Skip to content

路径匹配

使用路径匹配接口，你需要准备路网数据和GPS数据，路径匹配的参数由两大部分构成：Net参数配置、MapMatch参数配置

常规匹配

执行一次路径匹配的过程分为四个步骤：

  • 从gotrackit引入相关模块：

    引入相关模块
    import pandas as pd
import geopandas as gpd
from gotrackit.map.Net import Net
from gotrackit.MapMatch import MapMatch

  • 依据路网线层和路网点层构建一个Net，并且进行相应的Net参数配置

    构建Net对象
    # 构建一个net, 要求路网线层和路网点层必须是WGS-84, EPSG:4326 地理坐标系
# 请留意shp文件的编码，可以显示指定encoding，确保字段没有乱码
link = gpd.read_file(r'./data/input/net/xian/modifiedConn_link.shp')
node = gpd.read_file(r'./data/input/net/xian/modifiedConn_node.shp')
link = link.to_crs('EPSG:4326')  # 确保是EPSG:4326
node = node.to_crs('EPSG:4326')  # 确保是EPSG:4326
my_net = Net(link_gdf=link, node_gdf=node, cut_off=1200.0)
my_net.init_net()  # net初始化

  • 依据GPS数据要求准备gps(轨迹)数据表, 对gps数据进行相应的轨迹预处理：

    轨迹数据读取和处理
    gps_df = pd.read_csv(r'./data/output/gps/sample/example_gps.csv')
# 对gps数据进行各种预处理
# .........

  • 基于Net初始化一个MapMatch类，并且进行相应的参数配置，然后传入gps数据执行匹配：

    执行匹配
    mpm = MapMatch(net=my_net, flag_name='xa_sample', # 指定项目名称xa_sample
               use_sub_net=True, # 启用子网络
               gps_buffer=100, top_k=20, # GPS点空间关联半径取100米，选取GPS点100米范围内最近的20个路段作为候选路段
               dense_gps=False, # 不增密GPS点
               use_heading_inf=True, omitted_l=6.0,  # 启用GPS航向角矫正，若前后点GPS距离<=6米，将忽略航向角的修正
               del_dwell=True, dwell_l_length=50.0, dwell_n=0,  # 停留点删除参数
               export_html=True, export_geo_res=True, use_gps_source=True,  # 输出设置参数
               gps_radius=15.0, export_all_agents=False, # 输出设置参数
               out_fldr=r'./data/output/match_visualization/xa_sample')  # 输出设置参数

# execute函数返回三个结果:
# 第一个是匹配结果表、第二个是警告信息、第三个是错误信息
match_res, warn_info, error_info = mpm.execute(gps_df=gps_df)
match_res.to_csv(r'./data/output/match_res.csv', encoding='utf_8_sig', index=False)

匹配结果解析

匹配结果表

字段名称 字段类型 字段说明
agent_id int gps点所属agent_id
seq int gps点的序列ID
sub_seq int gps点的子序列ID, 如果子序列>0, 说明该点是在匹配后补出来的点, 称之为后补点, 不会去计算其在目标路段上的投影点
time string gps定位时间
loc_type string gps点类型, 三类: s：源GPS点、d：增密点、c：后补点
link_id int gps匹配路段的link_id，对应路网的link_id字段
from_node int gps匹配路段的起始节点(表征行车方向起点)
to_node int gps匹配路段的终到节点(表征行车方向终点)
lng float gps点的经度, 坐标系EPSG:4326
lat float gps点的纬度, 坐标系EPSG:4326
prj_lng float gps点在匹配路段上对应匹配点的经度, 坐标系EPSG:4326
prj_lat float gps点在匹配路段上对应匹配点的纬度, 坐标系EPSG:4326
match_heading float gps匹配点的航向角(从正北方向开始顺时针扫过的角度, 0~360度), 后补点的该值为空
dis_to_next float gps投影点与后序相邻gps投影点的路径距离(不考虑后补点), 后补点的该值为空
route_dis float gps匹配点在匹配路段上与路段起点的路径距离
用户指定字段 user-diy 参照参数user_field_list

Note

对于dir为0的双向路段，例：link_id=12, from_node=2, to_node=3，匹配结果中匹配到link_id为12时，其(from_node, to_node) 可能为(2, 3) 也可能为 (3, 2), 这个由GPS的实际行车方向决定

