楊 偉，艾廷華

武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院，湖北 武漢 430079

道路地圖數(shù)據(jù)作為國家基礎(chǔ)地理信息的重要組成部分，為智慧城市、LBS位置服務(wù)、應(yīng)急響應(yīng)等領(lǐng)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(cè)量、遙感影像等，但傳統(tǒng)方法成本高、更新周期長(zhǎng)，且無法感知道路網(wǎng)絡(luò)中的交通規(guī)則、交通流語義信息[1]，制約其實(shí)際應(yīng)用需求[2]。隨著志愿者地理信息的出現(xiàn)，車輛時(shí)空軌跡作為其典型代表，蘊(yùn)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(dāng)前，運(yùn)用車輛軌跡提取道路數(shù)據(jù)、構(gòu)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(diǎn)連接方法[12-13]、計(jì)算幾何與圖論方法[14-16]。軌跡聚類方法包括軌跡點(diǎn)、線聚類，如文獻(xiàn)[6]運(yùn)用DBSCAN算法對(duì)軌跡點(diǎn)聚類構(gòu)建道路網(wǎng)絡(luò)；文獻(xiàn)[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(diǎn)(線)轉(zhuǎn)換為二值圖像，運(yùn)用圖像形態(tài)學(xué)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(diǎn)(線)同等對(duì)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(yùn)動(dòng)特征、噪音的分布差異性，使得提取結(jié)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(gòu)建道路地圖，如文獻(xiàn)[10]根據(jù)軌跡線的空間鄰近與方向關(guān)系融合提取不同行車方向上的道路線數(shù)據(jù)；文獻(xiàn)[11]提出了符合空間認(rèn)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(duì)結(jié)果精度影響大。節(jié)點(diǎn)連接方法將道路網(wǎng)絡(luò)建模為二維歐氏空間中的圖結(jié)構(gòu)，首先探測(cè)道路交叉點(diǎn)，然后運(yùn)用聚類等方法提取道路邊，根據(jù)節(jié)點(diǎn)與邊的鄰接關(guān)系構(gòu)建完整地圖[12-13]。從稀疏采樣的軌跡中識(shí)別道路交叉點(diǎn)算法復(fù)雜，且沒有顧及軌跡數(shù)據(jù)的空間差異性。計(jì)算幾何與圖論方法運(yùn)用Delaunay三角網(wǎng)[3,14]、Voronoi圖[15]、Morse復(fù)型理論[16]等從車輛軌跡點(diǎn)(線)集中提取道路幾何數(shù)據(jù)。但該類方法沒有將運(yùn)動(dòng)特征與幾何模型結(jié)合，導(dǎo)致算法對(duì)于軌跡密度差異、噪音適應(yīng)性不強(qiáng)，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(yùn)用眾源車輛軌跡(采樣間隔10～120 s)線構(gòu)建道路地圖仍存在以下問題：①傳統(tǒng)方法將所有軌跡點(diǎn)、線作為輸入同等對(duì)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(jié)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(gòu)建道路地圖，減少了數(shù)據(jù)內(nèi)容并制約數(shù)據(jù)應(yīng)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(gòu)建方法。

1 眾源軌跡線構(gòu)建道路地圖過程認(rèn)知分析

(1) 眾源軌跡線綜合過程。運(yùn)用模型算法對(duì)軌跡點(diǎn)(線)集去粗取精，提取道路幾何拓?fù)浣Y(jié)構(gòu)、簡(jiǎn)化軌跡大數(shù)據(jù)量，其本質(zhì)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(duì)單根曲線化簡(jiǎn)；②道路地圖構(gòu)建不僅提取路網(wǎng)拓?fù)浣Y(jié)構(gòu)，也提取車行方向、交通流量等語義時(shí)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(biāo)。

(2) 道路數(shù)據(jù)分層提取過程。道路網(wǎng)等級(jí)結(jié)構(gòu)明顯，不同等級(jí)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(jí)道路地表環(huán)境不同，使得軌跡丟失、軌跡噪音與誤差的嚴(yán)重性不同[18-19]。道路提取應(yīng)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(gòu)建道路圖層是該研究的一個(gè)重難點(diǎn)。

(3) 道路圖層集成融合過程。將分層提取的多個(gè)圖層融合為單個(gè)完整的道路地圖，其本質(zhì)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(qiáng)和地圖整合兩類[16,19]，且以地圖增強(qiáng)為主；③融合方法及內(nèi)容上不僅考慮道路線幾何拓?fù)涮卣鳎€需顧及交通語義信息(方向、交通流量)以提高融合結(jié)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(gè)難點(diǎn)。

