軌跡分割與圖層融合的車輛軌跡線構建道路地圖方法

楊 偉，艾廷華

武漢大學資源與環(huán)境科學學院，湖北 武漢 430079

道路地圖數(shù)據(jù)作為國家基礎地理信息的重要組成部分，為智慧城市、LBS位置服務、應急響應等領域提供數(shù)據(jù)支撐。傳統(tǒng)地圖數(shù)據(jù)獲取方式包括專業(yè)測量、遙感影像等，但傳統(tǒng)方法成本高、更新周期長，且無法感知道路網(wǎng)絡中的交通規(guī)則、交通流語義信息[1]，制約其實際應用需求[2]。隨著志愿者地理信息的出現(xiàn)，車輛時空軌跡作為其典型代表，蘊含了豐富的道路幾何、語義信息，已成為道路數(shù)據(jù)獲取的重要途徑[3]。眾源軌跡數(shù)據(jù)的泛在、海量、低成本特征，相比常規(guī)方法更適于道路數(shù)據(jù)采集與更新[1-4]。

當前，運用車輛軌跡提取道路數(shù)據(jù)、構建道路地圖取得了豐碩成果[5]，依據(jù)模型方法的不同可分為5類，包括聚類方法[6-7]、柵格化方法[8-9]、增量融合方法[10-11]、節(jié)點連接方法[12-13]、計算幾何與圖論方法[14-16]。軌跡聚類方法包括軌跡點、線聚類，如文獻[6]運用DBSCAN算法對軌跡點聚類構建道路網(wǎng)絡；文獻[7]提出TraceBundle算法聚類軌跡線提取道路線。聚類方法多適于低噪音、高精度軌跡，難以處理稀疏采樣、高噪音的眾源軌跡線。柵格化方法[8-9]將軌跡點(線)轉換為二值圖像，運用圖像形態(tài)學方法提取道路中心線，生成路網(wǎng)地圖。柵格化方法將所有軌跡點(線)同等對待，使用全局密度參數(shù)閾值，無法顧及軌跡在路網(wǎng)空間中的密度、運動特征、噪音的分布差異性，使得提取結果精度、完整度不高[8,16]。增量融合方法首先初始化空白地圖，然后基于地圖匹配思想逐次將軌跡線融合構建道路地圖，如文獻[10]根據(jù)軌跡線的空間鄰近與方向關系融合提取不同行車方向上的道路線數(shù)據(jù)；文獻[11]提出了符合空間認知規(guī)律的軌跡線增量融合生成路網(wǎng)方法。但軌跡數(shù)據(jù)中的高噪音、GPS漂移等問題對結果精度影響大。節(jié)點連接方法將道路網(wǎng)絡建模為二維歐氏空間中的圖結構，首先探測道路交叉點，然后運用聚類等方法提取道路邊，根據(jù)節(jié)點與邊的鄰接關系構建完整地圖[12-13]。從稀疏采樣的軌跡中識別道路交叉點算法復雜，且沒有顧及軌跡數(shù)據(jù)的空間差異性。計算幾何與圖論方法運用Delaunay三角網(wǎng)[3,14]、Voronoi圖[15]、Morse復型理論[16]等從車輛軌跡點(線)集中提取道路幾何數(shù)據(jù)。但該類方法沒有將運動特征與幾何模型結合，導致算法對于軌跡密度差異、噪音適應性不強，無法提取不同行車方向道路線，且數(shù)據(jù)精度有待提高。

綜上，運用眾源車輛軌跡(采樣間隔10～120 s)線構建道路地圖仍存在以下問題：①傳統(tǒng)方法將所有軌跡點、線作為輸入同等對待，沒有顧及軌跡數(shù)據(jù)在路網(wǎng)空間中的差異性，使得道路提取結果精度不高；②已有方法較少融合提取道路幾何、語義信息(車行方向、交通流量)構建道路地圖，減少了數(shù)據(jù)內(nèi)容并制約數(shù)據(jù)應用。為此，本文在顧及軌跡線集特征差異的前提下，提出了軌跡分割與圖層融合的道路地圖構建方法。