后补点

Image title
sub_seq >= 1的即为后补点，无实际意义，仅为了输出格式的工整

警告信息

状态转移警告

当相邻定位点匹配到的路段，其在拓扑上不联通时，会出现下面类似的警告：

UserWarning: gps seq: 10 -> 11 problem with state transfer, from_link:(60, 59) -> to_link:(98, 25)
UserWarning: gps seq: 15 -> 16 problem with state transfer, from_link:(15, 38) -> to_link:(78, 26)
  • 发生警告的agent，其匹配结果，连同没有任何警告的agent，会一起会输出在匹配结果表中
  • 警告信息warn_info的数据结构是字典：键表示agent_id，值是一个表，记录了该agent在匹配过程中发生警告的路段信息(可在HTML中可视化查看)

以该警告信息的第一行为例，一行代表了一次警告，我们只用关心from_ft列、to_ft列值的第2~3个元素(路段的起始节点)，匹配link(60, 59) 到 匹配link(98, 25) 之间不连通，表明了可能存在路段缺失

from_ft to_ft from_single to_single ft_gps
(8,60,59,seq:10-11) (7,98,25,seq:10-11) 8 7 seq:10-11
(18,15,38,seq:15-16) (3,78,26,seq:15-16) 18 3 seq:15-16

该种类型的警告信息在HTML可视化文件中的表示如下：

Image title
车辆轨迹

由于路段缺失，导致了相邻GPS点匹配到的路段，在拓扑上不连通，所以会有警告信息：

Image title
警告路段

路段关联警告

当定位点在指定的gps_buffer范围内关联不到任何路段时，程序会删除掉该定位点，只使用能够关联到路段的定位点进行路径匹配。

UserWarning: the GPS point with seq: [1024, 1025] is not associated with any candidate road segment 
and will not be used for path matching calculation...

以上警告信息代表了seq为1024、1025的定位点在gps_buffer范围内无法关联到任何路段，因此这两个定位点不会用于路径匹配计算，该种现象出现的原因有：

  • 用户只对研究区域范围内的路网进行了建模，而部分点位不在研究区域范围内，这种情况不影响匹配计算；
  • 用户路网存在大面积缺失；
  • MapMatch接口的gps_buffer数值太小导致部分点位无法关联到任何路段。

Note

seq字段：是gotrackit自动赋予GPS数据表的字段，每个agent从0开始，按照时间顺序递增

错误信息

error_info的数据类型是列表，记录的是匹配发生错误的agent_id，一般是GPS数据关联不到任何路网、或者GPS数据点不足两个、或者路网线层有重叠折点，对于这些错误gotrackit都会输出报错信息然后跳过该次匹配

HTML可视化

html可视化文件是我们对匹配结果进行排查的重要文件，它可以清晰的展示匹配过程

  • 地图匹配类MapMatch的初始化参数export_html控制是否输出HTML动画(较为耗时)，若指定为True，匹配结束后，在out_fldr下会生成HTML文件
  • HTML可视化需要连接网络(中国境内可能需要科学上网)，使用浏览器打开生成的HTML文件，按照下图点开时间轴播放器
Image title
HTML可视化
Image title
HTML可视化
  • 如果您指定了use_gps_source=False(默认值) - 即不仅仅展示源GPS点，那么HTML文件中mix图层中的GPS点可能会出现三种颜色：🟡黄色(源数据点)、🟢绿色(增密点)、⚪白色(后补点)，分别对应loc_type列的值为s、d、c，l代表匹配到的link：
Image title
不同颜色的定位点含义

您可以使用筛选器对loc_type进行筛选，从而控制不同类型定位点的显示与隐藏：

Image title
字段筛选器

GeoJSON可视化

地图匹配接口中的参数export_geo_res控制是否输出匹配结果geojson矢量图层(较为耗时)，一个agent的匹配矢量结果由四个文件组成：

  • flag_name-agent_id-gps.geojson：gps点矢量图层
  • flag_name-agent_id-match_link.geojson：匹配link矢量图层
  • flag_name-agent_id-prj_l.geojson：投影线矢量图层
  • flag_name-agent_id-prj_p.geojson：路段匹配点矢量图层
  • flag_name-agent_id-heading_vec.geojson：路段匹配点航向向量