因此，本文重點(diǎn)關(guān)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(yùn)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(gòu)建道路地圖方法。

2 軌跡分割與圖層融合的眾源軌跡線構(gòu)建道路地圖方法

分割-融合(SF)方法包括3個(gè)關(guān)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(jí)的3個(gè)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(gòu)建3個(gè)道路圖層；③運(yùn)用地圖融合算法將多道路圖層數(shù)據(jù)整合為單個(gè)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(shè)計(jì)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(gè)等級(jí)，分別對(duì)應(yīng)主干路、次干路和城市支路，并根據(jù)速度、時(shí)長(zhǎng)閾值對(duì)分割后的子軌跡進(jìn)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(jì)算每個(gè)軌跡段平均速度TSAv，根據(jù)速度分為3個(gè)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(shí)停留情形的影響，對(duì)軌跡段TSi采用滑動(dòng)窗口方法查找TSi時(shí)間上前后相鄰的k個(gè)軌跡段，計(jì)算2k+1個(gè)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(shè)置速度閾值Vmin(Vmin=1.5 m/s)和停留時(shí)長(zhǎng)Tmin(Tmin=3 min)識(shí)別停留子軌跡[21]。時(shí)間長(zhǎng)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(duì)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(gòu)建數(shù)據(jù)集拓?fù)潢P(guān)系的有效方法，廣泛應(yīng)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(lǐng)域。本文引入約束Delaunay三角網(wǎng)模型并集成軌跡運(yùn)動(dòng)特征探測(cè)軌跡點(diǎn)(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(yù)處理

直接對(duì)軌跡線集構(gòu)建約束Delaunay三角網(wǎng)，會(huì)破壞三角網(wǎng)最鄰近特性[14]，故根據(jù)軌跡轉(zhuǎn)向角自適應(yīng)插值加密軌跡線解決該問題。計(jì)算每個(gè)軌跡段中兩軌跡點(diǎn)的轉(zhuǎn)角θ[24],如果兩軌跡點(diǎn)的轉(zhuǎn)角θ都為(45°,90°]，該軌跡段位于道路轉(zhuǎn)彎處，則該軌跡段不加密；反之該軌跡段加密多、加密步長(zhǎng)小。自適應(yīng)加密減少了稀疏采樣的眾源軌跡在道路轉(zhuǎn)彎處的加密錯(cuò)誤。

2.2.2 基于約束條件的Delaunay三角形分類

(1) 三角形邊長(zhǎng)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(gòu)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(zhǎng)度小，非道路區(qū)域邊長(zhǎng)度大[14]。設(shè)定邊長(zhǎng)閾值，即可區(qū)分道路與非道路區(qū)域，邊長(zhǎng)約束閾值計(jì)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(zhǎng)；LenVariation(DT)為三角網(wǎng)邊長(zhǎng)變異；α為調(diào)節(jié)系數(shù)，α值越大約束越寬松，反之越嚴(yán)格。如果三角形中任意邊長(zhǎng)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(zhǎng)約束提取的道路線仍存在兩個(gè)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(yùn)動(dòng)特征、交通規(guī)則，這對(duì)復(fù)雜道路結(jié)構(gòu)的提取精度不高。軌跡方向既表征車輛運(yùn)動(dòng)特征，也體現(xiàn)交通規(guī)則，有助于復(fù)雜道路結(jié)構(gòu)、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(duì)于任意軌跡點(diǎn)Pi，其軌跡方向(車輛運(yùn)動(dòng)方向)為向量PiPi+1，i表示時(shí)間先后順序[10,24]。則軌跡點(diǎn)Pi與其一介鄰接點(diǎn)集的軌跡方向關(guān)系計(jì)算如下

(2)

