浮動車技術(shù)應(yīng)用研究進(jìn)展

摘 要： 在綜合國內(nèi)外文獻(xiàn)的基礎(chǔ)上，闡述了浮動車技術(shù)進(jìn)展和應(yīng)用現(xiàn)狀。分析了浮動車軌跡的配準(zhǔn)技術(shù)，分析表明綜合考慮道路幾何約束和車輛狀態(tài)行駛規(guī)律的配準(zhǔn)算法具有較高得匹配效果。簡述了基于FCD計算路段平均速度，行程時間的算法，分析各種算法的適用場景和優(yōu)缺點。最后分析總結(jié)了FCD更新和獲取電子地圖的方法，指出這是一種成本較低效率較高的可行的方法。

關(guān)鍵詞： 浮動車技術(shù)； 數(shù)據(jù)挖掘； 交通信息； 路網(wǎng)結(jié)構(gòu)； 地圖匹配

中圖分類號： TN915?34； TP391； U491.4 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2016）11?0156?05

Abstract： On the basis of synthesizing the literatures at home and abroad， the development and application status of floa?ting car technology are elaborated. The trace registering technology of the floating car is analyzed. The analysis result shows that the registering algorithm synthetically considering the road geometric constraint and vehicle driving rules has high marching effect. The algorithm based on FCD （floating car data） to calculate the average speed of road section and travel time is described briefly. The applicable situation and merits of various algorithms are analyzed. The methods of FCD update and electronic map acquisition are analyzed and summarized. The analysis data shows that the proposed method is a feasible method with low cost and low efficiency.

Keywords： floating car technology； data mining； traffic information； road network structure； map matching

隨著定位技術(shù)，通信技術(shù)的發(fā)展，很多單位如出租車公司、物流公司等為了監(jiān)管車輛而安裝定位設(shè)備記錄車輛行駛位置和狀態(tài)。這些車輛就像路網(wǎng)中的移動傳感器，它們的行駛狀態(tài)隨著交通狀況浮動實時反映交通信息。這種安裝了車載定位設(shè)備，在完成任務(wù)的同時定期記錄自身位置和狀態(tài)的車輛稱為浮動車（Floating Car）。浮動車所記錄的行駛過程中的位置，方向和速度等信息稱為浮動車軌跡數(shù)據(jù)（Floating Car Data，F(xiàn)CD）。浮動車技術(shù)（Floating Car Technology）就是基于FCD采用各種數(shù)據(jù)挖掘、圖形識別、智能算法等獲取價值信息的知識發(fā)現(xiàn)過程。目前浮動車技術(shù)已經(jīng)成為一個重要的研究領(lǐng)域，在全世界很多項目中得到了測試和應(yīng)用展示，在很多部門都有其應(yīng)用前景。為了推動浮動車技術(shù)的深入研究、溝通交流和推廣應(yīng)用， 本文分析總結(jié)了浮動車技術(shù)的國內(nèi)外研究及應(yīng)用現(xiàn)狀。

1 浮動車技術(shù)概述

FCD主要包括車輛的位置和瞬時行駛狀態(tài)（速度、方向等）信息。隨著傳感技術(shù)的發(fā)展，通過浮動車可采集到更多數(shù)據(jù)（Extend Floating Car Data，EFCD），例如外界溫度、雨刷狀態(tài)等。

如圖1所示， FCD技術(shù)框架包括：浮動車軌跡數(shù)據(jù)預(yù)處理，軌跡配準(zhǔn)，挖掘算法，應(yīng)用層。浮動車軌跡處理包括FCD數(shù)據(jù)的采集、存放和去噪；軌跡配準(zhǔn)是通過彌補(bǔ)軌跡形狀的損失，還原車輛的實際行駛軌跡，配準(zhǔn)是所有基于FCD挖掘應(yīng)用的基礎(chǔ)，配準(zhǔn)的準(zhǔn)確性和實時性直接影響挖掘有價值信息的準(zhǔn)確性和實時性。挖掘算法層本質(zhì)上就是知識發(fā)現(xiàn)的過程，根據(jù)挖掘應(yīng)用層需要挖掘的價值信息及應(yīng)用場景的不同所采用的挖掘算法也不盡相同。

