本申请实施例涉及通信技术领域，具体涉及一种地图匹配方法及系统。
背景技术：
gps嵌入式车辆的普及使得包含大量车辆轨迹数据的大数据流成为可能。大量轨迹数据催生了许多基于数据驱动的以轨迹为主的应用，如路径推荐、遍历时间估计、交通动力学分析、欺诈检测和城市规划等。这些应用程序需要一个重要的预处理步骤，将gps获得的每个原始轨迹映射到道路网络上，通常称该预处理步骤为地图匹配。
由于以下两个原因，地图匹配总是必不可少的。首先，gps产生的跟踪数据不准确。一方面，尽管使用最先进的设备，都无法消除城市峡谷效应和其他信号干扰带来的测量误差；另一方面，有限的存储空间和传输带宽限制了采样的区间，导致了轨迹的采样误差。因而需要地图匹配技术来修正这些错误。其次，许多应用是基于统计流量数据的数字公路网。识别车辆通过的路段比获取车辆的具体地理坐标更为重要。因此，地图匹配技术的另一个作用是将gps坐标离散成一系列的路段，这在大轨迹数据的统计分析中起着不可或缺的作用。
由于基于轨迹的应用中地图匹配的普遍性和重要性，近年来引起了人们的广泛关注。地图匹配的操作既可以在处理流化gps数据的在线模式下进行，也可以在拥有完整gps轨迹信息的离线模式下进行。现有的地图匹配方法是局部的、增量的、全局的，在每个匹配方法中考虑的轨迹部分是不同的。局部方法和增量方法可以应用于在线和离线模式，而全局方法只适用于离线模式。典型的离线地图匹配技术有点对段投影、弗雷歇距离分析、基于权重的方法、隐马尔科夫模型(hmm)、贝叶斯推理、信念函数理论、模糊控制理论。然而，局部和增量地图匹配算法的精度较低，而全局算法的耗时较长。如何开发出一种高效的地图匹配算法是一个具有挑战性的问题。
技术实现要素：
为此，本申请实施例提供一种地图匹配方法及系统，可以精确的进行地图匹配。
为了实现上述目的，本申请实施例提供如下技术方案：
根据本申请实施例的第一方面，提供了一种地图匹配方法，所述方法包括：
获取待匹配gps轨迹的日志文件，所述gps轨迹的日志文件包括轨迹点的经纬度、朝向和速度；
将所述gps轨迹的轨迹点映射到道路网络中，构建候选匹配集，所述候选匹配集包括所有轨迹点以及每个轨迹点的n条候选路段，n为大于1的整数；
计算每条候选路段的启发式信息；
根据候选匹配集和全局适应度函数计算出全局适应度；
根据所述启发式信息和所述全局适应度基于蚁群优化算法对所述n条候选路段进行优化，得到目标匹配路径。
可选地，所述启发式信息包括几何误差、朝向误差和路径误差的降序排序；
按照如下公式计算每条候选路段的启发式信息：
其中，h1、h2和h3分别表示几何误差、朝向误差和路径误差，ε为一个小常数值，rank↓(·)函数表示返回括号内的值的降序排列，μ为平均误差参数，
可选地，按照如下公式根据候选匹配集和全局适应度函数计算出全局适应度：
其中，sm(·)为量化原始轨迹t和数字路径p相互关系的相似度量，
可选地，所述基于蚁群优化算法对所述n条候选路段进行优化是根据状态转移规则、信息素更新规则和终止规则进行的；
所述状态转移规则为位于位置
其中，q为[0,1]中取的随机数，q0为蚁群算法中决定开发概率的参数，
其中
所述终止规则为当迭代重复次数达到一个设定最大值g时，终止优化过程。
可选地，所述信息素更新规则为采取全局更新和局部更新来调节不同路段上的信息素浓度；
对于目前为止最佳的路径pbsf中的每一条路段
其中α∈(0,1)为全局的信息素蒸发速率；
每当蚂蚁经过路段
其中ρ∈(0,1)为局部的信息素蒸发速率。
根据本申请实施例的第二方面，提供了一种地图匹配系统，所述系统包括：
数据获取模块，用于获取待匹配gps轨迹的日志文件，所述gps轨迹的日志文件包括轨迹点的经纬度、朝向和速度；
候选匹配集构建模块，用于将所述gps轨迹的轨迹点映射到道路网络中，构建候选匹配集，所述候选匹配集包括所有轨迹点以及每个轨迹点的n条候选路段，n为大于1的整数；
