맵매칭 (부정확한 GPS포인트들로부터 경로 추정하기)
•
11 likes•7,101 views
김상균(curt.k) / kakaomobility corp.(데이터랩) --- 맵매칭은 도로 네트워크에 차량의 위치 측정치를 매핑하여 정확한 모빌리티 사용자의 위치와 이동경로를 추정하는 과정으로, 내비게이션 길안내, 택시/대리 등의 이동경로 기반한 요금 산정, 교통흐름 분석, 이동 방향 결정 등에 활용된다. GPS 위치가 정확하고 업데이트 주기가 빠른 경우 GPS를 가까운 도로 네트워크 상에 매핑만 하면 되지만, 실 서비스에서는 실내, 도심, 터널 등의 환경에서 GPS 위치가 부정확하고, 수 십 초 이상 수신기 되지 않는 상황이 빈번하게 발생되어 확률 모델 적용이 필요하다. 발표에서는 위 같은 상황에 대응 가능하도록 자체 개발된 Hidden Markov Model(HMM) 기반 맵매칭 알고리즘과 일평균 수백만 이동 경로에 적용된 서비스 시스템에 대해 설명하고, 실 데이터 처리 분석 결과를 공유한다.
Recommended
More Related Content
What's hot
What's hot (20)
More from if kakao
More from if kakao (20)
맵매칭 (부정확한 GPS포인트들로부터 경로 추정하기)
- 1. 맵매칭 (부정확한 GPS포인트들로 부터 경로 추정하기) 김상균(curt.k) kakaomobility corp.(데이터랩)
- 3. 1000원
- 4. 맵매칭 - 일련의 gps point를 - 도로네트웍의 link에 매칭하는 작업
- 5. 맵매칭 ▲ GPS 포인트 — GPS 라인
- 6. 맵매칭 ▲ GPS 포인트 — GPS 라인 맵매칭 포인트 — 맵매칭 라인
- 7. 맵매칭 ▲ GPS 포인트 — GPS 라인 맵매칭 포인트 — 맵매칭 라인 ● 도로네트웍 노드 — 도로네트웍 링크
- 8. 맵매칭 ▲ GPS 포인트 — GPS 라인 맵매칭 포인트 — 맵매칭 라인 ● 도로네트웍 노드 — 도로네트웍 링크
- 9. 맵매칭 방식 버스 / 내비처럼 정해진 경로를 가정할때
- 10. 맵매칭 방식 버스 / 내비처럼 정해진 경로를 가정할때
- 11. 맵매칭 방식 버스 / 내비처럼 정해진 경로를 가정할때
- 12. 맵매칭 방식 정해진 경로없이 전체 네트웍을 대상으로 할때
- 13. 어떻게 할까? ▲ ▲ ▲ ▲ ▲ ▲ ▲ t=0 t=1 t=2 t=3 t=4 t=5 t=6
- 14. 어떻게 할까? ▲ ▲ ▲ ▲ ▲ ▲ ▲ 가장 가까운 노드에 붙여보자
- 15. 어떻게 할까? ▲ ▲ ▲ ▲ ▲ ▲ ▲ 가장 가까운 노드에 붙여보자 t=2, 3 네트웍상 이동거리가 0이다 t=5, 6 네트웍상 이동거리가 0이다 t=0 t=1 t=2 t=3 t=4 t=5 t=6
- 16. 어떻게 할까? ▲ ▲ ▲ ▲ ▲ ▲ ▲ 가장 가까운 노드에 붙여보자 t=0 t=1 t=2 t=3 t=4 t=5 t=6
- 17. 어떻게 할까? ▲ ▲ ▲ ▲ ▲ ▲ ▲ 가장 가까운 노드에 붙여보자 t=0 t=1 t=2 t=3 t=4 t=5 t=6 t=4, 5 네트웍상 이동거리가 다른 것에 비해 크다 이 구간이 중복됨
- 18. 어떻게 할까? ▲ ▲ ▲ ▲ ▲ ▲ ▲ 가장 가까운 링크에 붙여보자 t=0 t=1 t=2 t=3 t=4 t=5 t=6
- 19. 어떻게 할까? ▲ ▲ ▲ ▲ ▲ ▲ ▲ 가장 가까운 링크에 붙여보자 t=0 t=1 t=2 t=3 t=4 t=5 t=6
- 20. 어떻게 할까? ▲ ▲ ▲ ▲ 가장 가까운 링크에 붙여보자 t=0 t=1 t=2 t=3 t=3까지만 데이터가 있으면 이 경로가 맞을 수도 있다.