本文首先分析總結(jié)軌跡配準(zhǔn)算法，然后分別陳述基于FCD的兩種主要應(yīng)用：交通信息和路網(wǎng)信息的挖掘算法。

2 軌跡配準(zhǔn)

由于受到采樣間隔、精度及采樣時車輛速度的影響， FCD往往不能正確反映車輛的實際運(yùn)行路線。軌跡配準(zhǔn)的目的就是彌補(bǔ)軌跡形狀的損失，還原車輛的實際行駛軌跡。通過閱讀文獻(xiàn)發(fā)現(xiàn)配準(zhǔn)方法有地圖匹配算法和多軌跡融合算法，圖2總結(jié)了兩種方法的適用范圍。

地圖匹配算法是將軌跡匹配到相應(yīng)的道路上，用道路的幾何形狀來彌補(bǔ)軌跡形狀損失。多軌跡融合算法是識別并融合來自同一條道路上的軌跡，從而彌補(bǔ)軌跡形狀損失，還原浮動車的真實行駛路徑。地圖匹配算法需要有可用電子地圖，方法簡單，但是算法的準(zhǔn)確性依賴于電子地圖的準(zhǔn)確性。

如果沒有電子地圖，或者由于地圖的更新速度較慢導(dǎo)致部分軌跡不能找到匹配的道路或場所，此時采用多軌跡融合算法，這種算法的正確性不再依賴電子地圖，但是算法比較復(fù)雜，準(zhǔn)確性依賴采樣頻率、采樣精度及樣本數(shù)據(jù)量。多軌跡融合算法實現(xiàn)軌跡配準(zhǔn)有兩種方式，一種是基于軌跡點的聚類算法，另一種是基于軌跡曲線的聚類算法。算法的最終結(jié)果是獲得城市道路的相關(guān)信息，這就等同于通過FCD獲得了路網(wǎng)結(jié)構(gòu)信息。

2.1 地圖匹配算法

地圖匹配算法的目的是識別行駛車輛所處的準(zhǔn)確路段和位置。目前用于地圖匹配的方法可以分為：幾何算法，拓?fù)渌惴ê椭悄芩惴╗1]。

2.1.1 幾何算法

基于幾何特征的匹配算法利用空間路網(wǎng)中l(wèi)ink的幾何形狀，而不考慮link之間的鏈接。

這種算法中最簡單的是點到點匹配[2]，即將定位點匹配到地圖link中距離最近的形點上，距離的計算一般采用歐氏距離。這種方法簡單有效，但實際上需要的是定位點距離那個路段最近，也就是點到線距離最短。

第二種幾何匹配算法是點到線[3]， 即在地圖中找到距離位置點最近的線段上。雖然這種算法優(yōu)于點到點算法，但是這種方法不適合在道路密集的城市區(qū)域。

第三種幾何匹配算法是線到線[4]，該算法要比較道路形狀和車輛軌跡形狀。其首先按照點到點匹配找到所有合適的候選形點，然后分段計算形點形成曲線的曲率，找到曲率最接近道路。

2.1.2 拓?fù)渌惴?/p>

拓?fù)渌惴ㄊ腔趯β肪W(wǎng)拓?fù)涞姆治觯址Q為基于拓?fù)涞木€到線的地圖匹配方法。

Meng等提出了考慮道路的拓?fù)涮卣鳎ㄇ?、連通性、彎道等）和軌跡之間關(guān)系的匹配算法[5]。文獻(xiàn)[6]考慮浮動車軌跡數(shù)據(jù)具有整體運(yùn)動趨勢的特點，結(jié)合路網(wǎng)行車限制約束，提出一種全局地圖匹配算法，綜合考慮軌跡曲線與路網(wǎng)路徑的曲線相似性、實際行車的路段幾何拓?fù)浜徒煌ü苤萍s束下的連通性。李清泉等針對精度差，頻率低的浮動車數(shù)據(jù)，給出了基于空間和拓?fù)浼s束下的最短路徑地圖匹配算法，在數(shù)據(jù)預(yù)處理時根據(jù)幾何約束判斷是否滿足道路拓?fù)渥訄D，不滿足進(jìn)行相應(yīng)的修補(bǔ)，然后檢查是否有可達(dá)路徑，有則匹配成功[7]。