1 眾源軌跡線構建道路地圖過程認知分析

(1) 眾源軌跡線綜合過程。運用模型算法對軌跡點(線)集去粗取精，提取道路幾何拓撲結構、簡化軌跡大數(shù)據(jù)量，其本質是軌跡綜合過程。其與常規(guī)地圖綜合區(qū)別為：①眾源軌跡的高噪音、GPS定位誤差，需用海量軌跡線集以保證道路數(shù)據(jù)的提取精度，而不是對單根曲線化簡；②道路地圖構建不僅提取路網(wǎng)拓撲結構，也提取車行方向、交通流量等語義時態(tài)信息。故將車行方向、交通流量等語義信息與道路幾何數(shù)據(jù)融合提取是本研究的目標。

(2) 道路數(shù)據(jù)分層提取過程。道路網(wǎng)等級結構明顯，不同等級道路上的車行速度、車行頻率、交通流量、軌跡密度差異性顯著[17]。道路網(wǎng)地理環(huán)境差異大，不同等級道路地表環(huán)境不同，使得軌跡丟失、軌跡噪音與誤差的嚴重性不同[18-19]。道路提取應顧及軌跡特征、噪音誤差、軌跡密度的差異性，提取過程需具有區(qū)分性和層次性。根據(jù)軌跡線集特征差異(如速度)選取不同參數(shù)條件并分層提取道路數(shù)據(jù)、構建道路圖層是該研究的一個重難點。

(3) 道路圖層集成融合過程。將分層提取的多個圖層融合為單個完整的道路地圖，其本質是空間數(shù)據(jù)集成融合問題。其與常規(guī)數(shù)據(jù)融合區(qū)別為：①融合流程上具有順序性和層次性，逐次將低精度圖層融合到高精度圖層中；②融合方式上包括地圖增強和地圖整合兩類[16,19]，且以地圖增強為主；③融合方法及內(nèi)容上不僅考慮道路線幾何拓撲特征，還需顧及交通語義信息(方向、交通流量)以提高融合結果精度。顧及道路幾何、交通語義特征的多道路圖層集成融合是本文的另一個難點。

因此，本文重點關注車輛軌跡特征差異，將軌跡方向與Delaunay三角網(wǎng)集成分層提取道路數(shù)據(jù)，運用地圖融合算法整合多道路圖層，建立基于軌跡分割-圖層融合(trajectory segmentation- layer fusion,SF)的眾源軌跡線構建道路地圖方法。

2 軌跡分割與圖層融合的眾源軌跡線構建道路地圖方法

分割-融合(SF)方法包括3個關鍵步驟：①根據(jù)車行速度將軌跡線集分割濾選為符合道路等級的3個軌跡線子集；②將軌跡方向與Delaunay三角網(wǎng)融合并根據(jù)軌跡線集特征差異選取不同參數(shù)閾值、約束條件提取道路線、交通語義數(shù)據(jù)，構建3個道路圖層；③運用地圖融合算法將多道路圖層數(shù)據(jù)整合為單個完整道路地圖。

2.1 基于速度序列的軌跡線分割濾選

算法思想：根據(jù)道路設計規(guī)范[19]與軌跡特征[20]，將每條軌跡線按照軌跡速度分割為高速(大于50 km/h)、中速(20～50 km/h)、慢速(小于20 km/h)3個等級，分別對應主干路、次干路和城市支路，并根據(jù)速度、時長閾值對分割后的子軌跡進行濾選。算法步驟為：

(1) 軌跡段速度序列化。輸入1條軌跡線，計算每個軌跡段平均速度TSAv，根據(jù)速度分為3個狀態(tài)，分別用H(高速)、M(中速)、L(慢速)表示，如圖1(b)?？紤]到軌跡噪音、紅綠燈短時停留情形的影響，對軌跡段TSi采用滑動窗口方法查找TSi時間上前后相鄰的k個軌跡段，計算2k+1個軌跡段的平均速度作為TSi的平均速度(本文取k=3)。

