出多条路段添加到候选路段中，然后分别对每一条候选路段进行一个得分运算，选择得分最高的路段作为匹配路段；
5、
通过考虑
GPS
系统的误差特点，通过分析卡尔曼滤波模型误差特性是否满足高斯白噪声分布来进行路网匹配；
6、
基于
HMM
模型的算法由于其在序列建模和道路网络连通性中的适用性，成为了广泛的基准方法；
7、
在其中
IVVM
算法充分考虑了路网的拓扑结构，以及全局
GPS
轨迹点之间的相互影响关系，通过加权处理这些点之间的关系，提高了匹配准确率；
8、
通过对
IVVM
进行改进，提出交互式投票算法
IIVVM
，充分考虑了距离特征
、
道路的拓扑结构以及一系列道路属性，通过约束条件过滤噪声路段，提高了匹配效率；
[0004]然而，现有技术的方法存在以下缺陷：
[0005]1、
受外部因素影响较大，需要高质量原始数据做为支撑；
[0006]2、
需要针对固定的路网设计数学算法，对新的路网需要重新设计算法，复用性可移植性不高，工作量大，难度高，针对上述问题，专利技术人提出一种基于深度学习结合拓扑信息的路网匹配方法用于解决上述问题
。

技术实现思路

[0007]为了解决新的路网需要重新设计算法以及复用性可移植性不高的问题；本专利技术的目的在于提供一种基于深度学习结合拓扑信息的路网匹配方法
。
[0008]为解决上述技术问题，本专利技术采用如下技术方案：一种基于深度学习结合拓扑信息的路网匹配方法，包括数据集准备模块
、
算法模型搭建模块和算法模型训练模块，包括以下步骤：
[0009]S1、
所述数据集准备模块准备城市路网的
geoJSON
格式数据，在此基础上通过路径搜索算法生产大量路径，
GPS
会与真实点位有所偏移，往往这些偏移都会在一定范围的弗雷
歇距离内，或者一系列的
GPS
点都会存在一定的整体偏移误差，因此在此规则下，对所有标准模拟路径添加高斯空间噪声，生成一系列噪音轨迹形成语料库作为模型的输入序列，生成一系列噪音轨迹形成语料库作为模型的输入序列，相关计算公式如下：
[0010][0011][0012]S2、
所述数据集准备模块准备结束后，通过所述算法模型搭建模块进行算法模型的搭建，并生成总体架构图，其中在编码器中使用双向
GRU(Bi
‑
GRU)
来做模型编码阶段状态的传递，其主要特点是能够吸收历史和未来信息，从而捕获一个完整轨迹序列的信息，
GRU
利用用重置门控制当前信息和记忆信息的数据量，利用更新门计算当前时刻隐藏状态的输出，生成新的记忆信息继续向前传递，相关计算公式如下：
[0013]z
t
＝
σ
(W
z
х
t
+U
z
h
t
‑1)
[0014]r
t
＝
σ
(W
z
х
t
+U
z
h
t
‑1+b
z
)
[0015][0016]h
t
＝
(1
‑
z
t
)h
t
+z
T
h
t
‑1[0017]同时，应用
Bahdanau
注意力机制，增强模型捕捉噪音轨迹与真实路网轨迹的依赖关系的能力，其首先对每一个隐藏状态
hj
生成一个权重系数
et
，
j
，然后将所有的权重系数进行
softmax
运算得到各个隐藏状态的注意力权重
α
t
，
j
，接着计算注意力权重和每一个隐藏状态的加权和，得到注意力向量
context
，最后注意力向量进行与全连接层整合到一起，形成输出值，相关计算公式如下：
[0018]e
t,j
＝
α
(s
t
‑1,h
j
)
[0019][0020][0021]S3、
通过所述算法模型训练模块，使用
Tensorflow
‑
gpu(2.3.0)
进行算法模型框架搭建，并进行训练
。
[0022]优选地，在
S3
中，使用显存为
24G NVIDIA Quadro RTX 6000
显卡以上规格进行训练
。
[0023]与现有技术相比，本专利技术的有益效果在于：
[0024]1、
吸收历史轨迹的价值，从历史轨迹中获取隐藏信息进行路网匹配没数据越多算法稳定性越高；
[0025]2、
当进行新的路网匹配任务时，只需要将新的路网数据作为算法输入，便能进行自适应训练，具有较高的可复用性和可移植性
。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习结合拓扑信息的路网匹配方法，包括数据集准备模块
(100)、
算法模型搭建模块
(200)
和算法模型训练模块
(300)
，其特征在于，包括以下步骤：
S1、
所述数据集准备模块
(100)
准备城市路网的
geoJSON
格式数据，在此基础上通过路径搜索算法生产大量路径，
GPS
会与真实点位有所偏移，往往这些偏移都会在一定范围的弗雷歇距离内，或者一系列的
GPS
点都会存在一定的整体偏移误差，因此在此规则下，对所有标准模拟路径添加高斯空间噪声，生成一系列噪音轨迹形成语料库作为模型的输入序列，生成一系列噪音轨迹形成语料库作为模型的输入序列，相关计算公式如下：生成一系列噪音轨迹形成语料库作为模型的输入序列，相关计算公式如下：
S2、
所述数据集准备模块
(100)
准备结束后，通过所述算法模型搭建模块
(200)
进行算法模型的搭建，并生成总体架构图，其中在编码器中使用双向
GRU(Bi
‑
GRU)
来做模型编码阶段状态的传递，其主要特点是能够吸收历史和未来信息，从而捕获一个完整轨迹序列的信息，
GRU
利用用重置门控制当前信息和记忆信息的数据量，利用更新门计算当前时刻隐藏状态的输出，生成新的记忆信息继续向前传递，相关计算公式如下：
z
t
＝
σ
(W
z
х
t
+U

【专利技术属性】
技术研发人员：吴亚东，柏雨龙，李国链，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：