2.1.3 智能算法

智能地圖匹配算法是指利用一些高級技術(shù)如卡爾曼濾波、模糊邏輯和貝葉斯理論等的地圖匹配算法。

Kim等利用Kalman濾波重新估計車輛位置以便使誤差最小化提高定位精度[8]。濾波器的性能取決于電子地圖的質(zhì)量特別是道路曲率的正確性。文獻(xiàn)[9]提出：通過對待配路段之間隸屬度比較與模糊排序，并調(diào)整測度因子參數(shù)，使匹配算法在道路幾何分布復(fù)雜，且較為密集的區(qū)域，仍具有較強(qiáng)的適應(yīng)能力。文獻(xiàn)[10]使用云模型對當(dāng)前信息的不確定性推理，計算定位點相對于候選道路的匹配可信度，基于隱馬爾科夫模型預(yù)測駕駛員出行路徑及目的地，通過對模型中的觀察值函數(shù)重新設(shè)定，將路徑預(yù)測信息與當(dāng)前地圖匹配算法結(jié)合，構(gòu)建組合地圖匹配算法。

文獻(xiàn)[11] 建立了一種基于模糊神經(jīng)網(wǎng)絡(luò)的地圖匹配算法，算法將車輛運(yùn)行方向與路段夾角以及定位點到路段的投影距離作為輸入數(shù)據(jù)，采用梯度下降算法來確定輸出層權(quán)值的大小，有效地提高了匹配的效率。

綜上所述，匹配算法應(yīng)當(dāng)考慮道路約束或者車輛行駛狀態(tài)特征，并合理利用一些智能算法可以增加匹配的效率和準(zhǔn)確性。

3 基于FCD挖掘交通信息

浮動車就像內(nèi)置在交通中移動的分布式傳感器，隨時采集車輛位置和車輛行駛狀態(tài)等信息。作為新型的交通信息檢測技術(shù)，浮動車?yán)枚ㄎ患夹g(shù)獲得車輛的位置信息，通過車身傳感器獲得速度、方向等狀態(tài)信息，使用無線通信技術(shù)把采集的數(shù)據(jù)傳輸?shù)綌?shù)據(jù)中心，經(jīng)過處理、挖掘，然后發(fā)布交通數(shù)據(jù)信息。基于FCD主要是實時獲得路況信息，就估算在一定時間范圍內(nèi)經(jīng)過目標(biāo)路段的車輛平均行程時間和平均速度。

3.1 目標(biāo)路段的平均行駛速度

根據(jù)浮動車的采樣頻率的高低，基于FCD估計路段平均行駛速度可以采用不同的估計算法。當(dāng)采樣頻率較高時可以先計算單一浮動車的平均速度，然后再估計目標(biāo)路段平均速度；當(dāng)采樣頻率較低時，可以將路段上所有的浮動車瞬時速度當(dāng)成地點速度估算目標(biāo)路段上所有浮動車的平均速度。

3.1.1 基于單一浮動車的平均速度

第一種計算單一浮動車的平均速度是利用浮動車瞬時速度，計算瞬時速度的加權(quán)平均值。

第二種算法Cesar A[12]基于浮動車在目標(biāo)路段的行駛路程和行駛時間計算平均速度。算法先用速度?時間積分法得到浮動車的行駛距離

（1）

式中：是浮動車進(jìn)入路段記錄的第一個定位數(shù)據(jù)的時間；浮動車在路段記錄的最后定位數(shù)據(jù)的時間；是記錄的浮動車的瞬時速度。

式（1）獲得單個浮動車在路段上到時間的行程距離則平均速度就很容易得到。假設(shè)浮動車的第一個和最后一個定位點比較接近路段的起始位置，可以使用路段長度來代替距離翁劍成，章威在對傳統(tǒng)的平均速度分析的基礎(chǔ)上，改進(jìn)了算法[13?14]。

