1.基于多维数据融合分析的低频GPS轨迹路网匹配方法，包括如下步骤：(1)计算每个GPS轨迹点的候选点集；根据路网数据，计算GPS轨迹中的每一个轨迹点对应的候选点集，具体计算过程如下：s11.按时间先后顺序提取GPS轨迹点pi，其中1≤i≤n；GPS轨迹为：p1→p2→…→pn，其中，pi为第i个GPS轨迹点，n为GPS轨迹点总数；GPS轨迹点包含采样时间ti，纬度坐标lati和经度坐度loni信息，即pi＝(ti,lati,loni)；

s12.搜索轨迹点pi的候选路段；以轨迹点pi为圆心，r为半径，在路网中搜索在此范围内的所有路段作为候选路段集，记为 其中，ki为候选路段总数，半径r可根据路网实际情况设定；

s13.计算轨迹点pi的候选点；依次计算轨迹点pi到每一条候选路段 的最短距离 以j及该距离下点pi在候选路段上的映射点 其中1≤j≤ki；如果轨迹点pi在候选路段ri 范围内存在垂点，即垂直映射点，则选取该垂点为候选点，否则选取该路段最近的端点，即起点或终点，作为候选点；

s14.筛选轨迹点pi的候选路段集和候选点集；依次比较最短距离 和阈值L的大小，如果 则删除对应的候选路段和候选点，如此循环比较所有候选路段直至结束；其中，阈值L的取值与周围绿化情况、建筑密集程度和建筑高度有关，可以根据实际情况设定；

s15 .将筛选后的候选点重新编号；轨迹点pi的候选点集重新编号为其中ni表示轨迹点pi的候选点总数；

s16.重复步骤s11至s15，直到完成所有GPS轨迹点的候选点集的计算；

(2)从空间维度分析GPS轨迹点的匹配情况；具体分析计算过程如下：s21.在平面直角坐标系下，依次计算所有轨迹点到其候选点的欧氏距离，即轨迹点pi到其候选点 的欧氏距离 其中，1≤i≤n，1≤j≤ni；

s22.依次计算所有轨迹点映射为其候选点的概率，即轨迹点pi映射为候选点 的概率，其中，1≤i≤n，1≤j≤ni；由于GPS轨迹点与移动对象实际位置的距离服从高斯分布，即正太分布，所以轨迹点pi映射为候选点 的概率 为：2

其中，μ为期望或均值，σ为方差；

s23.依次计算所有两个相邻轨迹点之间的欧式距离，即轨迹点pi‑1到pi的欧式距离其中2≤i≤n；

s24.依次计算所有两个相邻候选点之间的距离，即候选点 和 之间的距离其中，1≤u≤ni‑1，1≤v≤ni，2≤i≤n，距离 是指两个候选点之间的实际路网距离；如果两个候选点处于相同路段，则直接采用欧式距离来计算 否则采用A*算法来计算；

A*算法的代价估计函数F(x)，具体如下：

其中，点x是介于起始点 到目标点 之间的邻近路口，G(x)表示从起始点 至当前点x的最大实际代价，具体如下：其中， 表示候选点 到当前点x的距离，twait表示车辆在路口的平均等待时间，vavg表示当前流向平均速度，而twait×vavg表示车辆在路口无阻碍通行时可以到达的真实距离；而H(x)为当前点x至目标点 的最佳估计代价，采用曼哈顿距离来评估，具体如下：其中， 和 是点 的X轴和Y轴的坐标值，xx和yx是点x的X轴和Y轴的坐标值；A*算法在路网中搜索时，每次选择代价估计函数F(x)最小的邻近路口作为中间节点x，直至搜索到目标点s25.依次计算所有两个相邻轨迹点分别映射为其候选点的概率，即轨迹点pi‑1和pi分别映射为候选点 和 的概率 其中2≤i≤n，具体如下：如果 时，令 即概率 的上限值为1；

s26.依次计算所有两个相邻候选点的空间匹配度，即车辆迁移路径 的空间匹配度 其中2≤i≤n，也即前一个轨迹点pi‑1映射匹配为候选点 时，下一个轨迹点pi映射匹配为候选点 的概率，具体如下：(3)从时间维度分析GPS轨迹点的匹配情况；具体分析计算过程如下：s31.依次计算所有两个相邻轨迹点的时间差，即轨迹点pi‑1和pi的时间差ti‑1→i，其中2≤i≤n，具体如下：ti‑1→i＝ti‑ti‑1                                 (7)s32.统计历史数据，依次计算所有两个相邻候选点的平均旅行时间，即车辆经过相邻候选点 和 的平均旅行时间 其中2≤i≤n；

如果路线中包含多个路段和路口，则需要考虑各个路段的道路等级和路口的平均延误时间，具体如下：其中，lj1为第j1条路段的道路等级， 为第j1条路段的平均旅行时间， 为第j2个路口的平均延误时间，k1为路线中包含的路段总数，k2为路线中包含的路口总数；

s33.依次计算所有两个相邻候选点的时间匹配度，即车辆迁移路径 的时间匹配度 其中2≤i≤n，具体如下：其中，θ为时间维度影响因子，与道路的平均旅行时间 和当前车辆的实际道路旅行时间ti‑1→i有关，具体如下：(4)从环境维度分析GPS轨迹点的匹配情况；依次计算所有两个相邻候选点的环境匹配度，即车辆迁移路径 的环境匹配度 其中2≤i≤n，具体如下：其中， 为车辆迁移路径 的环境匹配度，涉及车辆迁移路径

