如果您是要做交通轨迹方面的研究，那么地图匹配你一定会遇到，因为要进行后续研究，在数据预处理阶段，必须要做的工作之一就是地图匹配，现在地图匹配算法已经很成熟了，并且已存在开源的代码可用了，那么本文主要就是把从数据，到算法到程序这整个环节走通，做一个总结。

开源地图-OpenStreetMap

OpenStreetMap（OSM）是一款由网络大众共同打造的免费开源、可编辑的地图服务。它是利用公众集体的力量和无偿的贡献来改善地图相关的地理数据。作为一个开源地图，虽然国内数据还不是很完善，但是不管怎样能从上面直接下载地图数据呀，真是极大的方面的我们的生活可科学研究。如果没有他，还真是寸步难行。

下面首先介绍介绍一下如何下载openstreemap的数据，然后介绍一下它的数据格式。

下载数据

在openstreet官网点击导出，然后选择都市摘录，对于中国，里面有北京，上海，广州，成都，重庆等大城市可供下载。我们选择下载北京的数据。

有四中类型的数据，然后数据格式有SHAPEFILE,GEOJSON,OSM PBF,OSM XML等，需要什么样的数据以及什么格式的数据，点击下载即可。

下载之后，如果想要查看数据，这里介绍一个工具QGIS,我下载的数据为beijing_china.osm2pgsql-geojson，里面有三个layer的数据，分别为：

• beijing_china_osm_line.geojson
• beijing_china_osm_point.geojson
• beijing_china_osm_polygon.geojson

如果，我们想要查看每个层数据可视化是怎样的，就可以用QGIS
beijing_china_osm_line.geojson :

beijing_china_osm_line.geojson :

beijing_china_osm_polygon.geojson:

这样能可视化，是不是很方便，对于数据的介绍可以参考这篇博客： OpenStreetMap初探（二）——osm的数据结构

地图匹配算法

关于地图匹配算法介绍的不错的博客有：
地图匹配实践
基于隐马尔可夫的地图匹配算法
上面两篇博客很不错，尤其是第二篇，有兴趣可看看！

地图匹配就是，把车辆的行驶轨迹和电子地图数据库中的道路网进行比较,在地图上找出与行驶轨迹最相近的路线,并将实际定位数据映射到直观的数字地图上。

常用方法：
1、基于几何的方法
点到点，点到线，线到线

2、基于概率统计得方法
按照统计理论,假设定位系统的方差、协方差矩阵模型为：

但是上面的方法都有局限，尤其当当GPS点间隔很大时，很不准确，现在比较好的算法就是采用隐马尔科夫模型。

首先回顾下隐马尔可夫模型

地图匹配算法实现及效果

很幸运，现在已经有开源的地图匹配实现了，GITHUB上一搜会出现一大推，这里我介绍一个比较好的，graphhopper-mapmatching,这是一个用java写的地图匹配项目，是作为graphhopper的子项目。

graphhopper-mapmatching早前版本0.6以前吧，用的是几何方法，现在最新的，已经用的是马尔克夫模型了；graphhopper是算是一个地图引擎，里面包含读入OSM数据，构建路网图，并实现了Dijstra算法，A*算法等，可进行最短最快路径导航，这两个项目都非常不错，很有研究价值，具体代码组织和逻辑，有兴趣的可以自己看看！

这里我只列举一下匹配的效果图：

这里比较繁琐的就是轨迹的各种格式，比如plt,csv，gpx，特定场合需要需要特定格式数据，因此，我写了个想换转换的代码，需要的可以直接用：

1、csv文件转换为gpx：

def csv2gpx(infilepath, outfilepath):data = pd.read_csv(infilepath)outstring = '<?xml version="1.0" encoding="UTF-8" standalone="yes"?>\n'outstring += '<gpx xmlns="http://www.topografix.com/GPX/1/1" '  \'xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" ' \'xsi:schemaLocation="http://www.topografix.com/GPX/1/1 http://www.topografix.com/GPX/1/1/gpx.xsd">'outstring += '<trk>\n<trkseg>\n'for i in range(len(data)):item = '<trkpt lon="'+str(data.lon.values[i])+'" lat="'+str(data.lat.values[i])+'"></trkpt>'outstring = outstring+item+"\n"outstring += '</trkseg>\n</trk>\n</gpx>'fw = open(outfilepath, 'w')fw.write(outstring)fw.close()# ------------------------------------------Test----------------------------------
def forfolders():infilepath = "放csv文件夹"outfilepath = "存gpx文件夹"files = os.listdir(infilepath)for file in files:csv2gpx(infilepath+"\\"+file, outfilepath+"\\"+file.split('.')[0]+".gpx")forfolders()

2、gpx转换为csv:

import pandas as pd
from xml.dom.minidom import parse
import xml.dom.minidom
import os# 使用minidom解析器打开 XML 文档def gpx2csv(infile,outfile):domtree = xml.dom.minidom.parse(infile)collection = domtree.documentElementedgeids=collection.getElementsByTagName("edgeid")edgeidarray=[]for i in edgeids:eid=float(i.childNodes[0].data)edgeidarray.append(int(eid))latarray=[]lonarray=[]pionts=collection.getElementsByTagName("trkpt")for piont in pionts:lat=piont.getAttribute('lat')latarray.append(lat)lon=piont.getAttribute('lon')lonarray.append(lon)data=pd.DataFrame({'lon':lonarray,'lat':latarray,'edgeid':edgeidarray})data[['lon','lat','edgeid']].to_csv(outfile,index=False)def foreachfile(filespath):files=os.listdir(filespath)for file in files:infilepath=filespath+"\\"+fileoutfilepath="放csv文件的文件路径"gpx2csv(infilepath,outfilepath)foreachfile("存gpx文件的文件夹")

3、PLT转换为CSV:

import pandas as pddef plt2csv(filename):filepath=“PLT文件路径”fr = open(filepath)array = fr.readlines()  # 以文件中的每行为一个元素，形成一个list列表index = 1data=[]for line in array:if index > 6:line = line.strip()  # 去掉一行后的回车符号linelist = line.split(',')  # 将一行根据分割符,划分成多个元素的列表linelist[5]=linelist[5]+' '+linelist[6]linelist.pop()data.append(linelist)index += 1data = pd.DataFrame(data, columns=['lat', 'lon', 'datatype', 'altitude', 'date1', 'datetime'])outfilepath = “输出路径”data[['lon', 'lat', 'altitude', 'datetime']].to_csv(outfilepath, index=False) #将自己感兴趣的列输出

总结

感谢大神的博客，以及开源社区github上的开源代码提供的帮助！