可使用GIS软件对geojson进行可视化，如QGIS

Image title
GeoJSON可视化

加速匹配

加速匹配的方法，gotrackit提供了四种不同的思路：

  • 匹配开始前，对路网节点的最短路径进行预计算，并且路径结果存于内存中，从而减少匹配过程中的最短路计算的时间开销(对内存要求较高)
  • 对定位数据按照agent_id分组，使用多个CPU核心对不同的数据组同时进行并行匹配(对内存要求较高)
  • 对路网的线型进行简化，从而减少匹配过程中投影参数计算的时间开销
  • 使用空间分层关联策略，减少空间关联的时间开销

如何启用加速策略

以下是不同加速策略的使用方法，高亮的代码表明了其与常规匹配代码相比，需要做哪些参数配置；您可以将这些加速策略进行叠加使用。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
link = gpd.read_file(r'./data/input/modifiedConn_link.shp')
node = gpd.read_file(r'./data/input/modifiedConn_node.shp')
my_net = Net(link_gdf=link, node_gdf=node)
my_net.init_net()  # net初始化

gps_df = pd.read_csv(r'./data/input/example_gps.csv')

mpm = MapMatch(net=my_net, flag_name='xa_sample', use_sub_net=True, 
               gps_buffer=100, top_k=20, dense_gps=False,
               use_heading_inf=True, omitted_l=6.0,
               del_dwell=True, dwell_l_length=50.0, dwell_n=0,
               export_html=True, export_geo_res=True, use_gps_source=True,
               gps_radius=15.0, export_all_agents=False,
               out_fldr=r'./data/output/match')
# execute函数返回三个结果:
# 第一个是匹配结果表、第二个是警告信息、第三个是错误信息
match_res, may_error_info, error_info = mpm.execute(gps_df=gps_df)
match_res.to_csv(r'./data/output/match_res.csv', encoding='utf_8_sig', index=False)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
link = gpd.read_file(r'./data/input/modifiedConn_link.shp')
node = gpd.read_file(r'./data/input/modifiedConn_node.shp')
my_net = Net(link_gdf=link, node_gdf=node, 
             fmm_cache=True, fmm_cache_fldr=r'./data/input/', recalc_cache=False)
my_net.init_net()  # net初始化

gps_df = pd.read_csv(r'./data/input/example_gps.csv')

mpm = MapMatch(net=my_net, flag_name='xa_sample', use_sub_net=True, 
               gps_buffer=100, top_k=20, dense_gps=False,
               use_heading_inf=True, omitted_l=6.0,
               del_dwell=True, dwell_l_length=50.0, dwell_n=0,
               export_html=True, export_geo_res=True, use_gps_source=True,
               gps_radius=15.0, export_all_agents=False,
               out_fldr=r'./data/output/match')
# execute函数返回三个结果:
# 第一个是匹配结果表、第二个是警告信息、第三个是错误信息
match_res, may_error_info, error_info = mpm.execute(gps_df=gps_df)
match_res.to_csv(r'./data/output/match_res.csv', encoding='utf_8_sig', index=False)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
link = gpd.read_file(r'./data/input/modifiedConn_link.shp')
node = gpd.read_file(r'./data/input/modifiedConn_node.shp')
my_net = Net(link_gdf=link, node_gdf=node, prj_cache=True)
my_net.init_net()  # net初始化

gps_df = pd.read_csv(r'./data/input/example_gps.csv')

mpm = MapMatch(net=my_net, flag_name='xa_sample', use_sub_net=True, 
               gps_buffer=100, top_k=20, dense_gps=False,
               use_heading_inf=True, omitted_l=6.0,
               del_dwell=True, dwell_l_length=50.0, dwell_n=0,
               export_html=True, export_geo_res=True, use_gps_source=True,
               gps_radius=15.0, export_all_agents=False,
               out_fldr=r'./data/output/match')
# execute函数返回三个结果:
# 第一个是匹配结果表、第二个是警告信息、第三个是错误信息
match_res, may_error_info, error_info = mpm.execute(gps_df=gps_df)
match_res.to_csv(r'./data/output/match_res.csv', encoding='utf_8_sig', index=False)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
link = gpd.read_file(r'./data/input/modifiedConn_link.shp')
node = gpd.read_file(r'./data/input/modifiedConn_node.shp')
my_net = Net(link_gdf=link, node_gdf=node)
my_net.init_net()  # net初始化

