车辆导航中空间数据多尺度模型及算法的研究

【摘要】： 多尺度空间数据模型在车辆导航领域具有重要的理论意义和现实意义。在车辆导航系统硬件资源和通讯条件受限的情况下,如何快速精确地获取较优的导航方案是该研究领域面临的一大难题。 针对这一难题,本文以提高物流车辆导航路径分析的速度和精度为目标,按照“分解导航地图空间关系到网络中各个节点→滤取对于行车目标重要的网络元素→重新综合生成所需尺度的导航地图”的思路,引入系统科学和社会网络分析相关理论与方法,重点研究导航地图网络节点间连通性的度量、物流车辆导航多尺度空间数据模型的建立及该模型在车辆导航系统中的应用,为车辆导航空间数据分析的快速、精确处理开展探索性研究。本文的具体研究工作如下： (1)基于网络节点重要性的连通性度量指标的研究。现有指标难以精确度量网络节点相对于行车目标的连通性,为此本文提出了一种基于节点重要性的连通性度量指标——相对连通系数,利用该指标来量化与目标节点相关的连通关系集合,将其分解到网络中各个节点上；并可按需合成与指定目标节点集最相关的空间关系；为在实际应用中快速计算该指标,提出了“以形估数”的计算方法,利用与节点相关联的子树形状,快速估计连通关系路径集合的计数规模。 (2)基于广义尺度的车辆导航系统空间数据多尺度模型的研究。针对现有模型生成的导航地图路径分析精度难以保证的问题,建立了基于广义尺度的多尺度空间数据模型,为空间数据服务的高精度、按需生成提供了一种定量分析工具；并在此基础上,将上述方法拓展到网络抽样问题的化简中。 (3)车辆导航地图分解算法的研究。针对车载终端计算能力难以适应导航地图庞大数据量的问题,构建了基于主成分分析的车辆导航地图分解算法。该算法可以利用车载设备有限的计算能力,获得快速的反应速度和较高的求解精度,为物流车辆导航提供了兼顾速度和精度的解决方案。在求最短路的实验中,该算法在对网络规模作大幅压缩的情况下(压缩比率达到20%-30%),仍有效地控制了网络分解造成的网络分析精度损失,同时将车载终端求最短路的计算时间由秒级降到了百毫秒级。 本研究是地理信息科学、系统科学等学科理论和方法的交叉与渗透,为解决车辆导航空间数据分析的快速、精确处理这一热点和难点问题进行了有益的探索。其研究成果在车辆导航和地理信息科学领域具有广阔的应用前景,将在物流车辆实时导航与调度工作中发挥重要作用。