(2) 軌跡段合并分割軌跡線。順序查找同態(tài)軌跡段，合并為子軌跡，如圖1(c)。

(3) 子軌跡濾選。設置速度閾值Vmin(Vmin=1.5 m/s)和停留時長Tmin(Tmin=3 min)識別停留子軌跡[21]。時間長度大于Tmin的子軌跡線中的所有軌跡段速度都低于Vmin，則該子軌跡為停留軌跡。停留軌跡噪音高、誤差大，影響道路提取精度，故過濾刪除，如圖1(d)。

(4)按照算法步驟對所有軌跡線分割濾選，輸出3類軌跡線子集，則算法停止。

圖1 基于速度序列的軌跡線分割濾選方法Fig.1 Trajectory line segmentation and filtering method based on velocity sequence

2.2 約束Delaunay三角網(wǎng)支持下的道路數(shù)據(jù)分層提取方法

Delaunay三角網(wǎng)作為構建數(shù)據(jù)集拓撲關系的有效方法，廣泛應用于軌跡數(shù)據(jù)處理[3-4,14]、地圖綜合[22]、數(shù)據(jù)挖掘[23]等領域。本文引入約束Delaunay三角網(wǎng)模型并集成軌跡運動特征探測軌跡點(線)集特征差異，將交通語義信息和道路線幾何數(shù)據(jù)分層提取。

2.2.1 軌跡線插值加密預處理

直接對軌跡線集構建約束Delaunay三角網(wǎng)，會破壞三角網(wǎng)最鄰近特性[14]，故根據(jù)軌跡轉向角自適應插值加密軌跡線解決該問題。計算每個軌跡段中兩軌跡點的轉角θ[24],如果兩軌跡點的轉角θ都為(45°,90°]，該軌跡段位于道路轉彎處，則該軌跡段不加密；反之該軌跡段加密多、加密步長小。自適應加密減少了稀疏采樣的眾源軌跡在道路轉彎處的加密錯誤。

2.2.2 基于約束條件的Delaunay三角形分類

(1) 三角形邊長約束。由于車輛軌跡沿路網(wǎng)聚集分布(圖2(a))，加密軌跡線集構建的約束Delaunay三角網(wǎng)中(圖2(b)所示)，道路內(nèi)部區(qū)域三角形邊長度小，非道路區(qū)域邊長度大[14]。設定邊長閾值，即可區(qū)分道路與非道路區(qū)域，邊長約束閾值計算如下[14,23]

LenValue=LenMean(DT)+α×LenVariation(DT)

(1)

式中，LenMean(DT)表示三角網(wǎng)DT的平均邊長；LenVariation(DT)為三角網(wǎng)邊長變異；α為調節(jié)系數(shù)，α值越大約束越寬松，反之越嚴格。如果三角形中任意邊長度大于LenValue，則該三角形為非道路區(qū)域的無效三角形(如圖2(b)中紅色三角形)，將其刪除。邊長約束提取的道路線仍存在兩個問題，一是無法將同一道路上不同行車方向的道路線區(qū)分開(如圖2(b)所示)；二是沒有考慮軌跡運動特征、交通規(guī)則，這對復雜道路結構的提取精度不高。軌跡方向既表征車輛運動特征，也體現(xiàn)交通規(guī)則，有助于復雜道路結構、不同車行方向的道路數(shù)據(jù)提取，故在Delaunay三角網(wǎng)中加入軌跡方向約束提取道路線。

(2) 軌跡方向約束。對于任意軌跡點Pi，其軌跡方向(車輛運動方向)為向量PiPi+1，i表示時間先后順序[10,24]。則軌跡點Pi與其一介鄰接點集的軌跡方向關系計算如下

(2)