gps_df = pd.read_csv(r'./data/input/example_gps.csv')

mpm = MapMatch(net=my_net, flag_name='xa_sample', use_sub_net=True, 
               gps_buffer=100, top_k=20, dense_gps=False,
               use_heading_inf=True, omitted_l=6.0,
               del_dwell=True, dwell_l_length=50.0, dwell_n=0,
               export_html=True, export_geo_res=True, use_gps_source=True,
               gps_radius=15.0, export_all_agents=False,
               out_fldr=r'./data/output/match')
# execute函数返回三个结果:
# 第一个是匹配结果表、第二个是警告信息、第三个是错误信息
match_res, may_error_info, error_info = mpm.multi_core_execute(gps_df=gps_df, core_num=2)
match_res.to_csv(r'./data/output/match_res.csv', encoding='utf_8_sig', index=False)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
link = gpd.read_file(r'./data/input/modifiedConn_link.shp')
node = gpd.read_file(r'./data/input/modifiedConn_node.shp')

# 适当简化线型，simplify(x)中的x单位为m，该接口会使用道格拉斯-普克算法对线型进行简化，该值如选取的过大会导致所有link都退化为直线
link = link.to_crs('你选定的平面投影坐标系')
link['geometry'] = link['geometry'].simplify(1.0)  # 切记不可在地理(经纬度)坐标系下按照1.0个单位进行simplify，1个经纬度单位的实际距离为110km左右
link = link.to_crs('EPSG:4326')

my_net = Net(link_gdf=link, node_gdf=node)
my_net.init_net()  # net初始化

gps_df = pd.read_csv(r'./data/input/example_gps.csv')

mpm = MapMatch(net=my_net, flag_name='xa_sample', use_sub_net=True, 
               gps_buffer=100, top_k=20, dense_gps=False,
               use_heading_inf=True, omitted_l=6.0,
               del_dwell=True, dwell_l_length=50.0, dwell_n=0,
               export_html=True, export_geo_res=True, use_gps_source=True,
               gps_radius=15.0, export_all_agents=False,
               out_fldr=r'./data/output/match')
# execute函数返回三个结果:
# 第一个是匹配结果表、第二个是警告信息、第三个是错误信息
match_res, may_error_info, error_info = mpm.execute(gps_df=gps_df)
match_res.to_csv(r'./data/output/match_res.csv', encoding='utf_8_sig', index=False)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
link = gpd.read_file(r'./data/input/modifiedConn_link.shp')
node = gpd.read_file(r'./data/input/modifiedConn_node.shp')
my_net = Net(link_gdf=link, node_gdf=node, is_hierarchical=True)
my_net.init_net()  # net初始化

gps_df = pd.read_csv(r'./data/input/example_gps.csv')

mpm = MapMatch(net=my_net, flag_name='xa_sample', use_sub_net=True, 
               gps_buffer=100, top_k=20, dense_gps=False,
               use_heading_inf=True, omitted_l=6.0,
               del_dwell=True, dwell_l_length=50.0, dwell_n=0,
               export_html=True, export_geo_res=True, use_gps_source=True,
               gps_radius=15.0, export_all_agents=False,
               out_fldr=r'./data/output/match')
# execute函数返回三个结果:
# 第一个是匹配结果表、第二个是警告信息、第三个是错误信息
match_res, may_error_info, error_info = mpm.execute(gps_df=gps_df)
match_res.to_csv(r'./data/output/match_res.csv', encoding='utf_8_sig', index=False)

注意事项

对于不同的加速策略，您应该知晓其适用场景以及相关注意事项：

多核并行匹配

  • 对于多核并行匹配：实际上gotrackit使用的是多进程，开启N个核会导致内存占用变为原来的N倍，内存占用过高会有溢出的风险，过高的内存占用也会影响CPU的效率
  • 启用多核匹配后，gotrackit会按照agent_id对车辆进行分组，如果您的agent数较小，启用多核不会有明显的加速效果

