1.一种结合深度网络的动态k最近邻地图匹配方法,其特征在于,包括以下步骤:步骤一、采集GPS数据,对GPS数据采集过程中出现的噪声进行数据清洗;
步骤二、数据准备;
2.1、对清洗后的GPS数据进行地图匹配;
2.2、求取GPS数据中原始点与匹配点之间的距离、方向差,作为距离误差和方向误差;
步骤三、训练多层感知机模型进行动态k值获取;
3.1、将清洗之后GPS数据中的经度、纬度进行归一化处理;
3.2、通过选取参数搭建多层感知机模型;
3.3、将归一化后的经度、纬度数据作为多层感知机模型的输入,将距离误差与不同k值条件下的最近邻域算法得到的误差进行比较,得到误差最小的k值,作为每个GPS点的标签,将误差最小的k值作为多层感知机模型的输出;
3.4、通过训练数据将多层感知机模型训练稳定后,为每一个测试数据预测一个相应的k值,进而形成动态k值校正方法;
步骤四、测试数据根据多层感知机模型训练得到的相应k值与欧几里得距离进行结合,使用k最近邻域算法获得测试点的距离误差和方向误差;
步骤五、根据测试数据的经度、纬度以及预测距离误差和预测方向误差得出测试数据的投影点,该点即为通过结合深度网络的动态k最近邻方法进行校正之后的结果。
2.根据权利要求1所述结合深度网络的动态k最近邻地图匹配方法,其特征在于:在数据清洗时剔除的是超出范围、车辆在某段时间内GPS坐标无变化、格式错误和异常数据。
3.根据权利要求1所述结合深度网络的动态k最近邻地图匹配方法,其特征在于,所述的步骤2.2中距离误差和方向误差的计算公式如下:在上式中,(lon1,lat1),(lon2,lat2)分别为原始点和匹配点,dlon,dlat分别为将经度、纬度进行弧度制转换后的差值,distance为距离误差;
angle=原始点与匹配点之间的连线与正北方向的夹角式中的angle为方向误差。
4.根据权利要求1所述结合深度网络的动态k最近邻地图匹配方法,其特征在于,所述的步骤3.1中归一化处理的计算公式如下:式中,MaxValue、MinValue为序列的最大值和最小值。
5.根据权利要求1所述结合深度网络的动态k最近邻地图匹配方法,其特征在于,所述的步骤3.2中搭建多层感知机模型时设定参数内容如下:MLP层数为3,包括一个输入层、一个隐藏层、一个输出层;
输入单元数为2,包括经度与纬度;
隐藏层单元数为100;
在隐藏层和输出层之间的激活函数为
式中,vi为第i个隐藏单元的输出,c为隐层单元个数;
优化器为AdamOptimizer,学习率为0.0001;
20%作为测试数据,80%作为训练数据;
损失函数为均方误差;
训练方法为前向传播获得预测值与标签值的误差,反向传播更新网络参数。
6.根据权利要求1所述结合深度网络的动态k最近邻地图匹配方法,其特征在于:所述的步骤3.4中标签类别的取值范围为1‑10,将k值分为10类进行预测。
7.根据权利要求1所述结合深度网络的动态k最近邻地图匹配方法,其特征在于,所述的步骤四中测试点的距离误差和方向误差的计算式如下:angle_err=angle_north
if|head_angle′‑head_angle|<45°or|head_angle′‑head_angle‑360°|<45°式中,distancei为距离误差,dis_err为每个测试点的预测距离误差,angle_err表示方向误差,angle_north为满足航向角约束条件相似点校正前后点与正北方向的夹角的预测方向误差,head_angle表示某个邻近GPS点未匹配时的航向角,head_angle′表示某个邻近GPS点匹配后的航向角。