- 21. 어떻게 할까? ▲ ▲ ▲ ▲ ▲ ▲ ▲ 가장 가까운 링크에 붙여보자 t=0 t=1 t=2 t=3 t=4 t=5 t=6 t=4,5,6을 보면 이 경로의 확률이 낮아짐
- 22. 어떻게 할까? ▲ ▲ ▲ ▲ ▲ ▲ ▲ 가장 가까운 링크에 붙여보자 t=0 t=1 t=2 t=3 t=4 t=5 t=6 ● ●
- 23. 어떻게 할까? ▲ ▲ ● ● ● t=3 t=4 이전 포인트와의 관계를 고려하자 C31 C32 C4
- 24. 어떻게 할까? - 도로네트웍 노드 보다는 링크에 붙이자 - 링크에 가까우면 확률이 높다 - 가장 가까운 한점 보다는 GPS에러를 고려하여 여러 후보를 유지하자 - 이전 포인트와의 관계를 고려하자
- 26. Hidden Markov Model ▲▲ ▲ t=3 t=2 t=1 — link ▲ gps L1 L2 L3 L5 L4 L6 L7
- 27. Hidden Markov Model ▲▲ ▲ t=3 t=2 t=1 — link ▲ gps L1 L2 L3 L5 L4 L6 L7
- 28. Hidden Markov Model ▲▲ ▲ t=3 t=2 t=1 ● — link ▲ gps ● candidate L1 L2 L3 L5 L4 L6 L7
- 29. Hidden Markov Model ▲▲ ▲ t=3 t=2 t=1 ● ● ● — link ▲ gps ● candidate L1 L2 L3 L5 L4 L6 L7
- 30. Hidden Markov Model ▲▲ ▲ t=3 t=2 t=1 ● ● ● ● ● — link ▲ gps ● candidate L1 L2 L3 L5 L4 L6 L7
- 31. Hidden Markov Model ▲▲ ▲ t=3 t=2 t=1 ● ● ● ● ● ● ● ● ● ● — link ▲ gps ● candidate t=1 t=2 t=3 L1 L2 L3 L5 L4 L6 L7 L1 L4 L3 L5 L7
- 32. Hidden Markov Model ● ● ● ● L1 L4 L3 L5 ● L7 — link ▲ gps ● candidate t=1 t=2 t=3 ▲▲ ▲ t=3 t=2 t=1 ● ● ● ● ● L1 L2 L3 L5 L4 L6 L7
- 33. Hidden Markov Model ▲▲ ▲ t=3 t=2 t=1 ● ● ● ● ● ● ● ● ● ● — link ▲ gps ● candidate t=1 t=2 t=3 L1 L2 L3 L5 L4 L6 L7 L1 L4 L3 L5 L7
- 34. Hidden Markov Model ▲▲ ▲ t=3 t=2 t=1 ● ● ● ● ● ● ● ● ● ● — link ▲ gps ● candidate t=1 t=2 t=3 L1 L2 L3 L5 L4 L6 L7 L1 L4 L3 L5 L7
- 35. Hidden Markov Model ▲▲ ▲ t=3 t=2 t=1 ● ● ● ● ● ● ● ● ● ● — link ▲ gps ● candidate t=1 t=2 t=3 L1 L2 L3 L5 L4 L6 L7 L1 L4 L3 L5 L7
- 36. ● ● ● ● L1 L4 L3 L5 ● L7 t=1 t=2 t=3 ● ● ● ● ● t=1 t=2 t=3 L1 L4 L3 L5 L7 ● ● ● ● ● t=1 t=2 t=3 L1 L4 L3 L5 L7 ● ● ● ● ● t=1 t=2 t=3 L1 L4 L3 L5 L7
- 39. Transition확률) candidate 사이의 확률 ▲ ▲ t=2 t=1 ● ● ● | gps사이의 거리 - 네트웍이동경로의 거리 | C11 C21 C22
- 40. ▲▲ ▲ t=3 t=2 t=1 ● ● ● ● ● ● ● ● ● ● — link ▲ gps ● candidate t=1 t=2 t=3 L1 L2 L3 L5 L4 L6 L7 L1 L4 L3 L5 L7 가장 확률이 높은 path?
