بكارگيري الگوريتم هاي تطبيق نقشه به‌منظور استخراج اطلاعات ترافيكي از خطوط سير حاصل از GPS با نرخ نمونه‌برداري پايين

Using Map Matching Algorithms to Extract Traffic Information from Low Sampling Rate GPS Trajectories

از ميان روش­ هاي مختلف جمع ­آوري اطلاعات ترافيكي،GPS به علت هزينه پايين‌تر، دسترسي و فراواني بيشتر، از محبوبيت خاصي برخوردار است. عامل اصلي اطمينان از پارامترهاي ترافيكي محاسبه‌شدهاز خطوط سيرGPS، اطلاع از مكان صحيح خودرو بر روي قطعات جاده است. اين عمل كليدي توسط الگوريتم ­هاي تطبيق نقشه صورت مي­گيرد.درصد بالايي از خطوط سير­ GPS توليد شده از GPS تلفن همراه،خودروهاي مجهز به GPS،ناوگان حمل­و­نقل عمومي و شبكه­هاي اجتماعي با نرخ نمونه ­برداري پايين دو تا شش دقيقه توليد مي­شوند. بنابراين تعيين يك الگوريتم تطبيق نقشه مناسب براي كاهش خطاي داده­ هاي مذكور ضروري بنظر مي­رسد. در اين مقاله هدف، معرفي، مقايسه و تحليل نتايج تطبيق داده­ هاي خطوط سير GPS با دو الگوريتم ST-matching و IVMM براي داده­ هاي با نرخ پايين و سپس تهيه نقشه سرعت ترافيكي از داده­ هاي تطبيق شده است. از ويژگي­هاي بارز الگوريتم ST-matching در نظرگرفتن همزمان توپولوژي و ويژگي­هاي مكاني ويژگي زماني است. درروش IVMM نه‌تنها از اطلاعات مكاني و زماني بلكه از يك استراتژي رأي­مبنا به‌منظور مدل­كردن وزن تأثيرات متقابل بين نقاطGPS بهره­ گرفته­ مي­ شود. به‌منظور تست و ارزيابي اين دو الگوريتم از داده­هاي ناوگان حمل­ونقل عمومي اتوبوس‌راني شهر تهران با نرخ نمونه­برداري دو دقيقه استفاده‌شده است.الگوريتم ST-matching براي تطبيق هر نقطه نمونه برداري فقط يك نقطه قبل از آن را در نظر مي­گيرد و براي نقطه اول نقطه ماقبل وجود ندارد، بنابراين الگوريتم به نقطه شروع وابستگي زيادي دارد. الگوريتم IVMM با مدل‌سازي تأثيرات متقابل نقاط نمونه­ برداري نتايج مؤثرتر و مستحكم ­تري را ارائه مي­دهد. تابع وزن فاصله نقش مهمي در الگوريتم IVMM ايفا مي­كند. با افزايش مقدار پارامتر بتا در ابن تابع دقت تطبيق نقشه نيز افزايش مي­يابد. دقت به­دست­آمده از روش IVMM 88 % و روش ST-matching 73% است. نتايج حاصل از اين مقاله نشان مي­­دهدالگوريتم IVVM درمقايسه با ST-matching به‌طور قابل‌توجهي بهتر عمل مي­ نمايد.هم چنين در مواجهه با گردش­هاي UشكلIVVM نتايج بهتري را ارائه مي­دهد. ؛ ؛

GPS, among the various methods of traffic data collection has special popularity due to the low cost and wide access. The primary factor for reliability of determined parameters extracted GPS trajectories is the correct calculation of a vehicle location on a road segment, which is realized by a map-matching algorithm. High percent of GPS trajectories is taken from a variety of sources including mobile GPS, GPS equipped vehicles the, fleet public transport, and social networks are in low sampling rate between 2 to 6 minutes. So determining a suitable map matching algorithm to reduce data errors seems necessary. This paper aims to implement ST-matching and IVVM algorithms to match the GPS tracking data and extract traffic parameters and traffic map by matched trajectories. A special characteristics of ST-matching algorithm is to employ simultaneous spatial, temporal and topology analysis. IVMM algorithm not only considers the spatial and temporal information of a GPS trajectory but also devise a voting-based strategy to model the weighted mutual influences between GPS points. To evaluate these algorithms GPS trajectories with 2 minutes sampling rate of public fleet transport related to bus lines are used. ST-matching algorithm use only one point before each sampling point to match it there for the first point has not any before point, there is no the previous point, so the algorithm is highly dependent on the starting point. IVMM algorithm by modeling mutual influences between GPS points provides more effective and strong result. Distance Weight Function plays an important role in IVMM algorithm. By increasing the value of the parameter beta in Distance Weight function increases map matching accuracy. The obtained accuracy of the method of IVMM and the ST-matching is 88% 73% respectively. The results of this study show the IVMM algorithm outperforms the ST-matching method. Also In the face of U-turn IVMM gives better results.