模糊逻辑地图匹配算法
基于模糊逻辑的导航定位数据校正算法
１ 地 图 匹配
１ １ 地 图 匹 配 定 位 技 术修 正方
北 向 的左 边 ， 记 为负 偏 航距 ； 东 向、 向定 位 则 若 北
数据 位 于真实 位置 的东 向、 向的右边 ， 记 为正 北 则
偏 航距 。偏航 距 用 “ 正特 大 ， 大 ， 小 ， 特 小 ， 正 正 正
法， 其基 本思 想是 引入 相应 匹配 算法 ， 导航 定位 对 所测 得 的车辆 位 置与数 字 地 图中 的道 路 网信息进 行实 时数字 相关 匹配 、 自动修 正 ， 由此确定 车辆 并 相对 于地 图的位 置 。应 用 地 图匹配算 法必 须具备
零 ， 特 小 ， 小 ， 大 ， 特 大 ” 个 模 糊 状 态 评 负 负 负 负 ９ 价 标 准 来 描 述 ， 应 的模 糊 子 集 标 记 为 “ ＸＢ， 对 Ｐ
道路 位置 和方 向信 息相 比较 ， 照 一定 的算法 ， 按 在 包含 车 辆真 实 位 置 的 区域 范 围 内 ， 选 出最 有 可 挑 能是 车 辆所 在 的道 路 ， 然后 计 算 出车 辆 在该 道 路 上 的位 置 ， 用 该 位 置 信息 修 正定 位 系 统原 有 的 并
１ ２ 模糊 校正 算 法 ． 由 于地 图匹 配 涉及 模糊 度 的定 性 决 策 过 程 ，
ＭＭ 进 行组 合 。 合定 位 可实现 当ＧＰ 组 Ｓ丢失 信号
时 ， 用 丢失 信 号前 的位 置 信息 以及传 感 器输 出 利 的速 度和 航 向信息 ， 用航 位推 算对 ＧＰ 利 Ｓ系统 进
ＰＢ， Ｓ， Ｐ ＰｘＳ， ＮｘＳ， ， Ｚ， ＮＳ ＮＢ， ＮｘＢ 根 据 ”
２个前 提条 件 ］① 含有精 确 道路 位 置 坐标 和方 。：
基于改进的HMM地图匹配算法
基于改进的HMM地图匹配算法作者：张浩刘大明来源：《现代信息科技》2020年第21期摘要：針对路网拓扑结构的复杂和轨迹信息利用不充分问题，文章提出了一种改进的HMM，该方法考虑了真实路网的拓扑信息，轨迹的位置、方向和速度信息。
在计算发射概率时用二维正态分布将轨迹的位置信息和方向信息融合，转移概率计算时考虑到候选道路的限制速度和距离的非线性关联，并在实验中得到验证，改进后的匹配成功率比传统HMM提高了7%。
关键词：拓扑结构;HMM;观测概率;转移概率中图分类号：TP301.6 文献标识码：A 文章编号：2096-4706（2020）21-0084-04The Map Matching Algorithm Based on Improved HMMZHANG Hao，LIU Daming（School of Computer Science and Technology，Shanghai University of Electric Power，Shanghai 200090，China）Abstract：In view of the complexity of road network topology and inadequate utilization of track information，an improved HMM method is proposed in this paper，which considers the topology information，track position，direction and velocity information of the real road network. In the calculation of the emission probability，the location information and direction information of the trajectory are fused together with the two-dimensional normal distribution. In the calculation of the transition probability，the nonlinear relation between the limit speed and distance of the