- 41. 가장 확률이 높은 path? ● ● ● ● ● L1 L4 L3 L5 L7
- 42. ● ● ● ● ● 0.9 0.6 L1 L4 L3 L5 L7 0.9 0.7 0.5 0.8 0.7 0.5 0.8 0.5 0.3 Emission 확률 & Transition확률
- 43. ● ● ● ● ● 0.9 0.6 L1 L4 L3 L5 L7 0.9 0.7 0.5 0.8 0.7 0.5 0.8 0.5 0.3 0.9 * 0.7 * 0.6 * 0.8 * 0.7 최적경로
- 44. ▲▲ ▲ t=3 t=2 t=1 ● ● ● ● ● ● ● ● ● ● — link ▲ gps ● candidate t=1 t=2 t=3 L1 L2 L3 L5 L4 L6 L7 L1 L4 L3 L5 L7 가장 확률이 높은 path?
- 45. ● ● ● ● ● L1 L4 L3 L5 L7 Viterbi(Dynamic Programming) t=1 t=2 t=3 ● ● L8 L9 t=4 새로운 점이 추가
- 47. 맵매칭 예제
- 48. 맵매칭 예제
- 49. 맵매칭 예제 복잡한 도로 네트웍(램프구간)
- 50. 맵매칭 예제
- 51. 맵매칭 예제
- 52. 예제
- 54. 예제
- 55. 메모리 적게 사용하기
- 56. viterbi incremental viterbi 이미지 출처 : Jason Bobbin. An Incremental Viterbi Algorithm for Large Sequence Hidden Markov Models 마지막 노드들이 모두 하나의 부모에 연결될때 Window를 나눈다. Window1 Window2
- 57. viterbi incremental viterbi 이미지 출처 : Jason Bobbin. An Incremental Viterbi Algorithm for Large Sequence Hidden Markov Models Window1 Window2 window2의 마지막 노드들의 어떤 노드가 선택되더라도 window1의 최적 path변하지 않는다.
- 58. viterbi 실 그래프
- 61. 맵매칭 정리 • 일정반경(gps정확도에 따라 다름)안에서 link로 가장 가까운 점을 찾는다 • emission확률 : gps와 link사이의 거리 (정규분포) • transition확률 : gps직선거리와 네트웍경로거리의 차이 (지수분포) • 최대확률(viterbi) • 메모리 적게 사용(incremental viterbi)
- 66. PreFilter 안정 불안정 튐: 버퍼를 비움 튐 정상 정상 버퍼에 저장된 포인트가 n개이상 정상이면 예 아니오: 버퍼에 포인트를 추가
- 67. PostFilter 차량 진행방향의 좌우 GPS오류
- 70. PostFilter ▲ ▲ ▲ ▲ ● ●● ● t=1 t=2 t=3 t=4 맵매칭이후 중복제거
- 72. 맵매칭 Pipe PreFilter MapMatcher PostFilter
- 73. 맵매칭 Pipe PreFilter MapMatcher PostFilter▲▲▲▲ ● ● ● ● ● ● ●
- 74. 맵매칭 구현 Kafka Hazelcast: 분산Map Kafka gps topic 맵매칭 topic 맵매칭 프로세스 (1) (2) (3) (4) PipePipe
- 75. 맵매칭 활용 - Raw gps로 부터 운행경로의 gps오류를 보정 (앱미터기) - Raw gps로 부터 도로 네트웍 Link의 속도를 집계 - Raw gps로 부터 좌회전, 우회전 가능 여부 판단
- 76. 맵매칭 활용 Raw GPS 경로
- 77. 맵매칭 활용 현재위치 정확도 개선 A B C
- 78. 맵매칭 활용 내비 속도 정확도 개선 안내경로 GPS경로
- 79. 맵매칭 활용 내비 속도 정확도 개선 안내경로 GPS경로 [기존 Link 속도 데이터] [기존 Link 속도 데이터]
- 80. 정리 - GPS오류 - 정확한 요금산정 - Hidden Markov Model(Emission확률, Transition확률) - 가장 확률이 높은 경로(viterbi) - PreFilter - PostFilter
- 81. Hidden Markov Map Matching Through Noise and Sparseness by Paul Newson & John Krumm An Incremental Viterbi Algorithm for Large Sequence Hidden Markov Models by Jason Bobbin Reference
- 82. Q/A
- 83. 카카오모빌리티 데이터랩에서는