式中，f(dirp,dirq)表示軌跡點p、q軌跡方向夾角的余弦值。當00，為同一行車方向，則邊p1p3鄰接的兩個三角形為有效三角形。則當f(θ)<0時，兩軌跡點的車行方向相反，一是不同道路之間的軌跡方向相反[10]，二是同一道路上的軌跡線方向相反(如圖2(a)、2(c))。本文研究目標是提取不同車行方向的道路線，故當f(θ)<0，軌跡點p、q組成的三角形邊鄰接的兩個三角形為無效三角形。如圖2(c)中軌跡點p1、p6的f(θ)<0，為不同行車方向，則邊p1p6鄰接的兩個三角形為無效三角形。如圖2(c)所示，將軌跡方向與三角網(wǎng)融合便于探測、提取不同車行方向的道路線。

圖2 融合幾何、語義特征的Delaunay三角形分類Fig.2 Delaunay triangles classification based on fusion of geometric and semantic features

2.2.3 不同約束條件下的道路線、交通語義信息提取

根據(jù)約束條件將Delaunay三角形分為有效、無效兩類，刪除無效三角形，合并有效三角形，提取道路面域多邊形并骨架化提取道路中心線[14]，根據(jù)三角形鄰接關系與軌跡方向統(tǒng)計每條道路中心線所經(jīng)過的軌跡線數(shù)量(交通流量)。顧及3個不同軌跡線集的軌跡密度、數(shù)據(jù)量、噪音差異性，在道路數(shù)據(jù)提取過程中選擇不同參數(shù)值和約束條件，構建高速(主干道)、中速(次干道)、慢速(支路)3個圖層。高速軌跡線集行車規(guī)范、噪音低，不同行車方向軌跡線區(qū)分明顯，故對該類軌跡線集加入邊長和方向約束。如圖3(a)中B圖加入邊長(α取值小，約束嚴格)和方向約束，并根據(jù)軌跡車行方向對道路交叉口節(jié)點進行后處理(圖3(a)中C、D)。復雜道路交叉口多位于高等級道路處且軌跡線密集，加入邊長和方向約束，能更好識別匝道、環(huán)形轉盤。對比圖3(b)中B、C，圖C加入2個約束條件相比圖B的提取結果更精確。低速軌跡線集對應城市支路，軌跡數(shù)據(jù)量少且駕駛行為不規(guī)范，如果加入方向約束，則出現(xiàn)較多無效三角形，導致道路提取不完整，故只加入邊長約束。如圖3(c)中B圖只加入邊長約束(α取值大)，提取道路單線并記錄車行方向屬性(單向或雙向)。中速軌跡線集是否加入方向約束需根據(jù)軌跡數(shù)據(jù)量來決策，由于軌跡數(shù)據(jù)量與時間跨度、車行頻率、交通流量密切關聯(lián)，使其難以定量建模，故本文只加入邊長約束并通過調節(jié)邊長閾值來提取道路數(shù)據(jù)。如圖3(a)中D所示，將提取的道路幾何數(shù)據(jù)與交通語義信息可視化，可分析不同行車方向的交通流量差異及時態(tài)變化，有助于交通管理、城市規(guī)劃決策。

2.3 多道路圖層集成融合方法

算法思想：道路圖層用G表示[17,20]，逐次將中、低速圖層Gj融合到高速圖層Gi中，對Gj中的道路弧段建立緩沖區(qū)，從Gi中搜索候選融合道路弧段集，根據(jù)候選道路幾何拓撲、語義特征采取不同融合策略，整合為單個完整道路地圖。算法步驟為：

(1) 對低速圖層Gj中道路弧段Ri建立w寬度的緩沖區(qū)，從高速圖層Gi中搜索落入緩沖區(qū)長度大于2w的道路弧段作為匹配候選集(如圖4(a))。w取值根據(jù)道路等級與GPS定位誤差設定[25]，本文取值15～25 m；設置道路弧段最大流量[20]flowmax，本文取值25 000。

