随着导航定位技术和计算机技术的快速发展，使得许多移动终端如手机、车载定位装置等具有快速、准确获取位置信息的功能。近年来大数据技术成为各行各业学者们的研究热点，浮动车上装配的定位装置能够实时获取当前车辆的位置信息，成为轨迹大数据的主要数据来源。出租车作为浮动车的一种，广泛分布在城市的各个区域，这些出租车累积了海量的轨迹数据，通过对这些轨迹数据进行分析挖掘，可以用于城市交通拥堵治理、城市功能区识别、城市建设规划、城市路径规划等领域。地图匹配是轨迹数据处理分析中的关键技术，如何能够快速、有效地将轨迹点投影到道路网络得到了诸多学者的广泛关注。

农村土地流转是指农村家庭承包的土地通过合法的形式，保留承包权，将经营权转给其他农户或其他经济组织的行为。一般以土地承包经营权流转、集体建设用地使用权流转、宅基地使用权流转三种形式存在。

国内外学者在研究地图匹配问题上提出了很多算法，主要有基于投影、模糊逻辑、D-S证据推理、相关性分析等算法。基于投影的地图匹配算法，依据轨迹点方向与道路方向、轨迹点与路段之间的距离、轨迹点之间的相关性建立权重函数，权重最大的路段作为匹配路段，该方法利用GPS信息和道路拓扑关系，引入额外的参数和准则提高了匹配效率，但容易受噪声点和采点稀疏性的影响，在路网复杂情况下匹配精度较低。基于模糊逻辑算法，以模糊逻辑理论为核心，建立候选道路的隶属度函数，根据隶属度确定匹配路段。该方法具有较好的实时性、稳健性，匹配效率较高，但也存在计算开销大、缺乏理论依据、实用性差等缺点。基于D-S证据推理算法，依据车辆的位置和方向、路段距离构建信任函数和似然函数，然后融合为联合支持度函数，再依据支持度完成地图匹配。该方法通过证据推理可以得到唯一正确结果，但存在着准确度不高、算法设计复杂、计算开销大的缺点。基于相关性的地图匹配算法，将某一时间段内的轨迹点连成一条轨迹线，通过计算该轨迹与候选路段组合之间的相关性系数完成地图匹配。该方法效率高、计算简单，但对稀疏轨迹和路况复杂区域匹配精度较低。为提高低频轨迹的匹配精度，近年来基于隐马尔可夫模型 （Hidden Markov Model，HMM）的地图匹配得到了广泛关注，大部分实验结果表明该方法的实验精度在一定条件下达到了90%。

散步的时间推荐是阳光最舒适时或餐后1小时以后。阳光最舒适时首先空气相对会好一点，其次是可以有阳光浴，促进维生素D的合成，帮助钙的吸收。餐后不应立刻散步，这样会导致本应帮助消化吸收的血液流向四肢，长期下来会影响消化功能，所以建议在餐后1小时以后散步。

1 隐马尔可夫模型与地图匹配

隐马尔可夫模型可以解决以下3类问题。一是评价，使用前向算法将最可能的情况与观测序列匹配。二是解码，使用维特比算法确定最可能产生观察序列的隐藏序列。三是学习，使用前向-后向算法确定模型可能产生的一系列观测序列。地图匹配实质上是一个解码问题，基于HMM地图匹配是在给定一定观测前提下，寻找产生这一观测序列的隐藏序列。其中隐藏序列表示持有定位装置的人或物所在的具体位置，观测序列表示定位装置产生的GPS轨迹点由一系列坐标组成。

黄金明是多变的。多变来自于内在的丰富性。当我因为《洞穴》《会议记录》《木头记》等优秀诗篇而以为他会当一辈子诗人时，他写了《少年史》《与父亲的战争》《田野的黄昏》等优秀散文为正在消逝的故乡和乡土景观立传；当我以为他就是一个兼写散文的诗人时，他又用小说集《拯救河流》来书写乡土世界的风俗、情爱、伦常、权谋和现实哗变，用“地下人”系列荒诞科幻小说透视了环境破碎、乡土不再的现代乡愁。这里且说说小说家黄金明。

HMM算法具体计算过程如下：c0有两个候选点初始概率为观察概率0.8与0.6，对c1的候选点的总概率 MAX{0.8+0.6*0.6，0.6+0.6*0.9}为1.16，记为的父节点，同理求得总概率为1.1，表3为整个网络中各候选点的总概率。

对整个HMM进行算法分析发现，影响整个算法速率的关键点在于如何快速求取相邻两个候选点之间的路网距离。原始算法是依据Dijkstra算法求得最短距离。由于Dijkstra算法是一种广度优先搜索算法，搜索区域较大，时间长，对于大规模轨迹数据算法匹配较慢，且对某些点之间的距离不能重复利用，每进行一次转移概率计算都需要使用最短路径算法，大大增加了匹配时间。基于此，笔者拟将道路网络中距离路网某一交点3 000 m范围内的所有交点间的最短距离保存在本地文件。在进行地图匹配时，将最短路径读进内存，使用字典进行存储，运算过程可直接获取，大大缩短了计算时间。

 

由表3可得，作为整个网络中概率最大的点，由它的父节点可推算出的匹配路径为

转移概率V的计算公式为

 