启用路径预计算

  • 若启用路径预计算，如果网络较大，则对电脑的内存大小有较高的要求，如果计算过程中内存溢出，请尝试提高初始化Net时的cache_cn、cache_slice，或者降低cut_off
  • 只要路网发生了任何变化，请重新进行路径预计算
  • 计算路径缓存，请确保你的路段线型没有重复点和自相交路段，你可以使用路网优化-清洗线层数据去除自相交路段

启用投影参数预计算

  • 对于路段线型特别精细(即折点非常密集)的路网，该参数启用后效率提升非常明显，但是在路网初始化的时候会多花一些时间(这个代价是一次性的)
  • 其他场景下会有较小的性能提升，也有可能没有提升，用户需要进行测试后，确定是否启用prj_cache

使用空间分层关联

  • 适用于超大规模网络下的长轨迹匹配，可以减少子网络的空间关联时间开销

启用节点限制

节点限制规则用于限定指定GPS点的候选路段，如果你要启用节点限制：

  1. 首先你需要指定MapMatch类参数use_node_restrict=True
  2. 用户需要在输入的GPS定位数据表中增加node_id列，用于限定该GPS点的候选路段集合，如下表GPS数据所示：node_id列有值的行，代表 该定位点 所属的候选路段集 是受到限制的，该定位点的候选路段集合的确定不依赖于gps_buffer和top_k参数，而是依赖于node_id列的值
agent_id lng lat time node_id
22413 113.8580665 22.7740407 2024-01-15 16:00:29
22413 113.8581652 22.7742416 2024-01-15 16:00:59
22413 113.8601596 22.7771383 2024-01-15 16:01:29 5639
22413 113.8637522 22.7793344 2024-01-15 16:02:00
22413 113.8641483 22.7795319 2024-01-15 16:02:29
22413 113.8601526 22.7771383 2024-01-15 16:02:59
22413 113.8637532 22.7793344 2024-01-15 16:03:20 2113
22413 113.8641413 22.7795319 2024-01-15 16:03:39
  • 第3行的定位点：node_id值为5639，即该定位点的候选路段集合为：直接连接在5639节点上的link集合
  • 第7行的定位点：node_id值为2113，即该定位点的候选路段集合为：直接连接在2113节点上的link集合
  • 其他node_id列值为空的定位点，其候选路段集合的确定基于gps_buffer和top_k两个参数

启用st-match

经典的HMM路径匹配只考虑了空间相似度，并没有考虑定位点和潜在候选路径的时间相似度。尽管空间相似度可以解决绝大多数问题，但是部分场景(如相互平行的两条路径)下仅仅靠空间关系可能无法匹配出实际的路径。如下图的场景：

Image title
平行路段不同限速场景
  • 定位点3到定位点4的距离是303米，时间间隔是11s
  • 定位点4到定位点5的距离是313米，时间间隔是13s
  • 绿色道路限速120km/h，红色道路限速70km/h

某车辆自东向西驶过，如果仅仅靠空间相似度进行计算，那么会匹配到红色路段，因为由红色路段和定位点距离更近，且走红色路段的转移概率和走绿色路段的转移概率几乎是一样的，所以无论如何调整参数，都会匹配到红色路段。

那么此时，我们必须引入速度因素来对转移概率进行修正：

  • 定位点3 至 定位点4的平均速度是99km/h，显然已经超过了红色路段70km/h的限速，那么我们会认为从3-4的过程中，车辆从黑色路段转移到绿色路段的概率大于车辆从黑色路段转移到红色路段的概率；
  • 同理，4-5过程平均速度87km/h，车辆大概率是走的也是绿色路段。

我们通过在转移过程中额外考虑一个速度(时间)因素来修正转移概率(原来仅靠空间关系计算)，这样可以帮助我们匹配到正确的路径。

Image title

Image title

若要启用st-match，请指定MapMatch类的参数use_st=True且保证线层数据中有 speed字段，该字段用于表示路段的最高限速：

  • 不要求所有的路段都必须指定限速，因为获取路段的准确限速并不是一件简单的事情；
  • 请保证构成竞争关系的路段(如相互平行的路段)的限速值不为空。

网格参数搜索

gotrackit支持对地图匹配接口中的四个参数执行网格搜索： beta、gps_sigma、omitted_l、use_heading_inf

即gotrackit可以遍历这四个参数可能的组合，直到匹配结果没有警告，如果所有的参数组合都有警告，那么将输出最后一次参数组合的匹配结果，匹配结果还将返回参数组合对应的匹配警告数量