路段的平均速度就是路段上所有浮動車的加權(quán)平均速度，權(quán)重系數(shù)的確定方法有多種，例如郝勇剛提出考慮單樣本基礎(chǔ)權(quán)重、處理策略權(quán)重和路況狀態(tài)權(quán)重三種權(quán)重的融合系數(shù)[15]。

3.1.2 基于多浮動車的瞬時速度

利用單一浮動車的平均速度計算路段的平均速度，必須要求采樣頻率較高，能夠在目標(biāo)路段得到至少兩個采樣點。對于低采樣頻率不能使用這種方法來計算平均速度。何兆成針對在觀測時段內(nèi)同一浮動車在目標(biāo)路段沒有連續(xù)定位點，將所有這類浮動車的定位點速度看作地點車速[16]。計算速度非0路段區(qū)間的平均速度根據(jù)長度計算得到非0速度路段的權(quán)值為則目標(biāo)路段的平均速度為算法解決了采樣頻率低的情況，但是要求有較高精度的浮動車速度，必須事先剔除速度異常的采樣樣本。

3.2 目標(biāo)路段的平均行程時間

利用FCD估計路段行程時間主要有間接方法和直接方法兩種。間接方法的實質(zhì)是基于FCD估算路段的平均速度速度，目標(biāo)路段的長度可以從電子地圖中獲得，則行程時間就很容易計算出來。直接方法就是獲取浮動車經(jīng)過路段兩個端點的時刻，設(shè)為到達(dá)目標(biāo)路段終點和起點的時刻，行程時間。

姜桂艷比較了這兩種路段行程時間估計方法[17]，結(jié)果表明隨著采樣間隔的不斷增大，兩種方法的估計誤差均呈總體增加趨勢，當(dāng)采樣間隔不小于7 s時，直接法的估計效果優(yōu)于間接法。

算法的精確度取決于路段兩個端點的定位精度，以及在路段中間行程時間的記錄。Byon Y J提出時間線性內(nèi)插算法估算車輛經(jīng)過路段邊界的時刻，算法假定浮動車經(jīng)過路口時為勻速運(yùn)動[18]，這樣就很容易計算出經(jīng)過路口時的時間。如果在路口浮動車的速度變化較大，這種算法將產(chǎn)生較大誤差。針對這種情況，朱征宇等提出根據(jù)車輛在路口端點臨界區(qū)的速度[19]，判斷車輛運(yùn)動狀態(tài)是勻速，勻加速，還是勻減速三種不同的運(yùn)動狀態(tài)，并據(jù)此分別估算到達(dá)節(jié)點的時間。朱鯉等考慮交叉口的影響，提出以路段瞬時車速為權(quán)值的行程車速計算方法[20]，利用上下游路段定位點處車輛的瞬時速度估算車輛經(jīng)過路口的時間。該算法降低了交叉口信號變化對相鄰路段行程車速的影響，提高了車輛經(jīng)過路口的時間的準(zhǔn)確性。李慧兵等考慮了接近路口路段車輛行駛狀態(tài)的變化，提出基于路段分段估計路段的行程時間，將路段劃分排隊區(qū)域和暢通區(qū)域[21]，對落入不同區(qū)域的FCD采取不同的通過時刻估計方法。

4 基于FCD挖掘路網(wǎng)信息

由于浮動車總是行駛在道路上，它的實際行駛軌跡勾勒出了城市路網(wǎng)的拓?fù)浣Y(jié)構(gòu)，國內(nèi)外越來越多的研究人員開始利用浮動車軌跡獲取路網(wǎng)信息，主要用于更新電子地圖和自動生成路網(wǎng)。

