[论文解读] A Survey on Map-Matching Algorithms

Pingfu Chao, Yehong Xu+2 more|arXiv (Cornell University)|Oct 29, 2019

Data Management and Algorithms参考文献 19被引用 6

一句话总结

本文基于相似性、状态转移、候选路径演化和评分模型，提出了一种新型地图匹配算法技术分类，并在真实世界数据集上评估了其性能。研究识别出关键挑战——不必要的绕行、匹配断裂和不确定性，表明高采样率和高密度地图会降低准确性，而轨迹压缩在保持路径保真度方面优于简单降采样。

ABSTRACT

The map-matching is an essential preprocessing step for most of the trajectory-based applications. Although it has been an active topic for more than two decades and, driven by the emerging applications, is still under development. There is a lack of categorisation of existing solutions recently and analysis for future research directions. In this paper, we review the current status of the map-matching problem and survey the existing algorithms. We propose a new categorisation of the solutions according to their map-matching models and working scenarios. In addition, we experimentally compare three representative methods from different categories to reveal how matching model affects the performance. Besides, the experiments are conducted on multiple real datasets with different settings to demonstrate the influence of other factors in map-matching problem, like the trajectory quality, data compression and matching latency.

研究动机与目标

• 解决现有分类体系中缺乏对现代地图匹配算法的全面、最新技术分类的问题，超越过时或基于应用的分类方法。
• 识别并分析源于低质量轨迹数据的地图匹配关键挑战，包括测量误差、采样率和地图密度。
• 利用真实数据集，评估数据质量因素（采样率、压缩、地图密度）对地图匹配性能的影响。
• 通过对比三种代表性算法（HMM、WGT 和在线评分）提供实证证据和未来研究指导。
• 证明高采样率可能因测量误差而降低匹配质量，且轨迹压缩在保持路径形状方面优于降采样。

提出的方法

• 提出一种新型四类技术分类：相似性模型、状态转移模型、候选路径演化模型和评分模型。
• 采用隐马尔可夫模型（HMM）、加权图遍历（WGT）和在线评分方法作为实验对比的代表性算法。
• 使用具有不同采样率、压缩水平（如Douglas-Peucker算法）和地图密度的真实轨迹数据集评估性能。
• 引入概率建模方法，通过允许回溯和将匹配点分布在候选道路上，以处理测量误差。
• 应用轨迹预处理技术检测并移除导致状态转移模型中匹配断裂的异常值。
• 采用定量指标，如准确率、路径连续性及在不同数据质量条件下的匹配质量。

实验结果

研究问题

• RQ1 在不同数据质量条件下，不同地图匹配算法类别（相似性、状态转移、候选路径演化、评分）在准确率和鲁棒性方面如何比较？
• RQ2 高采样率在多大程度上因测量误差和不必要的绕行而降低地图匹配性能？
• RQ3 轨迹压缩与降采样在多大程度上影响地图匹配质量，特别是在保持路径形状和减少异常值方面？
• RQ4 地图密度在多大程度上影响匹配不确定性及算法性能，特别是在城市与稀疏道路网络中的表现？
• RQ5 测量误差、采样率、地图密度等主要数据质量因素中，哪一个对地图匹配准确率和连续性的影响最为显著？

主要发现

• 高采样率可能因测量误差而降低地图匹配准确率，当连续点过于接近且未对齐时，会导致不必要的绕行。
• 使用Douglas-Peucker算法进行轨迹压缩比简单降采样更能保持路径形状，减少绕行并提升匹配质量。
• 匹配断裂通常由轨迹中的异常值引起，尤其在状态转移模型中，当正确状态落在候选范围之外时更易发生。
• 地图密度显著影响匹配不确定性：在密集的城市区域（如Beijing-U）性能明显下降，即使轨迹质量相似，相比稀疏区域（如Beijing-R）而言。
• 轨迹质量是主要影响因素——Global数据集在匹配表现上优于Beijing-U，尽管两者地图密度相似，表明噪声和误差分布的影响大于地图结构本身。
• 所提出的分类方法能够更清晰地区分算法的技术特性，并揭示在所有数据质量条件下，没有单一模型能始终优于其他模型。