本发明涉及智能交通，尤其涉及一种基于路网的车辆轨迹补全和匹配的方法。
背景技术：
1、随着智能设备、智能交通和定位技术的发展，gps定位广泛的应用在车辆无人驾驶，飞机航路引导，测绘，紧急救生等方面。通过一些定位终端，得到一系列的轨迹数据。这些轨迹数据是随着时间的变化而在空间留下的时空数据序列,通常包含了经纬度坐标和定位时间等信息。这些轨迹数据通常包含着很多有用的信息,我们可以对这些轨迹进行分析,挖掘出其中隐藏的信息。尤其是在应急领域，通过分析车辆的轨迹可以预测车辆状态和使用情况，对于指挥者有重大意义。
2、然而，在gps数据收集的过程中，由于定位终端限制、建筑物遮挡可能出现轨迹点位漂移问题。并且由于采样率，信号等环境因素可能导致轨迹采样点稀疏或丢失等问题，使得车辆的轨迹无法与路网中的真实道路匹配，严重影响轨迹数据挖掘的准确性。
3、目前对于轨迹补全的研究主要分为两类：结合机器学习的补全方法和传统的补全方法。基于机器学习的补全方法，依赖于模型的训练的准确性，需要大量的数据训练模型，相比于传统的补全方法需要更高的代价。传统的补全方法大部分基于概率模型、最近邻接、dijkstra等算法，无法与路网数据相结合，往往无法得到真实的运行轨迹。
技术实现思路
1、本发明的目的是要提供一种基于路网的车辆轨迹补全和匹配的方法。
2、为达到上述目的，本发明是按照以下技术方案实施的：
3、本发明包括以下步骤：
4、s1：将车辆轨迹数据进行去噪和去重复预处理；
5、s2：使用去重去噪的车辆轨迹数据，结合拉格朗日插值法和cubic spline方法补充缺失轨迹数据；
6、s3：获得的拉格朗日插值多项式表示轨迹函数，使用拉格朗日插值法补充轨迹数据中间70％的缺失点，选择函数上的点补充到轨迹数据中；
7、s4：在拉格朗日插值法的基础上，采用cubic spline方法补充两侧30％的轨迹缺失点；
8、s5：获取到路网数据，使用欧几里得算法，计算通过步骤s4得到的轨迹曲线和不同道路曲线的欧几里得距离，取距离最小的一条道路为真实轨迹路径。
9、本发明的有益效果是：
10、本发明是一种基于路网的车辆轨迹补全和匹配的方法，与现有技术相比，本发明基于路网的车辆轨迹补全和匹配方法，通过对运行轨迹的补全和路网真实道路数据对比，匹配到真实运行的路径。在避免负责模型训练的同时，有效的结合了路网真实道路数据，兼顾了缺失点补全的有效性和真实性。
11、本发明基于拉格朗日插值法和cubic spline方法补全缺失轨迹点，有效的避免了高次插值出现的龙格现象，比传统的使用拉格朗日插法的补全方式在边缘轨迹缺失点上有更高的准确度。同时，使用路网数据对补全后的轨迹数据进一步拟合，使得轨迹补全更接近真实的路径。机器学习的补全方式模型训练时间久，需要的训练数据集量级大，同时参数众多，很容易过拟合并且需要消耗大量的计算资源，对比下来本发明有更高的效率，同时节约了使用大量数据训练相关模型的成本和时间。
1.一种基于路网的车辆轨迹补全和匹配的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于路网的车辆轨迹补全和匹配的方法，其特征在于：所述步骤s1具体包括以下步骤：
3.根据权利要求2所述的基于路网的车辆轨迹补全和匹配的方法，其特征在于：所述步骤s2具体包括以下步骤：
4.根据权利要求3所述的基于路网的车辆轨迹补全和匹配的方法，其特征在于：所述步骤s4具体包括以下步骤：