式中，f(dirp,dirq)表示軌跡點(diǎn)p、q軌跡方向夾角的余弦值。當(dāng)00，為同一行車方向，則邊p1p3鄰接的兩個(gè)三角形為有效三角形。則當(dāng)f(θ)<0時(shí)，兩軌跡點(diǎn)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(biāo)是提取不同車行方向的道路線，故當(dāng)f(θ)<0，軌跡點(diǎn)p、q組成的三角形邊鄰接的兩個(gè)三角形為無效三角形。如圖2(c)中軌跡點(diǎn)p1、p6的f(θ)<0，為不同行車方向，則邊p1p6鄰接的兩個(gè)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(cè)、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(guān)系與軌跡方向統(tǒng)計(jì)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(gè)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(gòu)建高速(主干道)、中速(次干道)、慢速(支路)3個(gè)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(duì)該類軌跡線集加入邊長(zhǎng)和方向約束。如圖3(a)中B圖加入邊長(zhǎng)(α取值小，約束嚴(yán)格)和方向約束，并根據(jù)軌跡車行方向?qū)Φ缆方徊婵诠?jié)點(diǎn)進(jìn)行后處理(圖3(a)中C、D)。復(fù)雜道路交叉口多位于高等級(jí)道路處且軌跡線密集，加入邊長(zhǎng)和方向約束，能更好識(shí)別匝道、環(huán)形轉(zhuǎn)盤。對(duì)比圖3(b)中B、C，圖C加入2個(gè)約束條件相比圖B的提取結(jié)果更精確。低速軌跡線集對(duì)應(yīng)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(dǎo)致道路提取不完整，故只加入邊長(zhǎng)約束。如圖3(c)中B圖只加入邊長(zhǎng)約束(α取值大)，提取道路單線并記錄車行方向?qū)傩?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(shí)間跨度、車行頻率、交通流量密切關(guān)聯(lián)，使其難以定量建模，故本文只加入邊長(zhǎng)約束并通過調(diào)節(jié)邊長(zhǎng)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(shí)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(duì)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?fù)?、語義特征采取不同融合策略，整合為單個(gè)完整道路地圖。算法步驟為：

(1) 對(duì)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(zhǎng)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(jí)與GPS定位誤差設(shè)定[25]，本文取值15～25 m；設(shè)置道路弧段最大流量[20]flowmax，本文取值25 000。

(2) 當(dāng)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(qiáng)(如圖4(b))。緩沖區(qū)內(nèi)沒有其他道路弧段節(jié)點(diǎn)，則新增節(jié)點(diǎn)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(diǎn)，找最近節(jié)點(diǎn)作為同名節(jié)點(diǎn)合并，如圖4(b)中V2；同時(shí)需考慮節(jié)點(diǎn)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(dāng)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(dāng)候選集中有多條弧段，則將Ri與候選道路弧段集計(jì)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(duì)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(gòu)建約束Delaunay三角網(wǎng)，將三角形分Ⅰ(只有1個(gè)鄰接三角形)、Ⅱ類三角形(有2個(gè)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(quán)重融合生成新的道路線，并寫入圖層Gi中(圖4(c)中④)。對(duì)于Ⅰ類三角形，新道路線為鄰接邊的權(quán)重分割點(diǎn)與其對(duì)應(yīng)三角形端點(diǎn)的連線；對(duì)于Ⅱ類三角形，新道路線為兩鄰接邊的權(quán)重分割點(diǎn)的連線(如圖4(c))。權(quán)重分割點(diǎn)P由鄰接邊中A、B兩點(diǎn)坐標(biāo)并集成交通流量權(quán)重(A、B點(diǎn)的權(quán)重分別為n、m)計(jì)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(yàn)與分析

試驗(yàn)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(shí)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(tái)、Python編程語言進(jìn)行算法試驗(yàn)。

3.1 試驗(yàn)結(jié)果分析

3.1.1 軌跡線分割濾選軌跡線子集

對(duì)原始軌跡數(shù)據(jù)進(jìn)行常規(guī)(時(shí)間錯(cuò)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(shí)長(zhǎng)閾值(Tmin=3 min)過濾停留子軌跡，最后得到高、中、低速3個(gè)不同速度等級(jí)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(jí)結(jié)構(gòu)(如圖5所示)。對(duì)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(zhǔn)確識(shí)別平行道路、主輔路等道路結(jié)構(gòu)。但車輛運(yùn)動(dòng)的復(fù)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(cuò)誤濾選的小數(shù)據(jù)量軌跡線對(duì)道路提取的影響[20]。圖5中3個(gè)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(duì)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(gòu)建道路圖層