candidate road is taken into account，which is verified in the experiment. The improved matching success rate is 7% higher than the traditional HMM.Keywords：topology;HMM;observation probability;transition probability0 引言随着无线通信技术和定位技术的发展，轨迹数据可用于空间数据挖掘、智能交通[1-3]、城市规划[4，5]等领域。
导航算法
GPS地图如何导航？编辑为你揭秘导航算法行业：电工电气信息来源：天极网数码影音频道发布时间：2011-02-18打印转发关闭车辆导航系统实时接收GPS位置速度信息，以交通地图为背景显示车辆行驶轨迹。
保证所显示的轨迹反映车辆的实际行驶过程，包括行驶路段，转弯过程及当前位置，就是地图匹配问题所要解决的目标。
本节首先对地图匹配问题涉及到的基础概念、误差模型给出简要说明，同时介绍当前流行的一些地图匹配算法的思路与特点。
4.1地图匹配问题介绍利用车载GPS接收机实时获得车辆轨迹，进而确定其在交通矢量地图道路上的位置，是当前车载导航系统的基础。
独立GPS车载导航系统中克服GPS误差以及地图误差显示车辆在道路网上的位置主要是通过地图匹配算法，也就是根据GPS信号中的数据和地图道路网信息，利用几何方法、概率统计方法、模式识别或者人工神经网路等技术将车辆位置匹配到地图道路上的相应位置［8-12］。
由于行驶中的车辆绝大部分都是在道路上的，所以通常的地图算法都有一个车辆在道路上的默认前提。
地图匹配的准确性决定了GPS车辆导航系统的准确性、实时性与可靠性。
具体来说取决于两方面：确定当前车辆正在行驶的路段的准确性与确定车辆在行驶路段上的位置的准确性。
前者是现有算法的研究重点，而后者涉及到沿道路方向的误差校正，在现有算法中还没有得以有效解决。
地图匹配的目标是将轨迹匹配到道路上，当道路是准确的时，也就成了确定GPS的准确位置，然后利用垂直映射方法完成匹配。
要实时获得车辆所在的道路及位置通过地图匹配来实现是一种比较普遍而且成本较低的方法。
车辆导航与定位系统中的地图匹配问题概括来讲就是将车载GPS接收机获得的带有误差的GPS轨迹位置匹配到带有误差的交通矢量地图道路上的相应位置。
下面我们通过具体的数学模型来给地图匹配问题以详细的数学描述。
地图匹配的基本过程如图4.1所示。
符号定义及其物理意义说明如下：1）g（k）是车辆GPS轨迹点，内容为k时刻车辆上的GPS定位数据（经纬度），对应于矢量地图上相应的经纬度位置点。
基于模糊逻辑的GPS／DR地图匹配算法
关 键 词 ： 图 匹 配 ； 糊逻 辑 ； Ｐ ／ 地 模 Ｇ ＳＤＲ
Ｋｅ ｒ ｓ ｍａ － ｃ ｈ ｎ ｆ ｚ ｙ ｌｇ ｃ ＧＰ ／ ｙｗｏ ｄ ： ｐ ｍａ ｔ ｉ ｇ； ｕ ｚ ｏ ｉ Ｓ＇ ＤＲ
中 图分 类号 ： Ｐ ９ ． １ Ｔ ３ １４
文献标识码 ： Ａ
条模糊逻辑评判规则是 ：１候选 路段的取 向与车辆当前 的 （）
ｍａｃ ｅ ｏ ｄ，ｎ ｅｅ ｔ ｈ ａ ｄｄ ｔ ｏ ｄ ｔｔ ｅＪ Ｉ ［ ｎ ｆ ｅＥ ＳＩ Ｓ（ ｘ ｅ ｉ ｅ ｌｌＳｍｕａｉｎ ｈ ｗ ｈ ｔｔ ｅｍａ ｔｈ ｄｒ ａ ａ ｄｓ ｌｃｓｔ ｅｃ ｎ ｉａｅｒ ａ ｓａ ｈ Ｈ＇ ｉ 。 ｈ Ｃ 【｛ ） ｅ ｐ ｘｒ ｎａ Ｉ ｌｔ ｓｓ ｏ ｔ ａ ｈ ｐ Ｉ ｏ Ｃ ｌ ｆ ｎ ｏ
ｆ ｍ ｅＧ Ｓ Ｄ ｅ ｓ ｒ ｎ ｉ ｔｌｎ ｐ ｄ ｔ ，ｎ ｈ ｏ ｇ ｕ ｚ ｄ ｍｅｌ ｔ ｅａｇ ｒ ｈ ｏ ｔ ｕ ｓｔ ｅ ｂ ｓ ｓ ｃｉｎ ｏ ｈ ｒ ｔ Ｐ ／ Ｒ ｓ ｎ ｏ ｄ ｄｇ ａ ＊ａ ａａ ａ ｄ ｔ ｒｕ ｈ｛ ｚｙｊ ｇ ￣ ，ｈ ｌｏ ｉ ｍ ｕ ｐ ｔ ｈ ｅ ｔ ｅ ｔ ｆ ｅ ｏ ｈ ａ ｉ ｕ ｔ ｔ ｏ ｔ
ｉａｉｎ ｓ ｓｅ ． ｉ ｐ ｐ ｒｐ ｅ ｅ ｔ ｕｚ — ｇｃｂ ｓｄｍａ ｔｈｎ ｌｏ ｉ ｍ． ｅｉｐ ｔ Ｏ ｔ ｅａｇ ｒｔ ｍ ｏｒ ａｌ ｏ ｇ ｔ ｙ ｔｍｓ Ｔｈｓ ａ ｅ ｒ ｓ ｎｓａｆ ｚｙｌ ｉ—ａ ｅ ｐｍａｃ ｉｇ ａｇ ｒｔ ｏ ｏ ｈ Ｔｈ ｕ ｓｔ