(2) 當候選集中沒有道路弧段，則直接將Ri增量融合到Gi中，稱為地圖增強(如圖4(b))。緩沖區(qū)內(nèi)沒有其他道路弧段節(jié)點，則新增節(jié)點并分割原道路弧段，如圖4(b)中V1。緩沖區(qū)去內(nèi)有其他道路節(jié)點，找最近節(jié)點作為同名節(jié)點合并，如圖4(b)中V2；同時需考慮節(jié)點合并后相鄰兩道路弧段的車行方向一致性，如圖4(b)中V3、V4。

(3) 當候選集中有道路弧段，根據(jù)道路線幾何特征、交通語義來決定是否融合及如何融合生成新道路線，稱為地圖整合。當候選集中有多條弧段，則將Ri與候選道路弧段集計算Hausddorff距離作相似性度量，選取相似度最高的道路弧段a作為整合對象。判斷Ri與a的車行方向和融合后的交通流量值flowmerge，如方向相同且flowmerge≤flowmax，則融合(如圖4(c)中a與R6)；反之為不同方向上的道路線，則按算法第2步增量融合到Gi中。

(4) 整合方法：以待融合的兩條道路弧段為約束線，構建約束Delaunay三角網(wǎng)，將三角形分Ⅰ(只有1個鄰接三角形)、Ⅱ類三角形(有2個鄰接三角形)，如圖4(c)中②③。根據(jù)三角形類型與交通流量權重融合生成新的道路線，并寫入圖層Gi中(圖4(c)中④)。對于Ⅰ類三角形，新道路線為鄰接邊的權重分割點與其對應三角形端點的連線；對于Ⅱ類三角形，新道路線為兩鄰接邊的權重分割點的連線(如圖4(c))。權重分割點P由鄰接邊中A、B兩點坐標并集成交通流量權重(A、B點的權重分別為n、m)計算得到

(3)

(5) 按照步驟，將所有圖層的道路弧段融合處理完畢，輸出新圖層，則算法停止。

圖3 不同軌跡線集的道路數(shù)據(jù)提取策略Fig.3 Road data extraction strategy with different trajectory sets

圖4 道路地圖圖層集成融合方法Fig.4 The method of road map layer fusion

3 試驗與分析

試驗數(shù)據(jù)為北京市12 000輛出租車1天的GPS軌跡，包括車輛ID、時間、經(jīng)緯度、方向等信息，采樣間隔為10～120 s不等。選取北京市朝陽區(qū)部分區(qū)域作為研究范圍，在P4/16G/2G/Win8.1環(huán)境下，基于ArcGIS 10.2平臺、Python編程語言進行算法試驗。

3.1 試驗結果分析

3.1.1 軌跡線分割濾選軌跡線子集

對原始軌跡數(shù)據(jù)進行常規(guī)(時間錯誤、越界等)清洗[18]，生成軌跡線并速度序列化。按照2.1節(jié)中算法分割軌跡線集，根據(jù)速度閾值(Vmin=1.5 m/s)、停留時長閾值(Tmin=3 min)過濾停留子軌跡，最后得到高、中、低速3個不同速度等級的軌跡線子集，且軌跡線子集整體上符合主干道、次干道、支路的道路等級結構(如圖5所示)。對比圖5(a)、5(b)中A處，分割濾選算法能將空間鄰近道路上的軌跡線集區(qū)分開，便于準確識別平行道路、主輔路等道路結構。但車輛運動的復雜性，使得高速軌跡線集中有少量次干道、支路上的軌跡線(如圖5(a))，低速軌跡線集中也有少量的主干道、高速路上的軌跡線(如圖5(c))。眾源軌跡的大數(shù)據(jù)特性可以忽略錯誤濾選的小數(shù)據(jù)量軌跡線對道路提取的影響[20]。圖5中3個軌跡線集的數(shù)據(jù)量、軌跡噪音差異性顯著，如圖5(c)中B處的軌跡噪音明顯高于圖5(a)(b)中的同區(qū)域。這種差異性需要對軌跡線子集選取不同參數(shù)值和約束條件來分層提取道路數(shù)據(jù)。