4.1 基于FCD更新電子地圖

道路建設(shè)的高速發(fā)展引起地圖和實際的道路信息不相匹配，是目前車載導(dǎo)航等基于位置的服務(wù)（Location Based Services，LBS）遇到的主要問題。浮動車技術(shù)的發(fā)展和應(yīng)用，使得基于FCD快速發(fā)現(xiàn)新增道路成為可能。從國內(nèi)外研究表明，利用FCD獲得新增道路信息是可行的，并且得到了實驗驗證。這種方法與傳統(tǒng)的更新地圖的方法相比具有成本低，周期短等優(yōu)點。

基于FCD更新路網(wǎng)信息一般分為三個步驟：收集浮動車的GPS數(shù)據(jù)；挖掘出路網(wǎng)信息；更新地圖。更新地圖就是發(fā)現(xiàn)新的路網(wǎng)變化，發(fā)現(xiàn)新增道路是最為關(guān)鍵的。

在文獻(xiàn)[22]中提出將軌跡和道路匹配不成功的位置點作為新增道路疑似點，而文獻(xiàn)[23]則進(jìn)一步提出將這些疑似點通過某一尺度的網(wǎng)格放大從而可連線成為疑似的新增道路。張淑玲等提出FCD與空間網(wǎng)格相結(jié)合的新增道路自動檢測算法[24]，該算法先記錄軌跡道路匹配不成功的浮動車數(shù)據(jù)，然后建立FCD與路網(wǎng)網(wǎng)格對應(yīng)關(guān)系，通過路網(wǎng)網(wǎng)格過濾實現(xiàn)自動檢測新增道路，提高了執(zhí)行的效率。文獻(xiàn)[25]認(rèn)為浮動車的移動軌跡勾勒出了不存在任何背景圖像的交通路網(wǎng)輪廓，因此通過將浮動車軌跡生成圖與路網(wǎng)的生成圖進(jìn)行圖像配準(zhǔn)，就可以更快捷地找到新增道路，并自動包含位置和長度信息。

4.2 基于FCD自動生成路網(wǎng)信息

越來越多的研究人員開始利用浮動車的行駛軌跡獲取路網(wǎng)信息，基于FCD獲得路網(wǎng)結(jié)構(gòu)的方法有兩種：使用智能聚類算法和基于圖像處理。

Roger等提出一種智能聚類算法，從車輛的Trace中獲得精確車道信息[26]。根據(jù)車道的中心線必定和道路的中心線平行這一事實，作者提出通過對軌跡點的采用分等級聚類獲得道路中心線，最終獲得車道中心線和車道數(shù)量等信息。在Roger的基礎(chǔ)上，Wagstaff等提出如何基于FCD完善地圖[27]，包括：基于軌跡點獲得道路連通結(jié)構(gòu)的空間聚類算法，通過聚類算法獲得道路段和交叉口位置；獲得路段的中心線的基礎(chǔ)上，利用“B樣條擬合”獲取道路的幾何形狀；假定車道之間是平行的，設(shè)計等級聚類算法，聚類采樣點距離道路中心線的垂直偏移量，確定車道位置和車道數(shù)量，并得到車到分離合并情況；在交叉路口地段根據(jù)車輛在兩個路段間的行駛方向轉(zhuǎn)換，建立精細(xì)化交叉口模型。Roger和Wagstaff提出的算法都是基于點的聚類算法，并且采樣精度較高。

Bruntrup提出一種智能聚類算法基于車輛Trace來增量學(xué)習(xí)地圖[28]。算法每次集成一個Trace 到地圖數(shù)據(jù)庫中，算法實質(zhì)是不斷的將Trace中合適的node加入到地圖的path中。CAO等考慮了軌跡之間的相互作用和原始GPS點對測試數(shù)據(jù)影響，也設(shè)計了一種Trace聚類的方法，成功的提取道路中心線，檢測交叉口、車道等信息，并通過連通圖的方式自動生成電子地圖[29]。

孔慶杰等基于圖像處理方法獲取道路結(jié)構(gòu)[30]，首先轉(zhuǎn)換GPS點為地圖坐標(biāo)，用點陣圖來表示粗略道路網(wǎng)結(jié)構(gòu)，對離散的軌跡點進(jìn)行膨脹實現(xiàn)道路邊沿光滑處理，得到路網(wǎng)柵格地圖，最后矢量化柵格地圖。