ｍａ ｃ ｉ ｇ ｅ ｆｃｅ ｃ ｎ ｃ ｕ ａ ｙ ｉ ｃ ｅ ｓ ｒ ａ ｌ ｆｅ ｎ ｒ ｄ ｃｎ ｈ ｓ ａ ｇ ｒｔ ｍ． ｔｈ ｎ ｆｉ ｉｎ ｙ ａ ｄ ａ ｃ ｒ ｃ ｎ ｒ ａ ｅ ｇ ｅ ｔ ａ ｔ ｒ ｉ ｔｏ ｕ ｉ ｇ ｔ ｉ ｌ ｏ ｉｈ ｙ
地图匹配算法研究及应用
地图匹配算法研究及应用地图匹配算法是指将GPS轨迹数据与地图上的道路网络相匹配的算法。
随着GPS定位技术的普及，越来越多的人开始使用GPS设备来记录自己的行动轨迹。
然而，由于GPS测量误差和信号遮挡等原因，GPS轨迹数据并不完全准确，因此需要通过地图匹配算法来改善其精度。
一、传统地图匹配算法传统地图匹配算法主要有三种：最近邻算法、HMM算法和粒子滤波算法。
1.最近邻算法最近邻算法是一种简单且有效的地图匹配算法。
该算法首先将GPS轨迹点与道路网络上的所有节点进行距离计算，然后将GPS轨迹点与最近的节点相匹配。
该算法简单易实现，但其精度较低，对于道路较为复杂的区域容易产生匹配错误。
2.HMM算法HMM算法是一种基于贝叶斯理论的地图匹配算法。
该算法将GPS轨迹点视为观测序列，将道路网络视为状态序列，并使用HMM模型来匹配GPS轨迹点。
相对于最近邻算法，HMM算法考虑了GPS轨迹点之间的关系，在处理复杂的道路网络时具有较高的精度。
但是，该算法的计算复杂度较高，需要大量的计算资源。
3.粒子滤波算法粒子滤波算法是一种基于贝叶斯滤波的地图匹配算法。
该算法使用粒子滤波器来估计GPS轨迹点所在的道路，并通过重采样方法来改善估计的精度。
相对于HMM算法，粒子滤波算法更加灵活，可以处理不同种类的观测数据，并具有较高的精度。
但是，该算法的计算复杂度较高，在实时应用中需要充分考虑计算效率。
二、基于深度学习的地图匹配算法近年来，随着深度学习技术的不断发展，基于深度学习的地图匹配算法逐渐成为研究热点。
深度学习基于神经网络模型，通过学习海量数据来提高模型的精度。
基于深度学习的地图匹配算法主要有两类：基于卷积神经网络（CNN）的算法和基于循环神经网络（RNN）的算法。
1.基于CNN的算法基于CNN的地图匹配算法主要采用图像处理技术，将GPS轨迹数据转换成图像形式，然后使用CNN网络来匹配GPS轨迹点。
该算法可以处理复杂的道路网络，具有较高的精度，并且能够自动学习特征，避免了传统算法中需要手动设计特征的问题。
模糊匹配中的匹配度计算方法
模糊匹配中的匹配度计算方法第36卷V o-1.36第6期No.6计算机工程ComputerEngineering2010年3月March2010人工智能及识别技术?文章编号:100__3428(2010)o6__184__02文献标识码:A中圈分类号:TP391模糊匹配中的匹配度计算方法李红明,秦贵和,郝勃,冀进朝(吉林大学计算机科学与技术学院,长春130012)摘要:介绍模糊推理机制中用于解决普通模糊匹配冲突问题的常用方法,包括海明距离和指数法.基于指数法提出类指数法和绝对值差积法,根据相似度的定义证明其正确性.算例比较结果表明,绝对值差积法的性能优于其他3种方法.关健诃:模糊匹配;冲突消解;匹配度;指数法;海明距离CalculationMethod0fMatchingDegreeinFuzzyMatchingLIHong-ming,QINGui-he,HAOBo,JIJin-chao (CollegeofComputerScienceandTechnology,JilinUniversity,Changchun130012)[Abstract!Thispaperintroducesthecommonmethodsforsolvingthecollisionproblemofgeneralfuzzy matchinginfuzzyreasoningmechanism, includingtheHamingdistancemethodandtheexponentmethod.Itpresentstheexponent—likemethod andtheabsolutevaluedifferenceandproductmethodbasedontheexponentmethod.Thetwomethodsareimprovedtobecorrectaccordingtothedefini tionofsimilarity.Numericalexample comparisonresultsshowthattheabsolutevaluedifferenceandproductmethodhashigherperformancet hanthethreeothermethods.