Evaluating Map Matching Algorithms for Smartphone GNSS Data: Matching Vehicle Trajectories to an Urban Road Network
Notice bibliographique
Résumé
Data from vehicles tracked using Global Navigation Satellite Systems (GNSS) can be used to monitor driving behaviour and road safety. In usage-based insurance programs, driver insurance premiums are tailored according to individual driving behaviour, often using data collected from user-owned smartphones. Due to positional noise caused, map matching algorithms must be used to spatially link GNSS observations to the road network. The purpose of this study is to evaluate the performance of several algorithms to process smartphone GNSS data for vehicular trips in urban road networks. This study evaluated five implementations, namely one topological (TMM), two probabilistic (PMM) using Hidden Markov Models (HMM), one fuzzy (FMM), and one hybrid map matching algorithm (HyMM) in terms of match accuracy and run time. Data was collected using ten smartphone devices and three applications across 12 trip scenarios in Montreal, Canada targeting the downtown, old city, highways, bridges, and tunnels. Results were compared with a series of ANOVA tests. Accuracy was not significantly different for the best performing algorithms (the Fast HMM and TMM) followed by the HyMM, with the Standard HMM and FMM algorithms performing significantly worse. Only the FMM algorithm was significantly slower than the others in terms of run time.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».