3.1.2 軌跡線子集分層構建道路圖層

將分割濾選得到的軌跡線子集插值加密并構建約束Delaunay三角網(wǎng)，如圖6所示。按照2.2節(jié)中方法，對不同軌跡線集選擇不同參數(shù)值和約束條件分類Delaunay三角形并提取道路數(shù)據(jù)(圖6)。對高速軌跡線集加入邊長和方向約束條件，并取嚴格的調節(jié)參數(shù)閾值(α=0.85)。如圖6(a)中A處，將方向、邊長約束條件與Delaunay三角網(wǎng)融合識別同一道路上不同方向的軌跡線集。對中速、低速軌跡集只加入邊長約束提取道路單線，中速軌跡線集相比低速軌跡線集數(shù)據(jù)量大，故中速軌跡線集取嚴格約束值為α=1.1、低速取寬松約束值為α=2.1。如圖6(a)(b)(c)所示，分類得到的有效Delaunay三角形集能較好地識別車行道路網(wǎng)絡。合并有效Delaunay三角形集后，按照2.2節(jié)中所述方法[14]，將道路幾何數(shù)據(jù)與交通語義信息融合提取，分別構建高、中、低速3個道路圖層。如圖6(d)(e)(f)所示，構建的道路數(shù)據(jù)中包含了道路幾何數(shù)據(jù)和車行方向、交通流量等語義信息。

圖5 軌跡線分割濾選Fig.5 Trajectory lines segmentation and filtering

3.1.3 多道路圖層數(shù)據(jù)集成融合

將3.1.2節(jié)中提取的3個道路圖層融合為單個完整道路地圖，即依次將中速、慢速圖層融合到高速圖層中，融合流程及結果如圖7(a)所示。對低速圖層的任意一條道路弧段建立緩沖區(qū)(緩沖區(qū)中速為25 m，低速15 m)，搜索融合道路弧段集(如圖7(a)中①)，并考慮道路弧段幾何、交通語義特征進行融合。融合方法包括地圖增強和地圖整合，如圖7(b)所示。對于路網(wǎng)結構簡單的區(qū)域，該算法融合得到的道路數(shù)據(jù)精度與完整度高、拓撲正確(如圖7(a)中②)。對于復雜道路結構，如復雜道路交叉口，則會出現(xiàn)節(jié)點融合錯誤、道路邊1∶n及n∶n匹配融合錯誤。如圖7(b)中④中A處，道路弧段r1應該與v1節(jié)點合并，但融合算法采用空間距離最近準則，導致其與v2節(jié)點錯誤合并。圖中B處由于出現(xiàn)1∶n的匹配情形，導致融合后出現(xiàn)多余的道路邊。故對以上兩種錯誤需人工檢查并編輯改正。

3.2 試驗結果評價

以標準道路矢量數(shù)據(jù)為參考，將本文方法結果與DT(Delaunay Triangulation)方法[14]、KDE方法[8]的試驗結果進行精度對比分析。采用文獻[5]中提出的緩沖區(qū)方法，對參考道路矢量數(shù)據(jù)分別建立5 m、10 m、15 m、20 m、25 m、30 m、50 m寬度的緩沖區(qū)，統(tǒng)計落入緩沖區(qū)內(nèi)的道路線長度[5,11,25]并計算查準率(precision)、查全率(recall)和F值(F-measure)。統(tǒng)計結果如圖8所示，從整體上看，SF方法試驗結果的準確率、完整率高于DT方法、KDE方法。SF方法提取的道路線數(shù)據(jù)在5 m緩沖區(qū)的精度相比DT方法、KDE方法有約13%、19%的提高，完整度有約16%、21%的提高。其原因在于DT、KDE方法都選取唯一全局參數(shù)提取道路線，導致軌跡數(shù)據(jù)量少的城市支路難以提取，軌跡數(shù)據(jù)量大的道路交叉口的結果精度誤差大，降低了精度和完整度。SF方法顧及軌跡線集特征差異提取道路數(shù)據(jù)，提高了結果準確度和完整度。在拓撲正確性方面，KDE方法出現(xiàn)道路線拓撲斷開、Z字形不平滑等問題，而SF方法和DT方法則減少該類錯誤[14]。