[Keywords!fuzzymatching;collisionresolution;matchingdegree;exponentmethod;Hamingdistanc el概述在专家系统中,数值式的不确定推理包括基于概率的不确定性推理和基于模糊逻辑的模糊推理.模糊性是事物不确定性的重要方面,在由模糊性引起的不确定性知识解释中,基于概率论的推理不够合理.文献【1】提出的模糊集理论以及在此基础上发展起来的模糊逻辑弥补了上述不足.随着模糊理论的成熟,模糊推理已成为专家系统的研究热点并得到广泛应用.文献【2】提出直觉模糊逻辑,近年来,直觉模糊逻辑中的相似度,相异度等被众多学者研究,直觉模糊逻辑是对普通模糊逻辑的有效扩展J,但普通逻辑推理在工程上有一定实用性,仍然具有研究价值.在基于规则的推理中,规则的前提条件通常和用户给定证据不完全一致,因此,在决定选择哪条规则进行推理时,要将证据与规则的前提进行匹配.采用阈值法进行筛选时,通常会有多条规则满足条件,即出现冲突.冲突消解策略一般包括按匹配度排序,平均加权值排序,广义语序排序等.匹配度常用的表示方法有贴近度,语义距离,相似度等.随着模糊理论的广泛应用,人们相继提出很多新方法,如接近匹配排序J,差额降序法等.本文在指数法和海明距离的启发下,提出了2种新的匹配度计算方法.2常用匹配度计算方法常用的匹配度计算方法有贴近度,语义距离,相似度.语义距离分为海明距离,欧几里德距离,柴可夫斯基距离和切比雪夫距离.相似度包括最大最小法,算术平均法,几何平均法,相关系数法,指数法.贴近度和相似度越大,匹配度就越大,语义距离越小,则匹配度越大.下文主要介绍海明距离和指数法.设U={/Il,2,3,4}为论域,A,B,C,D为U上表示一定模糊概念的模糊子集.模糊知识包括:R1:ifisAthenYisHI;R2:ifXisBthenYisH2;R3:ifisCthenYisH3.初始证据为:isD.2.1海明距离A,B的海明距离可以表示为1d(A,B)=二×∑l()一(/zi)fi=1上式适用于有限集的情形,如A=0.3l+O.52+0.4//,3+0-34B=0.s|H1+0.s|u2+0.6|u3+0.4|u4此时海明距离为d(A,B)=÷(1o.5—0.31+1o.5—0.5l+lo.6—0.41+1o.4—0.31)=0.25 2.2指数法A,B的相似性可表示为一兰{(“)—(“)r(A.B1=e以1.1节数据为例,得r(A.B1_e-(...):0.6132种新的匹配度计算方法从指数法公式可以看出,对任意的2个模糊子集A,,使用海明距离和指数法得到的结果完全一致,即d(A,)越大,则r(A,B)越小,匹配度越小.本文在指数法的基础上提出2种新方法.贴近度的定义如下:设F(u)为论域U={,,…,},基金项目:吉林省科技发展计划基金资助项目(20071423);吉林大学“985工程”研究生创新基金资助项目(20080233)作者筒介:李~_IN(1986--),女,硕士研究生,主研方向:智能控制与嵌入式系统;秦贵和,博士生导师;郝勃,本科生;冀进朝,硕士研究生收稿日期:2009.11—0LI.()一/2c(/2,)i≤l()一/2c(/2,)l11≥1+(2xY.t/2~(/2,)一()1)1+(2x∑IA(/2i)一()1)i=1i=1即r(A,c)≤r(B,c),条件(3)得证,因此,该方法正确.上述函数与指数法有很多相似的性质,它们和海明距离有共同的结果,即海明距离越大,函数值越小,匹配度越小.指数法和上述函数都是单调递减函数,而海明距离相当于自变量,因此,称为类指数法.