基于圖像處理方法獲得的地圖精度不高，不能滿足智能交通的需求?；谥悄芫垲惖姆椒ū容^精確，但是算法較復(fù)雜，而且路網(wǎng)的精度往往依賴于采樣精度和采樣頻率。

5 結(jié) 語

本文討論了基于浮動車技術(shù)的發(fā)展水平和方向，對近十年來FCD挖掘應(yīng)用和方法兩個方面進(jìn)行了綜述和回顧，繼而得知：

（1） 軌跡配準(zhǔn)是浮動車技術(shù)的關(guān)鍵，配準(zhǔn)的準(zhǔn)確性直接影響挖掘到價值信息的準(zhǔn)確性，要提高配準(zhǔn)的效率應(yīng)該綜合考慮道路的幾何形狀和車輛的運(yùn)行狀態(tài)。

（2） 基于FCD數(shù)據(jù)挖掘應(yīng)用主要是兩個方面，一種是交通信息的挖掘，另一個是城市道路信息的挖掘，在一定程度上挖掘道路信息是挖掘交通信息的基礎(chǔ)。

（3） FCD是典型的時空序列數(shù)據(jù)，具有時空序列數(shù)據(jù)的特征如時空語義、時空相關(guān)性等，這些特性對基于FCD的數(shù)據(jù)挖掘有至關(guān)重要的作用，但是目前鮮有此類研究。

（4） 傳感技術(shù)的發(fā)展可以提供更多的車輛狀態(tài)信息，也可以挖掘出更多的有價值信息，如何有效的融合多傳感器信息進(jìn)行數(shù)據(jù)挖掘有待進(jìn)一步研究和發(fā)展。

參考文獻(xiàn)

[1] QUDDUS M A， OCHIENG W Y， NOLAND R B. Current map?matching algorithms for transport applications： state of the art and future research directions [J]. Transportation research part C： emerging technologies， 2007， 15（5）： 312?328.

[2] BERNSTEIN D， KORNHAUSER A. An introduction to map matching for personal navigation assistants [J]. Geometric distributions， 1996， 122（7）： 1082?1083.

[3] WHITE C E， BERNSTEIN D， KORNHAUSER A L. Some map matching algorithms for personal navigation assistants [J]. Transportation research part C： emerging technologies， 2000， 8（1）： 91?108.

[4] 章威，徐建閩，林綿峰.基于大規(guī)模浮動車數(shù)據(jù)的地圖匹配算法[J].交通運(yùn)輸系統(tǒng)工程與信息，2007（2）：39?45.

[5] YU M. Improved positioning of land vehicle in its using digital map and other accessory information [D]. Hong Kong， China： Hong Kong Polytechnic University， 2006.

[6] CHEN B Y， YUAN H， LI Q， et al. Map?matching algorithm for large?scale low?frequency floating car data [J]. International journal of geographical information science， 2014， 28（1）： 22?38.

[7] 李清泉，胡波，樂陽.一種基于約束的最短路徑低頻浮動車數(shù)據(jù)地圖匹配算法[J].武漢大學(xué)學(xué)報（信息科學(xué)版），2013（7）：805?808.

[8] KIM W， JEE G I， LEE J. Efficient use of digital road map in various positioning for ITS [C]// Proceedings of 2000 IEEE Position Location and Navigation Symposium. San Diego： IEEE， 2000： 170?176.

[9] 楊新勇，黃圣國.基于拓?fù)浣Y(jié)構(gòu)/自適應(yīng)模糊決策的地圖匹配算法[J].上海交通大學(xué)學(xué)報，2004（8）：1389?1393.

[10] 唐進(jìn)君，劉芳.基于路徑預(yù)測的不確定性推理組合地圖匹配算法[J].測繪學(xué)報，2010（5）：546?550.

[11] 蘇海濱，王光政，王繼東.基于模糊神經(jīng)網(wǎng)絡(luò)的地圖匹配算法[J].北京科技大學(xué)學(xué)報，2012（1）：43?47.