使用网格参数搜索，你只需要构建一个网格参数类，并且指定各参数的取值列表即可

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
import pandas as pd
import geopandas as gpd
from gotrackit.map.Net import Net
from gotrackit.MapMatch import MapMatch
from gotrackit.model.Para import ParaGrid

if __name__ == '__main__':

    gps_df = gpd.read_file(r'./data/input/gps.geojson')

    # 请留意shp文件的编码，可以显示指定encoding，确保字段没有乱码
    link = gpd.read_file(r'./data/input/modifiedConn_link.shp')
    node = gpd.read_file(r'./data/input/modifiedConn_node.shp')
    my_net = Net(link_gdf=link, node_gdf=node, 
                 fmm_cache=True, recalc_cache=False, fmm_cache_fldr=r'./data/input/net/xian')
    my_net.init_net()


    # 3. 新建一个网格参数对象
    # 指定参数的取值范围列表, 可指定四个参数列表
    pgd = ParaGrid(use_heading_inf_list=[False, True], beta_list=[0.1, 1.0], gps_sigma_list=[1.0, 5.0])

    # 4. 匹配
    # 传入网格参数：use_para_grid=True, para_grid=pgd
    mpm = MapMatch(net=my_net, flag_name='dense_example', 
                   use_sub_net=True, 
                   gps_buffer=400, top_k=20,
                   use_heading_inf=True, 
                   is_rolling_average=True, window=2,
                   dense_gps=True, dense_interval=50.0, 
                   export_html=True, use_gps_source=False,  gps_radius=6.0, 
                   export_geo_res=True, 
                   out_fldr=r'./data/output/match_visualization/dense_example',
                   use_para_grid=True, para_grid=pgd)
    res, warn_info, error_info = mpm.execute(gps_df=gps_df)

    res.to_csv(r'./data/output/match_res.csv', encoding='utf_8_sig', index=False)

    # 可以查看不同的参数组合下，匹配过程中的警告数量
    print(pd.DataFrame(pgd.search_res))

使用参数网格进行匹配，系统会自动组合参数，并且输出不同参数组合下的警告数：

Image title
网格参数搜索

匹配结果处理

匹配结果去重

由于一辆车可能在一个link上留下多个定位点，那么在匹配结果中，一段连续的GPS点可能都对应同一个路段：

Image title
局部去重之前

我们可以使用局部去重方法获得以下数据，这样有助于我们进行流量统计分析或者其他路径分析。

Image title
局部去重之后

使用del_dup_links函数可进行匹配结果的局部去重： 

>>> from gotrackit.MatchResAna import MatchResAna
>>> mra = MatchResAna()
>>> match_res_df = mra.del_dup_links(match_res_df, use_time=True, time_format='%Y-%m-%d %H:%M:%S.%f', keep='first')

匹配结果路径增密

由于GPS数据的走向并不会严格和匹配路段的走向一模一样，当我们使用匹配结果的投影点去构造路径动画时，路径动画不能严格贴合路段线型

gotrackit提供了路径增密函数dense_res_based_on_net，依据匹配结果表中的agent_id、seq、sub_seq、link_id、from_node、to_node、prj_lng、prj_lat、time、route_dis字段对匹配结果按照路段进行增密，增密后的数据所生成的轨迹和路段线型的贴合度大大提升，可以提升展示效果

Image title
对匹配结果进行路径增密

使用dense_res_based_on_net函数可进行路径增密： 

>>> from gotrackit.MatchResAna import MatchResAna
>>> mra = MatchResAna()
>>> dense_match_res = mra.dense_res_based_on_net(net=my_net, match_res_df=match_res_df)

排查警告

一般来说，匹配接口返回的warn_info(即execute函数返回的第二个信息)意味着状态转移的失败，大概率说明你的路网存在不连通的位置，如何将这样的信息快速导入QGIS中进行便捷查看、核实，从而对路网进行手动修复呢？