其基本思想与文献【7】中先求相异度再用单调递减函数转换为相似度的思想相似.3.2绝对值差积法绝对值差积法定义如下:r(A,曰)=I1f(]/2()一/1()1)i=1其中,f(I/2()一/2()1)必须是单调递减函数,例如l+G[/2()一/28(/2i)I‟证明:条件(1)和条件(2)满足.对条件(3),当()≤/2()≤()或(/2i)≥(/2i)≥/2c(/2i)时,有l()一/2c()I≤l(/2,)一七()j因为f(I/2()-/2()1)为单调递减函数,所以f(I/2(/2)一()1)≥f(I/2(/2i)一()1)兀f(1a()一Pc()1)≥兀f(I/2()一/2c(/2.)1)JIi=l即r(A,c)≤r(B,c),条件(3)得证,因此,该方法正确.由指数法r(A,B)=e‟驯i=e一‟I/IA(H‟驯I想到将/=1neI中的el扩展为其他单调递减函数,/=I该方法是对指数法的继承和发展,但若2组数据的海明距离相等,如D=03|”+o.5iLt2+0.4|”3+03}H4A=0.5IHI+t){2+0.61p3+0.4{“4B=0.61p1+0.5|”2+0.5|”3+0.4|4则d(A,D)=d(B,D),此时,使用指数法不能判断A,B哪个更匹配,而使用本文的绝对值差积法能解决此问题,例如,把ne‟‟”…一‟”I‟替换为fi(1一l(/2)一(/1)I),可得r(A,i=1IJ9)=0.576,r(B,D)=0.567,可知A更匹配.由于最后的计算是乘法,中间用到的值是2个相应隶属度之差的绝对值,因此称上述方法为绝对值差积法.通过选择合适的递减函数,能使该方法的实用性和可靠性满足要求.4算例比较下文通过算例对以上方法进行比较,设A:o.55&2+0.6///3+0.44B:o.6|Uj+O.51p2+0.5}”3+0.4/,4C=o|¨1+0.6|u2+0.51p3+0.4|”4D=0.3}+o.5|”2+0.4/.3+03|”4比较结果如表1所示,其中,类指数法中的函数采用r(A.B):—————一(2xl()一()j)求积法中的函数采用垂(一1)表1各种方法的比较结果由表1可以看出,前3种方法的结果一致,比较出了,c之间的大小,但A,曰无法区分,而绝对值差积法解决了该问题,且得到的结果与加权平均值法一致.5结束语类指数法,指数法,海明距离在本质上是一致的,只是表现形式不同.绝对值差积法比以上3种方法更完善,可以解决海明距离相等时的部分匹配问题,且结果正确.其不足是在一些情况下,如A一={0.1,0.2,0,3},A—c={0.2,0.1,0-3}时,无法区分B,c哪个更匹配,此时可以结合以求比例为基础的方法解决冲突.目前没有一个完全正确完备的方法可以解决冲突问题,在具体应用中,应根据实际情况尽量采用正确,简单,实用的方法.参考文献[11ZadehLA.FuzzySets[J].InformationandControl,1965,8(3):338.353.[2]AtanassovK.IntuitionisticFuzzySets[J].FuzzySetsandSystems, 1986,2O(1):87—96.【3]王铭文,金长泽,王子孝.模糊数学讲义[M].长春:东北师范大学出版社,1987.【4】王永庆.人工智能原理与方法IM].西安:两安交通大学出版社, 1999.[5]冯乃勤,申向东,徐久成.模糊推理中冲突消解的一种新方法[J】计算机工程,2002,28(9):65—66.[6]李曙红,杨杰,唐贤瑛.模糊推理中冲突消解方法的改进[J1.长沙交通学院学报,2003,19(4):28—31.[7]路艳丽.直觉模糊相似关系的构造方法….计算机应用,2008,28(2):311-314.编辑陈晖一185—。
模糊匹配公式
模糊匹配公式
模糊匹配是一种基于模糊逻辑的方法,用于寻找一个文本集合中的相似的文本,并将其匹配到一个或多个候选集合中。
模糊匹配公式是用于计算两个或多个文本之间的相似度,以便将它们匹配到一个候选集合中。
一个常用的模糊匹配公式是余弦相似度公式,也称为欧几里得距离公式。
该公式计算两个文本的余弦相似度,余弦相似度是定义为文本中单词之间的角度关系的数学量。
具体来说,如果两个文本
$S_1$ 和 $S_2$ 中单词 $p$ 的余弦相似度 $S_{p,p}$ 等于 0,则它们之间的距离 $d=sqrt{S_{p,p}^2+S_{q,q}^2}$ 可以计算为:
