基于行人GPS轨迹提取路网信息的高效算法.docVIP

基于行人GPS轨迹提取路网信息的高效算法 引言 　　当今时代，数字地图对于每一个人来说都变得日益重要。普通用户下载诸如Google地图、百度地图等类似软件来寻找目的地以及周围的景点、住宿和餐旅等等。商家用来宣传自己的品牌(Fathi and Krumm 2010)。但对国内数字地图而言，目前大部分都由特定的地图供应商通过专门部署GPS装置的汽车在路上行驶并采集数据。数据获取与更新成本的高昂意味着购买这些这类地图数据需要花费大量的资金。因此，国内除了百度、高德、搜狗外，鲜有其他的地图服务商。然而，随着城市化进程的加快与道路网的建设与完善，用户却面临这样的问题：某个地方新修了一条道路，但因路网数据的更新不及时而无法在地图上找到这条路。如何缩短路网更新时间，尽可能满足用户的需求体验，则需要探索新的路网采集与更新方式。在带有GPS装置的移动设备越来越普遍的背景下，如何通过合理的路网挖掘算法，有效利用这些普通用户的定位数据，及时更新现有路网信息，这不仅极大降低路网更新的高昂成本，还将有力提升地图服务的质量与效率。 　　这项技术的难点有二：一是大数据量。每天有成千上万的人通过搭载有GPS装置的设备定位，假如按照每周一次更新的设想来获取GPS轨迹数据，这个数据量也将轻松突破TB级。大数据的获取与处理需要强有力的硬件支撑，但这不是本文的重点。二是合适的路网挖掘算法。将GPS数据转换为数字化路网，并与原有路网匹配，删除已经废弃的道路，添加新增的道路。世界上最大的开源地图提供商OpenStreetMap(Haklay and Weber 2008)采用一种让志愿者携带GPS装置记录GPS轨迹来手动更新地图的方式，获取的数据称为“志愿者地理信息”(Haklay 2008)。志愿者地理信息秉承“人人都是传感器”的理念(Schroedl, Wagstaff et al. 2004)，将每个人不仅作为地理信息的使用者，更是生产者。参考上述理念，本次实验通过寻找志愿者，确定所需的实验区，采用步行的方式，边走边采集GPS点，形成了大约10万条GPS轨迹数据，建立GPS轨迹数据库，并设计新型的路网挖掘算法，从中提取有用的路网信息挖掘路网。 国内外研究现状 　　国外对于道路的提取算法研究比较成熟。这些算法大都基于算术几何，有的以节点为核心，有的以特征追踪为核心。这对于较为规则的车辆轨迹处理是高效而准确的(Fathi, A. and J. Krumm ,2010)。这些算法之所以高效，一是因为算法设计的恰当，另一方面则是因为高采样率而低随机性的GPS数据。这种通过专门的车载导航系统获取的大量数据，数据特征规则且明显(图1)，算法难度不是很高。然而，VGI数据在实践中往往是低采样率的，大约为2-5分钟有一个点，点与点之间相隔太远导致一些正常的匹配算法在面对VGI数据时低效，甚至有可能产生逻辑错误。另外，专门采集数据处理后得到的信息主要用于驾驶的道路网，而对于行人需要的步行网，例如天桥、地下通道等减少交通负担的设施生成与更新方面研究不多。 图1 来自文献[1]、[3]、[4]的原始数据，可以明显的看出路网而无干扰 　　国内对于通过GPS轨迹挖掘新道路网的研究相对较少，大部分算法是将矢量轨迹数据转换为栅格数据，然后利用图像识别算法提取路网，方法简单高效，但只适用于那些特征明显的轨迹的数据。由于这类算法完全抛弃了矢量数据的优点，在面对VGI时就显得束手无措。值得注意的是国内学者(陈琦，2011，廖顺华，2007)在这方面开展的一些研究。这些研究多针对传统的路网采集方式，得到的GPS轨迹由专门的GPS装置采集得到，数据量小，用来更新专门的路段，比如陈漪的立交桥识别，实用性相对较小。为了解决上述存在的问题，本文设计了一个用于挖掘步行GPS轨迹的并行算法。首先，需要先研究一下VGI数据。 研究区数据 　　实验研究区来自安徽省合肥市市区的一部分，周长约20.12公里，面积约23.68平方公里。由于是在市区，道路网比较密集，人流量巨大，所以路网的更新对于这个地区来说显得尤为重要。同时也从百度公司获得了以前的旧路网数据。 图2 研究区的路网数据(未经更新) 　　整体上看，大部分的道路网数据是正确的，但局部存在很多偏差(图4)。 图3 路网与现实路网中的不匹配 　　本次实验的VGI数据采集部分模仿了OpenStreetMap的路网数据采集方式，但是更加突出了行人步行轨迹的无规律性，让志愿者在研究区域携带GPS走动，总共采集了将近10万条数据(图4)。 　　图4 10万条轨迹数据 　　整个实验区域的整体路网肉眼还是能够清晰辨认，但不同于以往专门采集的地理数据，路网存在很多错误路径和轨迹的不均匀分布。通过观察图的具体细节，可以看出步行轨迹不同