你可以使用gotrackit的generate_check_file函数，这个函数接收warn_info和Net对象后帮你输出一个空间书签文件(xml文件)和警告路段shp文件，你可以使用QGIS对问题路段进行快速的排查

from gotrackit.MatchResAna import generate_check_file
if __name__ == '__main__':

    # 做完匹配后 #
    match_res, warn_info, error_info = mpm.execute(gps_df=gps_df)

    # my_net是net路网对象
    generate_check_file(my_net, warn_info_dict=warn_info,
                        out_fldr=r'./data/output/match_visualization/0614BUG/',
                        file_name='check_net')
Image title
使用QGIS的空间书签

如图所示，在QGIS的左侧浏览窗口 - Spatial Bookmarks - User Bookmarks右键 - 新建空间书签后，选择.xml空间书签文件导入，即可看到书签文件夹，展开书签文件夹后通过点击书签可以快速定位问题路段

调参方法

  • 程序提示-预处理后GPS点不足两个,无法匹配：

    • 可能停留点识别参数不合理，可能你的GPS数据是高频定位数据, 相邻点的间距小于dwell_l_length, 此时恰好你开了停留点识别功能, 所有的GPS数据被当作停留点删除了, 你需要关掉停留点识别的开关, 再打开数据降频, 宏观路网匹配不需要这么高频的GPS定位
    • 可能是gps_buffer设置的太小：大部分GPS数据在gps_buffer内没有关联到任何路网, 那么这部分GPS数据会被删除
    • 可能是源数据问题：可能是此辆车的GPS数据点本身就不足两个

  • 在html可视化结果中看到匹配路径不连续

    • 可能是gps_buffer和top_k的值小了(70%的错误可能是这个原因)
    • 每个GPS点依据指定的gps_buffer建立圆形缓冲区，缓冲区内关联到的路段为该GPS点的初步候选路段，然后依据top_k参数，从初步候选路段中选取离该GPS点最近的top_k个路段作为最终候选路段，
    • 如果GPS本身定位误差较大，且这两个值(gps_buffer和top_k)设定的比较小，可能会导致正确的路段没有被选为最终候选路段, 从而导致匹配路径不连续
    • 如果启用了增密参数，一般来讲，最好要增大gps_buffer和top_k的值
    • 可能是源轨迹点较为稀疏(相邻GPS点间距大于1000m), 但是没有启用轨迹点自动增密
    • 可能是cut_off选小了：cut_off是路径搜索截断值, 默认1200m
    • 可能是路网本身不连通：检查在路径断开的位置, 路网是否联通, 检查联通性要检查线层文件的from_node、to_node字段值
    • 可能是GPS数据的时间列问题：可能是你的GPS数据定位时间精度不够，如前后两个点的定位时间都是2023-11-12 17:30:55，本包在构建GPS对象时，会按照时间列排序，相同的定位时间可能导致两个点的实际前后顺序颠倒，从而影响匹配，所以确保你的GPS数据的定位时间没有相同值
    • 可能是停留点识别参数设置不合理：导致一些正常定位点被识别为停留点，然后被删除了
    • 可能是gps_sigma、beta设定不合理，我们将GPS点到候选路段的距离称为prj_dis，调大gps_sigma可以弱化GPS点定位误差的影响(gps_sigma表征的是对prj_dis的惩罚，gps_sigma值越小，对prj_dis的惩罚力度越大)；beta表征的是对匹配路径不连续的惩罚力度，这个值越大，联通性惩罚力度越小。实际上这两个参数的相对大小表征的就是路径联通性、GPS离候选路段距离远近的博弈，如果你希望将路径匹配到离GPS点距离更近的路段，那么需要调小gps_sigma，如果你更加看重匹配路径的连续性，那么需要调小beta
    • 可能是初始化net时的not_conn_cost值小了：这个表征的是对于路径不连续的惩罚力度, 值越大, 惩罚力度越大, 越不可能转移到不连续的路段上
    • 路径缓存未更新：启用了路径缓存，在路网结构变化后，没有重新计算路径缓存，实际使用的是旧版路网的缓存
    • 可能是没有开启方向限制：没开using_heading_inf, 或者heading_para_array设置不合理，heading_para_array的默认值是np.array([1.0, 1.0, 1.0, 0.9, 0.8, 0.7, 0.6, 0.6, 0.5])
    • 开了方向限制但是没有选择合理的停留点删除参数以及降频参数：开了using_heading_inf, 但是差分航向角的计算在路口受到了停留点的影响导致差分航向角计算失真