$$d=sqrt{(S_{p,p}+S_{q,q})^2-2S_{p,p}S_{q,q}}$$ 该公式可以在文本相似度计算中使用,例如在自然语言处理中,文本之间的相似度可以使用该公式计算。
除了余弦相似度公式外,还有其他常用的模糊匹配公式,例如皮尔逊相关系数和汉明距离公式。
这些公式的计算方法与余弦相似度公式类似,但适用于不同的相似度度量方法。
什么是模糊算法初步了解模糊逻辑
什么是模糊算法初步了解模糊逻辑模糊算法初步了解模糊逻辑随着科技和人工智能的不断发展，越来越多的算法被广泛运用于各种应用领域中。
其中，模糊算法就是其中之一。
那么，什么是模糊算法？下面就让我们一起来初步了解一下模糊逻辑吧。
一、什么是模糊算法？在传统的计算机模型中，逻辑关系是非常明确的——要么是真，要么是假。
这种二元逻辑虽然简单明了，但是却无法处理那些带有不确定性的问题，比如人类语言中那些含糊不清的描述。
而模糊逻辑则提供了一种计算模型，使得计算机能够处理那些不确定的信息。
模糊算法就是基于模糊逻辑的一种算法。
它本质上是一种模糊推理系统，通过对数据进行模糊化处理，使得模糊的数据能够被计算机所理解。
在模糊算法中，一个变量的取值不再是明确的，而是一个模糊的概念，其取值不仅可以是0或1，还可以是介于0和1之间的任何实数。
这种算法能够处理那些难以用精确数据来描述的问题，如模糊控制、图像处理、语言识别等。
二、模糊逻辑的基本概念模糊逻辑是一种可以处理模糊性的逻辑。
在模糊逻辑中，一个命题的真值不再是只有真和假两种取值，而能够取任意介于0和1之间的实数值。
具体来说，模糊逻辑中的三个基本概念是模糊集、隶属度函数和模糊关系。
1. 模糊集模糊集是指定义在某个数学空间上的一类不精确的集合。
与传统集合不同的是，模糊集可以包括一些元素，它们的隶属度是介于0和1之间的实数值，即一个元素属于模糊集的程度。
比如，我们可以定义一个“年轻人”模糊集，其隶属度可以根据不同年龄段来定义。
2. 隶属度函数隶属度函数是一个数学函数，它可以将一个元素与一个模糊集进行联系。
其输出是该元素与该模糊集之间的隶属度，可以理解为描述该元素在该模糊集中所占的比重。
例如，一个“温和”的隶属度函数可能如下表示：___________///________________0.2 0.5 1其中，数值0.2表示隶属度在0.2时的取值，0.5表示隶属度在0.5时的取值，1表示隶属度在1时的取值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一个新颖的基于模糊逻辑的车辆导航地图匹配算法以及应用本文提出了一个新的实时的基于模糊逻辑的地图匹配算法。
主要有3种因素影响了地图匹配的可靠性，包括车辆位置和匹配路段之间的距离，车辆方向与路段方向之间的夹角，当前路径的连通性。
对于距离角度以及连通性的模糊规则被提出来预测匹配的可靠性。
这样两个评估匹配可靠性的指标被引出了，一个是可信度的下限的低局限性，另一个是可信度的最大值与第二大的值之间差别的极限误差。
因此，一个实时的基于模糊逻辑的地图匹配系统就出现了。
应用在基于路径地图的GPS和基于导航的GIS的实时数据，这种方法已经被证实并且结果证明了改进方法的有效。
地图匹配；模糊逻辑；可信度；GPS；GIS；路径网络地图匹配技术在车辆导航系统中已经成为关键的问题。
研究地图匹配算法来改进车辆定位的精确性已经取得很多成就。
在目前的研究中，一个基于地图匹配方法的可能性是使用统计理论代替确定性方法。
在一个整体的陆地车辆定位系统中已经采纳了一种卡尔曼滤波器模型。
对于自动车辆定位与导航，一个数字路径地图的数据库已经形成用以支持地图匹配。
对于地图匹配的路径识别，加权2维平面测距已经应用到近似估算功能中。
一种基于D-S证据理论的地图匹配被提出来应用于车辆位置和方向的信息的概率分布功能。
然而，由于道路因素的复杂性，传统的地图算法不能够处理更加困难环境，因此已经改进的实时地图匹配算法仍需更深的研究。
本文中，一种新颖的基于模糊逻辑地图匹配方法被提出来。
有3个影响地图匹配可靠性的因素。
对于距离，角度以及连通性的模糊规则已经被提出，并且估计匹配可靠性的指标也已经获得。