式中：分子表示相邻两个GPS点之间的空间距离；分母表示相邻两个候选点之间的最短的路网距离。

由于算法仅考虑前一个轨迹点对当前待匹配轨迹点的影响，没有考虑后一个相邻轨迹点影响，实验发现轨迹点会匹配到距离该点最近的候选点上，导致线路出现锯齿形状。为解决这一问题，笔者充分利用轨迹点前后轨迹的相关性，对某一候选点使用如下过程计算概率 （见第55页图2）。

  

图1 HMM候选点分布

 

表1 各候选点的观察概率

  

 

表2 相邻候选点的转移概率

  

在基于HMM的地图匹配算法中，对于一个GPS点在一定路网距离内会有一个或多个候选路段。GPS点在这些候选路段上的投影点视为候选点，在马尔科夫链中作为顶点，对于距离较近的路段给予较大的观察概率。相邻GPS候选点之间的权重作为马尔科夫链中的边，由转移概率表示。

 

表3 各候选点总概率

  

式中：c为候选点；δ为标准差，一般为20 m；μ为均值，一般取0。

2 算法设计

基于HMM地图匹配算法，由于仅考虑前一个轨迹点对当前待匹配轨迹点的影响，没有考虑后一个相邻轨迹点，实验发现轨迹点会匹配到距离该点最近的候选点上，导致线路出现锯齿形线路。为解决这一问题并提高匹配速率，设计如下算法。

2.1 建立网格索引

本次调研通过E-mail和现场发放问卷相结合的方式进行，共发出200份问卷。由于个别问卷填写不规范，所以将其剔除，共计62份。最终获得138份有效问卷。被调查者可以通过Likert 7点量表所包含的7个等级对问卷中各题项的认同程度进行差异化区别。

地图匹配过程中如何快速准确地选择候选点，直接关系到匹配效率和匹配精确度。最简单选择候选点的方法是以GPS轨迹点为中心构建缓冲区，缓冲区距离一般设置为60～100 m。由于这种方法需要更多的空间拓扑计算，且计算复杂，故难以实现。网格索引对矢量路网区域根据经纬度划分网格，网格宽度约60 m。基于ArcGIS划分网格，易于实现。确定矢量路网中各路段的相交网格，当轨迹点落入某一网格时，选择相邻8个网格中的道路段，确定候选点。

2.2 保存最短路径

观测概率P的计算公式为

2.3 改进HMM匹配过程

基于HMM的地图匹配过程 （见图1），可计算出各候选点的观察概率 （见表1）及各候选点的转移概率 （见表2）。

然而，从可持续发展的深层次分析，我校名师队伍建设还存在一些亟待解决的问题，主要表现在：高层次的教学名师偏少；学科分布面窄，国家级和自治区级教学名师主要集中在美术和音乐两个传统学科；年龄老化，国家级和自治区级名师的年龄目前都已超过60岁，校级名师里中青年的比例非常低；存在“重评选，轻培育”问题等方面。因此开展艺术院校名师培育机制的探索与研究具有十分重要的现实意义。

图2中，c0点的概率值为P0，c1点的观察概率为x1，c0到c1的转移概率为y1，c1到c2的转移概率为y2，则c1的概率值P0由以下公式计算得到

 

  

图2 改进候选点计算图

3 算法效果及评价

为验证改进的模型，笔者选择2016年深圳市出租车轨迹数据及路网数据进行实验，轨迹数据平均打点频率为20 s/次。对轨迹数据进行数据预处理，然后进行匹配实验，实验结果见图3。

  

图3 算法匹配结果图

分析结果表明，改进后的算法可以改善锯齿形匹配情况，与传统的基于HMM匹配算法相比精度有所提高。由于基于HMM的地图匹配算法是一种全局匹配算法，算法在充分利用GPS轨迹点信息和道路信息的同时，考虑了整体相关性，大大提高了匹配精度。

4 结束语

笔者提出了一种改进的基于HMM模型的地图匹配算法，算法充分利用GPS相邻轨迹点之间的相关性，同时利用栅格索引和存储路径的方法提升算法匹配效率。通过实验可知本算法适用于低频轨迹数据的地图匹配，具有很高的精度和效率。

参考文献：

[1]张雷元,徐棱,刘晓明.一种改进的基于要素加权的浮动车地图匹配算法[J].交通与计算机,2008(2):8-10.

[2]王敏,魏衡华,鲍远.GPS导航系统中的地图匹配算法[J].计算机工程,2012(14):259-261.

[3]赵东保,刘雪梅,郭黎.网格索引支持下的大规模浮动车实时地图匹配方法[J].计算机辅助设计与图形学学报,2014,26(9):1550-1556.

[4]谷正气,胡林,黄晶,等.基于改进D-S证据理论的车辆导航地图匹配[J].汽车工程,2008,30(2):141-145.

[5]彭飞,柳重堪,张其善.基丁模糊逻辑的GPS/DR组合导航系统地图匹配算法[J].遥测遥控,2001,22(1):32-36.

[6]GONG B C,LUO J J,LI S L,et al.Novel map-matching algorithm based on moving-related least squares[J].Journal of Chinese Inertial Technology,2012,20(4):435-439.

[7]QUDDUS M A.High integrity map matching algorithms for advanced transport telematics applications[D].London:Imperial College,2006.

[8]高文超,李国良,塔娜.轨迹路网匹配算法综述[J].软件学报,2018(2):5-30.

[9]LOU Y,ZHANG C Y,ZHENG Y,et al.Map-matching for low-sampling-rate GPS trajectories[C].Proceedings of the 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems.New York:ACM,2009:352-361.