將分割濾選得到的軌跡線子集插值加密并構(gòu)建約束Delaunay三角網(wǎng)，如圖6所示。按照2.2節(jié)中方法，對(duì)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(duì)高速軌跡線集加入邊長(zhǎng)和方向約束條件，并取嚴(yán)格的調(diào)節(jié)參數(shù)閾值(α=0.85)。如圖6(a)中A處，將方向、邊長(zhǎng)約束條件與Delaunay三角網(wǎng)融合識(shí)別同一道路上不同方向的軌跡線集。對(duì)中速、低速軌跡集只加入邊長(zhǎng)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(yán)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(shí)別車行道路網(wǎng)絡(luò)。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(gòu)建高、中、低速3個(gè)道路圖層。如圖6(d)(e)(f)所示，構(gòu)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(gè)道路圖層融合為單個(gè)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(jié)果如圖7(a)所示。對(duì)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(jìn)行融合。融合方法包括地圖增強(qiáng)和地圖整合，如圖7(b)所示。對(duì)于路網(wǎng)結(jié)構(gòu)簡(jiǎn)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?fù)湔_(如圖7(a)中②)。對(duì)于復(fù)雜道路結(jié)構(gòu)，如復(fù)雜道路交叉口，則會(huì)出現(xiàn)節(jié)點(diǎn)融合錯(cuò)誤、道路邊1∶n及n∶n匹配融合錯(cuò)誤。如圖7(b)中④中A處，道路弧段r1應(yīng)該與v1節(jié)點(diǎn)合并，但融合算法采用空間距離最近準(zhǔn)則，導(dǎo)致其與v2節(jié)點(diǎn)錯(cuò)誤合并。圖中B處由于出現(xiàn)1∶n的匹配情形，導(dǎo)致融合后出現(xiàn)多余的道路邊。故對(duì)以上兩種錯(cuò)誤需人工檢查并編輯改正。

3.2 試驗(yàn)結(jié)果評(píng)價(jià)

以標(biāo)準(zhǔn)道路矢量數(shù)據(jù)為參考，將本文方法結(jié)果與DT(Delaunay Triangulation)方法[14]、KDE方法[8]的試驗(yàn)結(jié)果進(jìn)行精度對(duì)比分析。采用文獻(xiàn)[5]中提出的緩沖區(qū)方法，對(duì)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(jì)落入緩沖區(qū)內(nèi)的道路線長(zhǎng)度[5,11,25]并計(jì)算查準(zhǔn)率(precision)、查全率(recall)和F值(F-measure)。統(tǒng)計(jì)結(jié)果如圖8所示，從整體上看，SF方法試驗(yàn)結(jié)果的準(zhǔn)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(dǎo)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(jié)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(jié)果準(zhǔn)確度和完整度。在拓?fù)湔_性方面，KDE方法出現(xiàn)道路線拓?fù)鋽嚅_、Z字形不平滑等問題，而SF方法和DT方法則減少該類錯(cuò)誤[14]。

對(duì)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(shì)體現(xiàn)在：

(1) 結(jié)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(dǎo)致軌跡線高密度區(qū)域的不同道路混成一團(tuán)，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(zhuǎn)盤無法準(zhǔn)確識(shí)別，其結(jié)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(yàn)結(jié)果對(duì)比，SF方法試驗(yàn)結(jié)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(zhǔn)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(fù)雜道路結(jié)構(gòu)下的軌跡線處理。復(fù)雜道路結(jié)構(gòu)(T形、Y形、環(huán)形、平行道路)多位于主干道且不同等級(jí)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(yùn)用Delaunay三角網(wǎng)探測(cè)軌跡線幾何特征差異并融合軌跡方向來識(shí)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(cuò)誤的識(shí)別為一條道路。將圖9(b)、9(c)與圖9(a)對(duì)比，DT、KDE方法對(duì)復(fù)雜道路結(jié)構(gòu)下的軌跡線處理適應(yīng)性不強(qiáng)，降低了結(jié)果的準(zhǔn)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(yīng)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(yàn)結(jié)果精度對(duì)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(yàn)結(jié)果對(duì)比評(píng)價(jià)Fig.9 Comparative evaluation of experimental results of different methods

4 結(jié)論與展望

針對(duì)車輛軌跡點(diǎn)(線)構(gòu)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(gòu)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(jí)結(jié)構(gòu)的軌跡線子集，根據(jù)軌跡線子集的特征差異加入邊長(zhǎng)、方向等約束條件，運(yùn)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(jí)的道路圖層整合為單個(gè)完整、精細(xì)的道路地圖。運(yùn)用北京市出租車軌跡數(shù)據(jù)進(jìn)行試驗(yàn)，結(jié)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(yīng)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(diǎn)處理、道路邊融合需要更深入研究;②運(yùn)用多源時(shí)空軌跡提取更精細(xì)、完整的道路幾何數(shù)據(jù)與交通語義信息(如轉(zhuǎn)彎規(guī)則、轉(zhuǎn)彎時(shí)間等)將是后續(xù)深入研究的切入點(diǎn)。