启发式信息计算模块，用于计算每条候选路段的启发式信息；
全局适应度计算模块，用于根据候选匹配集和全局适应度函数计算出全局适应度；
优化模块，用于根据所述启发式信息和所述全局适应度基于蚁群优化算法对所述n条候选路段进行优化，得到目标匹配路径。
可选地，所述启发式信息包括几何误差、朝向误差和路径误差的降序排序；
所述启发式信息计算模块具体按照如下公式进行计算：
其中，h1、h2和h3分别表示几何误差、朝向误差和路径误差，ε为一个小常数值，rank↓(·)函数表示返回括号内的值的降序排列，μ为平均误差参数，
可选地，所述全局适应度计算模块具体按照如下公式进行计算：
其中，sm(·)为量化原始轨迹t和数字路径p相互关系的相似度量，
可选地，所述优化模块是根据状态转移规则、信息素更新规则和终止规则进行优化的；
所述状态转移规则为位于位置
其中，q为[0,1]中取的随机数，q0为蚁群算法中决定开发概率的参数，
其中
所述终止规则为当迭代重复次数达到一个设定最大值g时，终止优化过程。
可选地，所述信息素更新规则为采取全局更新和局部更新来调节不同路段上的信息素浓度；
对于目前为止最佳的路径pbsf中的每一条路段
其中α∈(0,1)为全局的信息素蒸发速率；
每当蚂蚁经过路段
其中ρ∈(0,1)为局部的信息素蒸发速率。
综上所述，本申请实施例提供了一种地图匹配方法及系统，通过获取待匹配gps轨迹的日志文件，所述gps轨迹的日志文件包括轨迹点的经纬度、朝向和速度；将所述gps轨迹的轨迹点映射到道路网络中，构建候选匹配集，所述候选匹配集包括所有轨迹点以及每个轨迹点的n条候选路段，n为大于1的整数；计算每条候选路段的启发式信息；根据候选匹配集和全局适应度函数计算出全局适应度；根据所述启发式信息和所述全局适应度基于蚁群优化算法对所述n条候选路段进行优化，得到目标匹配路径。高效而精确的实现了地图匹配。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本申请实施例提供的一种地图匹配方法流程示意图；
图2为本申请实施例提供的一种地图匹配系统框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
将蚁群算法应用于解决优化问题的基本思路为：用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。
蚁群算法是一种先验的元启发式算法。信息素由蚁群在搜索过程中更新，并自适应于问题的性质。在信息素的引导下，蚁群算法能够发现问题空间的底层结构，对各种问题实例具有更强的鲁棒性。
本申请实施例提供的地图匹配方法可以在以轨迹为主的应用中使用，能够保证在相对较短的运行时间内提供准确的地图匹配结果。
本申请实施例建立了一种新的信息模型，同时考虑局部几何拓扑信息和全局相似性度量，并采用蚁群优化算法完成模型的优化目标。本申请实施例提供的地图匹配方法使用蚁群优化算法来完成模型的优化，具有较高的灵活性和扩展性，允许在不改变系统寻优组件的情况下添加、删除或修改模型。
图1示出了本申请实施例提供的一种地图匹配方法流程示意图，所述方法包括如下步骤：
步骤101：获取待匹配gps轨迹的日志文件，所述gps轨迹的日志文件包括轨迹点的经纬度、朝向和速度。
在步骤101中，通过读取日志文件可以获得轨迹的经纬度位置，以及其他信息，包括但不限于朝向和速度；日志文件中两个连续的轨迹点的时间差不超过轨迹的采样间隔。gps轨迹是采用gps轨迹记录仪采集的一系列户外活动的位置点，每个点至少包括日期、时间、经度、纬度、海拔信息，有的轨迹记录仪还包含速度等信息。
步骤102：将所述gps轨迹的轨迹点坐标投影至道路网络中，构建候选匹配集，所述候选匹配集包括所有轨迹点以及每个轨迹点的n条候选路段，n为大于1的整数。
