文献类型：期刊文章

作　　者：于娟[1] 杨琼[2] 鲁剑锋[1] 韩建民[1] 彭浩[1]

YU Juan;YANG Qiong;LU Jian-feng;HAN Jian-min;PENG Hao(College of Mathematics and Computer Science,Zhejiang Normal University,Jinhua,Zhejiang 321004,China;Computer and Software,Hangzhou Dianzi University,Hangzhou,Zhejiang 310018,China)

机构地区：[1]浙江师范大学数学与计算机科学学院,浙江金华321004 [2]杭州电子科技大学计算机学院,浙江杭州310018

出　　处：《电子学报》

基　　金：国家自然科学基金(No.61702148,No.61672648,No.62072411,No.62072412);浙江省自然科学基金(No.LR21F020001);浙江省教育厅一般项目(No.Y201941364)。

年　　份：2021

卷　　号：49

期　　号：9

起止页码：1818-1829

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：地图匹配是许多位置服务与轨迹挖掘应用的基础.随着定位技术和位置服务应用的发展,地图匹配研究不断演进,从早期基于高采样率GPS(Global Position System)的实时匹配,到近期基于低采样率GPS轨迹的离线匹配、再到当前非GPS定位数据或高精度地图匹配。迄今已有许多地图匹配算法相继提出,但鲜有研究对这些算法进行全面总结.为此,对近十年提出的地图匹配算法进行调研,归纳出地图匹配算法的统一框架及常用时空特征.从模型或实现技术角度分类发现:现有算法大都采用HMM(Hidden Markov Model)模型,其次是最大权重模型;深度学习技术近期开始用于地图匹配,将是未来高精度地图匹配研究的趋势.

关 键 词：地图匹配 路网数据  轨迹数据  HMM CRF(Conditional Random Fields)  路径推断  

分 类 号：TP301.6]