大量的来自于GPS与GIS地图匹配的数据已被统计的分析。
可靠性指标的测定以及它们之间的权重是地图匹配的关键问题。
有许多影响地图匹配可靠性的因素，包括移动跟踪，路径相似度以及弯曲度。
在本篇文章中，主要涉及三个影响匹配可靠性的因素，即车辆位置与匹配路段之间的距离，车辆方向与路段方向之间的夹角，路径连通性。
在地图匹配过程中，认定路径连通性，距离以及夹角被构建用来测定不同观察数据间的权重。
路径可靠性被预测，并且具有最大可靠性值的路径被选作匹配路段，且匹配结果被核实。
假设在一个任意的时间点，车辆的位置是P i（Xi,Y i），当前路段端点是A（Xa,Y a）和B（Xb，Yb），被匹配的路段的函数表示如下：Y=k（X-Xa）+Y a （1）这里k=（Yb-Y a）/（Xb-Xa）且Xa不等于Xb。
从车辆位置到匹配路段的垂直点的横坐标为X=Xi+（Yi-Y a）k+Y a*k2/1+k2 （2）当且仅当判定函数B满足B=(X-Xa)(X-Xb)<=0，这个车辆位置到匹配路段的投影点在匹配路段上，且距离为D i=|k(Xi-Xa)-Yi+Y a|/开根号1+k的平方（3）如果判定函数B满足B>0，投影点将在路段的延长线上，因此此路段将被排除。
在Xa=Xb的情况下，判定函数B即为B=（Yi-Y a）（Yi-Yb），而如果满足B<=0，那么距离将变成Di=|Xi-Xa|。
如果距离大于30米的话，路径成为匹配路段的可能性很小；如果距离接近于零，那么匹配的可能性很大。
因此根据以上规则，影响匹配可靠性的距离函数可以表达为Q(d i)={0，di>=301-di/30，di<30车辆方向与路段方向之间的角度车辆方向与路段之间的角度应该满足0—90°之间。
假设在一个任意的时间点，车辆方向是ai,路段方向为bi，且ci=|ai-bi|，则车辆方向和路段方向夹角可估算为：Ci，0°<=Ci<=90°△§={180°-ci，90°<Ci<180°Ci-180°，180°<Ci<270°360°-ci，270°<ci<360°对于单向道路，如果ci满足90°<ci<270°，那么这条路段就被排除了。
如果夹角大于45°，路段成为匹配路段的可能性将非常小，而如果夹角接近于零，可能性将非常大。
因此影响匹配可靠性的夹角函数可表示为 1-△§i/45，△§i<45°Q（§i）={0，△§i>=45°（6）假设距离和夹角的权重分别为P1和P2，且P1+P2=1，则可靠性可表示为ǐ=[P1 P2][ Q(d i) Q（§i）]T (7)基于以上指标，用于北京和东莞的GPS定位以及数字道路的地图匹配测试已经进行了超过20000次，结果如图1所示由此看出，成功匹配次数占据93.8%，失败次数占6%，GPS信号的损坏率仅为0.2%。
失败的匹配一般发生在复杂的路段，特别是车辆转弯或者匹配路段非常相似。
图2出示了地图匹配的部分结果。
从图2可以看出来自于真正定位的GPS位置的系统移动是必须重视的，而车辆位置与匹配路段间的距离非常大。
如果有近似方向的路段，将发生错误匹配。
这就意味着在路段和其他路段连接的弯角处仅仅考虑方向和夹角因素很难处理好地图匹配。
路径连通性在数字导航地图的道路网络中具有连通性，这意味着在当前时刻的车辆持续的在同一路段，也同样在前一时刻或者随后的路段发生。
当前面已匹配路段的信息已经知道，这个路段的可信度就预测出来了，如果估算的可信度比较大，那么已匹配的路段就是先前的路段。
否则连接前面路段的随后的路段则需要进行搜索。
当搜索到匹配的路段时，距离和夹角被视为排除过长距离以及过大的夹角的过滤条件。
假设已匹配路段的端点为，下一个搜索的路段起始点为，如果只搜索到一条路段，那么车辆将继续在先前匹配的路段上或者在搜索到的路段上。
如果搜索到2条及以上路段，那么应该估算可信度，具有最大可信度的路段将是可能匹配的路段。
此外，车辆位置与先前及随后路段的关系就能确定匹配路段。
图3显示了这种关系的5种情况。
从图3可以看出，a和b是平常的运行状态，c和d是路段的转弯，e是非常短的路段的状态。
在这些情况中，投影点与匹配路段如表一，这的Sp是车辆位置与先前路段的距离，Ss是与随后路段的距离。
基于表一，根据目前车辆运行的路段以及投影点的位置，匹配路段就能确定，而必要的连通信息也从下次匹配中得到。