在步骤102中，候选匹配集中的每个轨迹点的候选匹配路段的数目相同且保持不变，根据轨迹点和道路网络中所述轨迹点附近路段的最近点的大圆距离来选择候选匹配路段。大圆距离(great-circledistance)指的是从球面的一点a出发到达球面上另一点b，所经过的最短路径的长度。
步骤103：计算每条候选路段的启发式信息；所述启发式信息包括几何误差、朝向误差和路径误差的降序排序。
候选路段是从步骤102中得到的候选匹配集得到的，候选匹配集是由各个gps轨迹点以及各自对应的几条候选匹配路段组成的。启发式信息指的是公式(1)中计算所得的h，即几何误差h1、朝向误差h2、路径误差h3的降序排序。
在步骤103中，候选链路的标准化启发式信息通过以下方公式(1)和(2)计算：
式(2)中h1、h2和h3分别表示几何误差、朝向误差和路径误差，ε为一个小常数值为0.01，rank↓(·)函数返回括号内的值的降序排列。h1、h2和h3的计算式按照公式(3)、公式(4)和公式(5)表示：
式(3)中μ为平均误差参数，其计算公式为
步骤104：根据候选匹配集和全局适应度函数计算出全局适应度。
表述全局适应度函数需要启发式信息，加上由gps轨迹点提供的经纬度信息和道路网络区域提供的下边界经纬度，表述在公式(6)下面。由全局适应度函数可以得到全局适应度，即公式(6)中的f，用于步骤105中的信息素浓度更新。
在步骤104中，候选路段的标准化全局适应度可以通过以下公式(6)计算：
其中，sm(·)为得到量化原始轨迹t和数字路径p相互关系的相似度量，其表达式为
υ(t)＝{δx1.lng,δx1.lat,δx2.lng,δx2.lat,…,δxn.lng,δxn.lat,r1,r2,…,rn-1,rsum}(7)
θ(p)＝{δc1.lng,δc1.lat,δc2.lng,δc2.lat,…,δcn.lng,δcn.lat,ρ1,ρ2,…,ρn-1,ρsum}(8)
式(7)中δxi.lng＝(xi.lng-lb.lng)，δxi.lat＝(xi.lat-lb.lat)，
式(8)中δci.lng＝(ci.lng-lb.lng)，δci.lat＝(ci.lat-lb.lat)，ρi＝‖ci 1-ci‖route且
无需作隐马尔可夫模型相似假设，考虑式(6)中定义的全局适应度函数，根据适应度更新函数更新路段上的信息素浓度，对全局适应度进行优化，提高了地图匹配的有效性。
步骤105：根据所述启发式信息和所述全局适应度基于蚁群优化算法对所述n条候选路段进行优化，得到目标匹配路径。也就是根据gps轨迹日志文件得到最终的匹配结果路径pbsf。
路段组合是步骤102得到的，候选匹配集中每一个gps轨迹点对应几条候选路段，每一个gps轨迹点选一条候选路段组合成一种路段组合，目标是确定出最有可能的那个路段组合。通过步骤104计算出步骤105中蚁群优化算法所需的参数，即启发式信息和全局适应度。
在步骤105中，使用蚁群优化算法实现路段组合优化的状态转移规则、信息素更新规则和终止规则如下：
步骤1051：状态转移规则：位于位置
其中q为[0,1]中取的随机数，q0为蚁群算法中用于决定开发概率的参数，
其中
步骤1052：信息素更新规则：初始化时，所有路段的信息素浓度为τ0，之后，采取全局更新和局部更新来调节不同路段上的信息素浓度。
(a)全局更新：对于目前为止最佳的路径pbsf中的每一条路段
其中为α∈(0,1)为全局的信息素蒸发速率。
(b)局部更新：每当蚂蚁经过路段
其中为ρ∈(0,1)为局部的信息素蒸发速率。
步骤1053：终止规则：当迭代重复次数达到一个最大值g时，终止优化过程。