  • 关于方向修正系数

对于方向修正系数，在MapMatch参数配置中，没有对该参数进行详细的说明，该数组的含义参照下图：

Image title

Image title

确定合理参数

  • 首先，我们要对GPS数据的质量有一定的认识，通过使用GIS软件将GPS点打在地图上，同时叠加路网，此时可以利用距离测量工具大概得到GPS点到路段的距离，那么你的gps_buffer参数的选取就可以参考这个距离，如果绝大多数GPS点到匹配路段的距离都是x米左右，那么gps_buffer一定要大于x，偏向于保守的估计，我们可以取 x + 100为gps_buffer
  • top_k参数含义为：选取GPS定位点圆形(半径为gps_buffer)范围内最近的top_k个路段作为候选路段，默认20，在gps_buffer很大的情况下，继续增加gps_buffer的值意义不大，因为你的gps_buffer再大，最近的top_k个路段也不会发生改变
  • 对于top_k，特别注意： 对于dir为0的路段，实际会被拆分为两条拓扑相反的路段，如果某GPS的gps_buffer范围内关联到了20条双向路段，top_k至少为40才能将这20条双向路段选为最终候选
  • 最短路搜索截断半径cut_off：这个值的选取也和GPS数据形态有关，默认1200m，如果你的GPS本身就是低频的数据，相邻GPS点的直线距离超过了1200米，那么建议cut_off也要调大一些。尤其是在对GPS数据做了降频的情况下，相邻GPS点的距离变的更大了

关于匹配速度

参数影响

关于匹配速度，影响匹配速度的参数有：

  • MapMatch接口参数：gps_buffer，top_k，use_sub_net，gps点的数量(GPS预处理参数也会影响点数：增密、降频)
  • Net初始化接口：is_hierarchical、cut_off

效率分析

如何看匹配速度

  • 如果启用了子网络(use_sub=True)，匹配的时间就是__generate_st + create_computational_net两个函数所花的时间，控制台会输出，如果没有启用子网络，那就是__generate_st所花的时间

路网初始化

  • 路网初始化可能花费的时间会长一点，但是这个计算是一次性的，初始化完后，它可以提供给之后的每一次匹配去使用，不需要重复初始化，因为传入MapMatch的gps_df里面可以包含多个agent，每个agent匹配都是基于已经初始化好的路网

可视化文件存储

  • 可视化输出的时间如HTML输出、geojson输出，花费的时间可能比匹配过程还要长
  • 控制台输出的export_visualization costs 指的就是可视化文件的计算以及存储的耗时
  • 如果经过一些测试，你得到了较好的参数组合，已经不需要去输出可视化文件来排错，那么你可以关掉可视化的输出

是否启用子路网

  • use_sub=True还是use_sub=False，如何选择？如果是大网络，建议开启为True
  • 大规模路网、长轨迹的情况下开启is_hierarchical=True，可以减少计算子路网的时间

gps_buffer、top_k

  • gps_buffer和top_k直接影响到候选路段的数量，候选路段数量越多，计算越耗时
  • gps_buffer决定的是你的初始搜索范围，top_k决定的是搜索范围内的前top_k个路段会进入最终匹配计算，如果在当前gps_buffer的搜索范围内，初始候选路段数量已经超过了top_k，那么继续增大gps_buffer意义不大

cut_off

  • cut_off是路径搜索截断长度，如果你的GPS点很密，这个值可以降低一些，匹配速度会快一些，如果你的点很稀疏，且没有开启增密，那么这个值就要调大一些，不然有些路径搜索不出来

GPS误差

  • 某种程度来说：GPS数据的定位误差也直接影响速度，因为由于高定位误差，迫使你不得不启用较大的gps_buffer和较大的top_k，因为正确的路段离GPS点太远了，那些离GPS点近的路段都不是正确的匹配路段

Comments