對比分析以上3種方法(圖9所示)，SF方法相比DT、KDE方法的優(yōu)勢體現(xiàn)在：

(1) 結果的精度與完整度。DT和KDE方法使用唯一全局參數(shù)閾值提取道路線，導致軌跡線高密度區(qū)域的不同道路混成一團，無法區(qū)分；低密度區(qū)域的道路無法完整提取。如圖9(b)中A、C處道路交叉口軌跡線密集，交叉口的匝道、轉盤無法準確識別，其結果完整度和精度明顯低于圖9(a)同區(qū)域。將圖9(b)中B處、圖9(c)中A處(城市支路)與圖9(a)中同區(qū)域試驗結果對比，SF方法試驗結果的完整度高于其他方法。根據(jù)軌跡線集特征差異選取參數(shù)值和約束條件，避免了DT、KDE方法使用全局參數(shù)的缺陷，提高了準確度和完整度。

圖6 道路幾何、交通語義數(shù)據(jù)分層提取Fig.6 Hierarchical extraction of road geometry and traffic semantic data

圖7 多道路圖層數(shù)據(jù)集成融合Fig.7 Multiple road map layer fusion

(2) 復雜道路結構下的軌跡線處理。復雜道路結構(T形、Y形、環(huán)形、平行道路)多位于主干道且不同等級道路在空間上鄰近，這些區(qū)域軌跡線密集且不同道路上的軌跡線集在道路邊界處重疊。SF方法運用Delaunay三角網(wǎng)探測軌跡線幾何特征差異并融合軌跡方向來識別、提取不同車行方向的道路線數(shù)據(jù)。如圖9(c)中的B處，由于主干道及其輔路在空間上鄰近且軌跡線密集，KDE方法將兩條道路錯誤的識別為一條道路。將圖9(b)、9(c)與圖9(a)對比，DT、KDE方法對復雜道路結構下的軌跡線處理適應性不強，降低了結果的準確度。

(3) 數(shù)據(jù)內(nèi)容的豐富性。SF方法將道路幾何數(shù)據(jù)、車行方向、交通流信息融合提取(圖9(a)所示)，增加了數(shù)據(jù)的應用性，如分析高速路上不同車行方向的交通流變化、交通擁堵、潮汐路段等。

圖8 本文SF方法與DT方法、KDE方法的試驗結果精度對比Fig.8 Evaluation of accuracy of experimental results of SF method,DT method and KDE method

圖9 不同方法的試驗結果對比評價Fig.9 Comparative evaluation of experimental results of different methods

4 結論與展望

針對車輛軌跡點(線)構建道路地圖問題，本文提出了軌跡分割-圖層融合的眾源車輛軌跡線構建道路地圖方法。該方法基于軌跡速度分割濾選符合道路等級結構的軌跡線子集，根據(jù)軌跡線子集的特征差異加入邊長、方向等約束條件，運用Delaunay三角網(wǎng)分層提取道路幾何、語義信息，并通過地圖融合算法將不同速度等級的道路圖層整合為單個完整、精細的道路地圖。運用北京市出租車軌跡數(shù)據(jù)進行試驗，結果表明：該方法顧及軌跡數(shù)據(jù)的空間差異性，能將道路幾何數(shù)據(jù)、交通語義信息融合提取，提高了道路數(shù)據(jù)精度及應用范圍。

本文仍有較多內(nèi)容需完善：①多圖層道路數(shù)據(jù)集成過程中的道路節(jié)點處理、道路邊融合需要更深入研究;②運用多源時空軌跡提取更精細、完整的道路幾何數(shù)據(jù)與交通語義信息(如轉彎規(guī)則、轉彎時間等)將是后續(xù)深入研究的切入點。