本申请实施例公开的基于蚁群的地图匹配方法无需作隐马尔可夫模型相似假设，考虑式(6)中定义的全局适应度函数，根据适应度更新函数更新路段上的信息素浓度，对全局适应度进行优化，提高了地图匹配的有效性。信息素由蚁群在搜索过程中更新，并自适应于问题的性质。在信息素的引导下，蚁群算法能够发现问题空间的底层结构，对各种问题实例具有更强的鲁棒性。
每只蚂蚁在构造出一条从起点到终点的路径后，蚁群算法还要求根据路径的总长度来更新这条路径所包含的每条边上信息素的浓度。一般情况下，蚁群中蚂蚁的个数不超过tsp图节点的个数。在信息图的基础上，使用蚁群优化算法完成路段组合的最优化，具体的算法流程如下：
(1)初始化所有路段的信息素浓度为一最低值τ0。
(2)将每一只蚂蚁放置在第一个轨迹点p1的候选匹配集
(3)未完成所有轨迹点的遍历时：根据状态转移规则对每一只蚂蚁从下一个轨迹点的候选匹配集
(4)完成所有轨迹点的遍历后，根据全局信息素更新规则更新所有路段的信息素浓度。若不满足终止规则，则返回步骤(2)，若满足终止规则，则进入步骤(5)。终止规则可以是给定一个外循环的最大数目，表明已经有足够的蚂蚁工作。即设置一个常数g，在循环优化g次之后取最佳的结果作为最优匹配路径。
(5)返回最优匹配路径pbsf。
通过以上路由算法，能够在较短的运行时间内，提供准确的地图匹配结果。
本申请实施例提供的地图匹配方法利用蚁群算法，具有较高的灵活性和扩展性。在不改变系统寻优组件的情况下添加、删除或修改模型。例如，可以通过使用更复杂的相似度度量，而不是用最小比值，来量化两个数据序列之间的相似度，达到简易扩展系统的目标。
综上所述，本申请实施例提供了一种地图匹配方法，通过获取待匹配gps轨迹的日志文件，所述gps轨迹的日志文件包括轨迹点的经纬度、朝向和速度；将所述gps轨迹的轨迹点映射到道路网络中，构建候选匹配集，所述候选匹配集包括所有轨迹点以及每个轨迹点的n条候选路段，n为大于1的整数；计算每条候选路段的启发式信息；根据候选匹配集和全局适应度函数计算出全局适应度；根据所述启发式信息和所述全局适应度基于蚁群优化算法对所述n条候选路段进行优化，得到目标匹配路径。高效而精确的实现了地图匹配。
基于相同的技术构思，本申请实施例还提供了一种地图匹配系统，如图2所示，所述系统包括：
数据获取模块201，用于获取待匹配gps轨迹的日志文件，所述gps轨迹的日志文件包括轨迹点的经纬度、朝向和速度。
候选匹配集构建模块202，用于将所述gps轨迹的轨迹点映射到道路网络中，构建候选匹配集，所述候选匹配集包括所有轨迹点以及每个轨迹点的n条候选路段，n为大于1的整数。
启发式信息计算模块203，用于计算每条候选路段的启发式信息。
全局适应度计算模块204，用于根据候选匹配集和全局适应度函数计算出全局适应度。
优化模块205，用于根据所述启发式信息和所述全局适应度基于蚁群优化算法对所述n条候选路段进行优化，得到目标匹配路径。
在一种可能的实施方式中，所述启发式信息包括几何误差、朝向误差和路径误差的降序排序；所述启发式信息计算模块203具体按照公式(1)、(2)、(3)、(4)和(5)进行计算。
在一种可能的实施方式中，所述全局适应度计算模块204具体按照公式(6)进行计算。
在一种可能的实施方式中，所述优化模块205是根据状态转移规则、信息素更新规则和终止规则进行优化的；所述状态转移规则为位于位置
在一种可能的实施方式中，所述信息素更新规则为采取全局更新和局部更新来调节不同路段上的信息素浓度；对于目前为止最佳的路径pbsf中的每一条路段
每当蚂蚁经过路段
本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
需要说明的是，尽管在附图中以特定顺序描述了本发明方法的操作，但这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然本申请提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