应用同样的路径网络和GPS定位作为经验数据，这个测试被运行来介绍路径连通性。
从图4出示的结果，可以发现在道路转弯及相似路段的地图匹配的成功率有了明显提高。
在20000次测试中，成功率由90%上升到了97%，这表明路径的连通性是地图匹配中一个重要的因素，而考虑到连通性的地图结果更加的优秀。
通过分析3%的失败的匹配案例，不难在地图匹配的过程中，距离，夹角以及连通性的限制是以经历为背景的。
以上方法的缺点是同样的设置在一些区域会带来好的结果而在另一区域会有坏结果。
基于地图匹配算法的模糊逻辑在以上的指标中，像距离，夹角以及连通性立基于地图匹配算法的，基本思想就是在连通路段的选择中通过夹角来进行过滤，从车辆到最近距离的路段作为匹配的路段。
这个方法有3个缺点。
首先是这个夹角应该是影响可信度的重要的因素，并且如果夹角只用来作为过滤条件是匹配信息的损失。
第二是这个算法只展示了A比B更好，但是没有显示出较高程度的数量指数。
第三是这个算法缺乏测试标准。
因此，在本文中，提出了一个基于地图匹配算法的模糊逻辑，在先前研究的基础上构建和改进了3种判定准则，通过隶属度来表示匹配可信度，并且评估匹配结果的质量。
模糊逻辑的判定准则给定一个域U，一个模糊集A定义如下：对于一个任意的u属于U，必定存在一个数[0,1]表示u属于A的度，则这个数称为u属于A的隶属度。
模糊判定步骤如下。
Step 1 确定影响因素，构建因素集Step 2 确定模糊判定结果集Step 3 在因素集里确定结果集里每个元素fj的每个因素ei的隶属函数。
Step 4 利用求因素集里的每个的值，可得一组模糊向量Ri=，在这个预估结果的基础上，模糊关系的模糊矩阵可表达为R=。
Step 5 确定每个因素的权重，由此得出权重向量为P=，。
Step 6 执行模糊转换Q=P*R,Q是一个模糊向量，用来表示基于判定集F的因素的估算结果，其中每个元素是属于判定集里每个因子的隶属度。
Step 7 确定Q中每个元素的权重，得到一个权重向量=，而判定指标可预测为。
在以上准则中，算术操作符*代表，前者代表最大值，后者代表最小值。
这是一种主要的因子显著的判定，它能突出模糊定理中主要的因子。
基于模糊逻辑的判定规则根据3种主要影响匹配可靠性的因素，距离，夹角，连通性，可有以下3种判定规则。
规则1 如果路段是先前的路段或者随后的路段，那么作为匹配路段的优先权将是最高的，因此可得到路径连通性的隶属度函数如下为连通性。
规则2 如果车辆和路段的夹角大于20°，路段成为可匹配路段的可能性将相当小；而如果夹角接近于零，可能性将非常大。
另外，此夹角也是车辆是否转弯的标志。
图5显示了车辆方向和路段方向夹角的统计结果。
从图5可以看出当车辆正常行驶时夹角几乎小于15°，当车辆转弯是，夹角变大。
而由于车辆违反交通规则，或者地图匹配失败，异常情况就发生了。
假设夹角为，此夹角隶属度函数为规则 3 如果车辆位置到路段上投影点的距离大于40m，路段成为可匹配的路段的可能性非常小；而如果距离接近于零，可能性就比较高。
假设数字地图的精确性在15m之内，GPS定位的精度为20左右，则车辆实际位置和理想位置的补偿至多为35m。
图6显示了车辆位置与路段距离的统计结果。
从图6可得大多数的成功匹配距离值都在40m之内。
另外，把距离的阈值设置为40m是可行的。
假设距离为，则距离的隶属度函数为基于模糊逻辑的匹配可信度的计算基于以上3种隶属度函数，路段成为可匹配路段的可能性能够被确定。
模糊匹配过程如下Step 1 根据GPS定位数据和匹配结果，每个因子集里因子首先被计算，在隶属函数集R中获得每个因子的隶属度，。
Step 2 确定权重向量P=，P1，P2,P3是每个因子的权重，P1+P2+P3=1.Step 3 执行模糊转换Q=P*R，结果表示可能匹配路段的可信度。
假设3个因子的权重为1/3，使用相同的定位数据和数字地图，所提议的算法进行测试。
图7显示了每个匹配测试的可信度值。
从图7我们可以看出基于模糊逻辑匹配算法几乎所有的最大可信度都在0.65—0.90；非常少量的数据接近于零，这表示匹配失败了。
总体上，基于以上原则，如果可信度超过0.65则匹配结果将相当可靠的。
图8显示了在地图匹配中定义可信度第二大值为Si。