电子导航地图是是智能交通基础。随着社会发展，新道路不断修建、已有道路不断改善，道路信息变化频繁。需要一种简单易行、经济实用的能够及时捕捉道路及其特征变化的新技术手段，使得道路数据库能够得到及时更新。随着卫星导航系统的普及，出租车、公交车以及各种巡查车辆都安装了低成本的GPS接收机，遍及城市的各条街道，用于实时监测车辆运行。这些车载GPS航迹数据是典型的浮动车数据，其航迹点定位信息标示了道路位置，航迹点时间序列隐含了道路及路口的交通规则。该类数据定位精度低、噪音大，但是获取成本低、数据量大，含现势性信息。因此，本文提出一种基于浮动车数据的交通网络地图构建方法。　　本研究优于现有方法之处在于:①在本文生成的路网中，路口是具有转向行车道、允许转向时间限制等规则，以保持交通流不冲突的物理区域。②提出了一种简化的路网模型:将路口区和道路区在路网空间中进行了分割，并通过一对入点/出点保持其拓扑结构的一致性。③该模型中初次尝试在路网构建过程中解决复杂立交桥问题，大型立交桥结构被分解为多个小路口组成，其路口行车道可以利用一对进点和出点连通。基于此，主要研究内容如下:　　(1)数据清洗，通过航迹化简和噪音点剔除，消除冗余，提高数据质量。　　由于GPS定位误差，航迹线中包含了诸多噪音点。基于统计原理:认为当经过同一位置的航迹线越多时，认为此位置是行车线的概率越大，同时说明密度小的点偏离了道路。因此，采用核密度函数的方法评价噪音点，认为和密度值低于一定阈值的点为噪音点。其中，利用去趋势波动分析法确定了评价阈值。　　针对GPS航迹线数据量大的问题，提出了一种基于自适应折半查找的化简方法，因为现有方法不适用于GPS航迹数据量大和航迹重复与交叉等空间分布特征。该方法采用了Sleeve-fitting算法的最优骨架点判断模式来保证航迹线的化简质量，并通过粗筛与精选相结合的分步处理方式来大幅提高化简效率。　　(2)航迹聚类，区分不同行驶方向的航迹线，进而识别行车道。　　本文采用了Cao和Krumn提出的引力模型的聚类方法，该方法模拟了航迹之间的吸引、排斥关系，区分了不同行驶方向的航迹线;并通过迭代修正GPS航迹点，逐渐减小GPS航迹到道路中线的偏离程度，确定每个方向的道路中心线。分析GPS航迹采集的特点，对引力模型进行了两点改进。车辆行驶速度在道路比路口地区快，使得道路航迹更接近中心线，其位置精度较高。因此，根据速度以及航向变化赋予航迹点高低不同的权重，权重与速度大小成正比，与航向变化率成反比。鉴于聚类过程中，单条航迹线上航迹线的位置序列产生空间偏移，采用一种角度的平滑滤波算法来保证聚类过程中航迹点之间的空间一致性。　　(3)探测路口的空间区域，基于路口识别模型实现了路口中心和半径的估算。　　由于交通规则的存在，路口处的交通流不会发生冲突，但其航迹线会存在相交、汇聚和分离，此处就产生了冲突点。这得路口区航迹线夹角远大于道路区，夹角值成为区分二者的指标。对交点实施了G统计量分析，能够判断高值夹角聚集区，此热点代表了路口区或者掉头。因为G统计量考虑了数据空间相关性，能够全面选择路口夹角低值点和高值点，路口区的空间范围比较精确。　　(4)基于路口位置和航迹线时间序列的交通转向规则识别　　路口区内迹线的一个入点和出点之间的连通代表一种转向规则，根据每条航迹的入点/出点进行分类，获取路口区的所有转向规则。因应交通流的动态变化，局部路口区经常调整转向规则，如:在高峰期禁止左转。通过统计长期每个转向规则发生的时间，得到转向的禁止时段，获取具有时序特征的交通转向规则。　　(5)基于道路和路口区切割点的交通网络地图构建　　路口区内，具有连通性的入点和出点构成一个弧段;道路区，一个路口出点到另一个路口入点的连接代表了一个弧段。而路口区和道路区分界处的切割点构成结点，基于此，分别构建道路区和路口子路网。通过二者共享切割点将其合并成整个路网，通过路径规划验证具有连通性。　　本文采用Python语言和PostgreSQL、PostGIS数据库平台，实现了基于浮动车数据的交通路网提取程序。并将淮北市城区的GPS航迹数据应用于本文方法，通过与人工解译的结果对比，自动获取获得了淮北市区可导航的道路网络，其中平面路口、掉头及立交桥区域均与实际契合度很高。