上述实施例阐明的单元、装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
1.一种地图匹配方法，其特征在于，所述方法包括：
获取待匹配gps轨迹的日志文件，所述gps轨迹的日志文件包括轨迹点的经纬度、朝向和速度；
将所述gps轨迹的轨迹点映射到道路网络中，构建候选匹配集，所述候选匹配集包括所有轨迹点以及每个轨迹点的n条候选路段，n为大于1的整数；
计算每条候选路段的启发式信息；
根据候选匹配集和全局适应度函数计算出全局适应度；
根据所述启发式信息和所述全局适应度基于蚁群优化算法对所述n条候选路段进行优化，得到目标匹配路径。
2.如权利要求1所述的方法，其特征在于，所述启发式信息包括几何误差、朝向误差和路径误差的降序排序；
按照如下公式计算每条候选路段的启发式信息：
其中，h1、h2和h3分别表示几何误差、朝向误差和路径误差，ε为一个小常数值，rank↓(·)函数表示返回括号内的值的降序排列，μ为平均误差参数，
3.如权利要求1所述的方法，其特征在于，按照如下公式根据候选匹配集和全局适应度函数计算出全局适应度：
其中，sm(·)为量化原始轨迹t和数字路径p相互关系的相似度量，
4.如权利要求1所述的方法，其特征在于，所述基于蚁群优化算法对所述n条候选路段进行优化是根据状态转移规则、信息素更新规则和终止规则进行的；
所述状态转移规则为位于位置
其中，q为[0,1]中取的随机数，q0为蚁群算法中决定开发概率的参数，
其中
所述终止规则为当迭代重复次数达到一个设定最大值g时，终止优化过程。
5.如权利要求4所述的方法，其特征在于，所述信息素更新规则为采取全局更新和局部更新来调节不同路段上的信息素浓度；
对于目前为止最佳的路径pbsf中的每一条路段
其中α∈(0,1)为全局的信息素蒸发速率；
每当蚂蚁经过路段
其中ρ∈(0,1)为局部的信息素蒸发速率。
6.一种地图匹配系统，其特征在于，所述系统包括：
数据获取模块，用于获取待匹配gps轨迹的日志文件，所述gps轨迹的日志文件包括轨迹点的经纬度、朝向和速度；
候选匹配集构建模块，用于将所述gps轨迹的轨迹点映射到道路网络中，构建候选匹配集，所述候选匹配集包括所有轨迹点以及每个轨迹点的n条候选路段，n为大于1的整数；
启发式信息计算模块，用于计算每条候选路段的启发式信息；
全局适应度计算模块，用于根据候选匹配集和全局适应度函数计算出全局适应度；
优化模块，用于根据所述启发式信息和所述全局适应度基于蚁群优化算法对所述n条候选路段进行优化，得到目标匹配路径。
7.如权利要求6所述的系统，其特征在于，所述启发式信息包括几何误差、朝向误差和路径误差的降序排序；
所述启发式信息计算模块具体按照如下公式进行计算：
其中，h1、h2和h3分别表示几何误差、朝向误差和路径误差，ε为一个小常数值，rank↓(·)函数表示返回括号内的值的降序排列，μ为平均误差参数，
8.如权利要求6所述的系统，其特征在于，所述全局适应度计算模块具体按照如下公式进行计算：
其中，sm(·)为量化原始轨迹t和数字路径p相互关系的相似度量，
9.如权利要求6所述的系统，其特征在于，所述优化模块是根据状态转移规则、信息素更新规则和终止规则进行优化的；
所述状态转移规则为位于位置
其中，q为[0,1]中取的随机数，q0为蚁群算法中决定开发概率的参数，
其中
所述终止规则为当迭代重复次数达到一个设定最大值g时，终止优化过程。
10.如权利要求9所述的系统，其特征在于，所述信息素更新规则为采取全局更新和局部更新来调节不同路段上的信息素浓度；
对于目前为止最佳的路径pbsf中的每一条路段
其中α∈(0,1)为全局的信息素蒸发速率；
每当蚂蚁经过路段
其中ρ∈(0,1)为局部的信息素蒸发速率。
技术总结