[12] QUIROGA C A， BULLOCK D. Travel time studies with glo?bal positioning and geographic information systems： an integrated methodology [J]. Transportation research part C： emer?ging technologies， 1998， 6（1/2）： 101?127.

[13] 翁劍成，榮建，于泉，等.基于浮動車數(shù)據(jù)的行程速度估計算法及優(yōu)化[J].北京工業(yè)大學(xué)學(xué)報，2007（5）：459?464.

[14] 章威，徐建閩，王海峰.基于浮動車技術(shù)的城市路況計算方法[J].交通運(yùn)輸系統(tǒng)工程與信息，2007（1）：43?49.

[15] 郝勇剛，吳廣君，周雙全.一種基于浮動車數(shù)據(jù)的多車車速融合算法[J].交通信息與安全，2012（4）：56?61.

[16] 何兆成，盧瑞琪，聶佩林.基于浮動車定位數(shù)據(jù)的高速公路區(qū)間平均速度估計[J].公路交通科技，2011（6）：128?135.

[17] 姜桂艷，常安德，張瑋.基于GPS浮動車的路段行程時間估計方法比較[J].吉林大學(xué)學(xué)報（工學(xué)版），2009（z2）：182?186.

[18] BYON Y J， SHALABY A， ABDULHAI B. Travel time collection and traffic monitoring via GPS technologies [C]// Procee?dings of 2006 IEEE Intelligent Transportation Systems Confe?rence. Doronto： IEEE， 2006： 677?682.

[19] 朱征宇，崔明，劉琳.基于GPS終端的實時路況信息采集方法研究[J].計算機(jī)工程，2013（7）：21?25.

[20] 朱鯉，楊東援.基于低采樣頻率浮動車的行程車速信息實時采集技術(shù)[J].交通運(yùn)輸系統(tǒng)工程與信息，2008（4）：42?48.

[21] 李慧兵，楊曉光，羅莉華.路段行程時間估計的浮動車數(shù)據(jù)挖掘方法[J].交通運(yùn)輸工程學(xué)報，2014（6）：100?109.

[22] 李秋萍，李必軍.基于浮動車的道路網(wǎng)變化探測方法[C]// 2008第四屆中國智能交通年會論文集.北京：人民交通出版社，2008：79?83.

[23] ZHAO Y， LIU J， CHEN R， et al. A new method of road network updating based on floating car data [C]// Proceedings of 2011 IEEE International Geoscience and Remote Sensing Symposium. Vancouver： IEEE， 2011： 1878?1881.

[24] 張淑玲，官剛宇，鄒復(fù)民，等.浮動車與空間網(wǎng)格結(jié)合的新增道路自動檢測[J].科學(xué)技術(shù)與工程，2012（22）：5496?5501.

[25] 蔣新華，廖律超，鄒復(fù)民.基于浮動車移動軌跡的新增道路自動發(fā)現(xiàn)算法[J].計算機(jī)應(yīng)用，2013（2）：579?582.

[26] ROGERS S， LANGLEY P， WILSON C. Mining GPS data to augment road models [C]// Proceedings of 1999 the Fifth ACM SIGKDD International Conference on Knowledge Disco?very Data Mining. New York： ACM， 1999： 104?113.

[27] WAGSTAFF K， SCHROEDL S. Mining GPS traces for map refinement [J]. Data mining knowledge discovery， 2004， 9（1）： 59?87.

[28] BRUNTRUP R， EDELKAMP S， JABBAR S， et al. Incremental map generation with GPS traces [C]// Proceedings of 2005 IEEE Intelligent Transportation Systems. [S.l.]： IEEE， 2005： 574?579.

[29] CAO L， KRUMM J. From GPS traces to a routable road map [C]// Proceedings of the 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. Seattle： ACM， 2009： 3?12.

[30] 孔慶杰，史文歡，劉允才.基于GPS軌跡的矢量路網(wǎng)地圖自動生成方法[J].中國科學(xué)技術(shù)大學(xué)學(xué)報，2012（8）：623?627.