上的所有路段， 为第i条路段的实时平均车速，N表示车辆迁移路径 包含的路段总数；

(5)多维数据融合分析；依次融合所有两个相邻候选点的空间匹配度、时间匹配度和环境匹配度，并计算所有两个相邻候选点的最终匹配度，具体计算如下：其中， 是两个相邻候选点的最终匹配度，i取值范围为2≤i≤n；最终匹配度 是在空间匹配度 时间匹配度和环境匹配度 的基础上进行多维数据融合而成的；

(6)构建全局静态投票矩阵；在步骤(5)所得结果的基础上，构建全局静态投票矩阵，全局静态投票矩阵M的定义，具体如下：M＝diag{M2,M3,…,Mn}                       (13)其中，n为GPS轨迹点总数，Mi表示两个相邻轨迹点pi‑1和pi的静态投票矩阵，i的取值范围为2≤i≤n，Mi的具体定义如下：其中，ni‑1和ni分别表示轨迹点pi‑1和pi的候选点个数；

(7)压缩全局静态投票矩阵；在步骤(6)所得结果的基础上，压缩全局静态投票矩阵，具体压缩过程如下：s71.依次遍历静态投票矩阵Mi，i的取值范围为2≤i＜n；如果静态投票矩阵Mi中每一个元素的值都小于阈值ε，ε取值为0.05，则删除轨迹点pi及矩阵Mi；

s72.重复步骤s71直至遍历结束，由此可以得到压缩后的静态投票矩阵；如果没有轨迹点和相应静态投票矩阵被删除，则直接进入步骤s75，否则进入下一步；

s73.将步骤s72所得的静态投票矩阵进行前后两两拼接，根据步骤(2)至(6)，重新计算所有删除轨迹点处的静态投票矩阵；如果删除的是轨迹点pi及矩阵Mi，则需要根据步骤(2)至(6)的方法，重新计算轨迹点pi‑1和pi+1的迁移矩阵s74.重复步骤s71至s73，直至静态投票矩阵Mi都存在大于阈值ε的元素，其中2≤i＜n；

s75.对剩余的轨迹点和相应的静态投票矩阵进行重新编号，可以获得压缩后的全局静态投票矩阵 具体定义如下：其中，m为压缩后的轨迹点总数，Mi表示压缩后的相邻两个轨迹点pi‑1和pi的静态投票矩阵，i的取值范围为2≤i≤m；

(8)计算动态优化的局部加权投票矩阵；考虑路网对应时刻的信号配时方案，计算动态优化的局部加权投票矩阵，具体计算如下：其中，i的取值范围为1≤i≤m，权重因子 具体定义如下：

其中，α表示修正因子； 指所有轨迹点pi候选点和所有pj候选点两两之间的实际路网距离的平均值， 表示路网平均延误，Dl表示路口l所在路径流向的延误时间，由综合延误模型结合信号配时、实时交通量以及饱和度计算得到；ds和Ds分别为归一化因子，将距离与延误时间进行量纲统一；

(9)路径生成和候选点投票；根据步骤(8)所得的每一个局部加权投票矩阵，依次从每个轨迹点的某个候选点出发来生成路径，并对路径经过的各个候选点进行投票，从而得到每个轨迹点的所有候选点的投票值；具体投票流程如下：s91.依次计算所有的动态加权投票矩阵Si，其中1≤i≤m，并初始化每个候选点的投票值为0；

s92.依次选择轨迹点pi，其中1≤i≤n；

s93.获取当前轨迹点pi的所有候选点 并依次选择一个候选点 作为初始映射点，其中1≤v≤ni；

s94.根据初始映射点 确定动态加权投票矩阵Si，选择矩阵Si第i个子矩阵的第v行的最大值，即子矩阵 的第v行的最大值；由于在子矩阵中，每一个概率值均对应唯一的一条路径 则点 为对应轨迹的下一候选点；根据投票矩阵Si，继续重复此方法，可以确定从初始映射点 开始的路径上的所有后续候选点；同时，对于确定的每一个后续候选点 其投票值加 初始映射点 不需要投票；

s95.对于在局部投票矩阵中位于初始映射点 之前的候选点，选取动态加权投票矩阵Si中第i‑1个子矩阵的第v列的最大值，即子矩阵 的第v列的最大值；由于在子矩阵中，每一个概率值均对应唯一的一条路径 则点 为对应路径的前一候选点；根据投票矩阵Si，继续重复此方法，可以确定从初始映射点 开始的路径上的所有前继候选点；同时，对于确定每一个前继候选点 其投票值加 初始映射点 不需要投票；

s96.重复步骤s93至s95，直至轨迹点pi的所有候选点都作为初始映射点进行了一次路径生成和候选点投票，并记录每个初始映射点对应的路径；

s97.重复步骤s92至s96，直至所有候选点都已经被处理，从而可以获得每个候选点的投票值；

(10)计算路径投票值，确定最终匹配路径；根据步骤(9)生成的路径和候选点投票值，依次处理每条路径，将路径经过的候选点的投票值相加，可以获得相应路径的投票值；比较所有路径的投票值，选择投票值最大的一条路径作为最终匹配路径，相应的候选点为每个轨迹点的最终匹配点，从而完成GPS轨迹的路网匹配。

2.如权利要求1所述的基于多维数据融合分析的低频GPS轨迹路网匹配方法，其特征在于：步骤s14中阈值L＝50米。