卫星定位数据是由卫星定位系统产生的测定目标当前地理位置的数据,被广泛地应用在军事、民生及科研领域。然而,卫星定位数据与目标的实际位置不可避免地有一定的偏差,给定位数据的实际应用带来了一定的麻烦。地图匹配是利用地图数据提高卫星定位数据精度的方法。当前基于模型的地图匹配方法难以处理匹配数据的类型变化的情况。然而,匹配数据类型变化的情况较为常见:一方面,研究表明,地图图匹的准确率可通过引入新类型的数据提高;另一方面,实际中不可避免地存在数据缺失的现象。为了解决这一问题,本文提出一套数据驱动的地图匹配方法,通过训练机器学习模型来应对数据类型的变化,并且以GPS数据为例,验证了其灵活性和准确率。本文工作包括以下三个方面:(1)地图匹配数据的可视分析方法:数据质量直接决定数据驱动方法的性能。地图匹配所用数据为抽象的数值型数据。人类难以理解和分析该类数据,从而难以确定所用数据是否可靠。针对该问题,提出一种可视分析方法。该方法对地图匹配所用的路网数据、GPS数据、训练数据等数据分别设计了不同的可视化方法,将这些数据以图形的形式呈现给用户,使得用户能够直观地观测、理解和分析这些数据,发现数据中存在的问题并改善,进而确保所用数据的可靠性。案例分析表明,该可视分析方法可发现训练数据中存在的问题及问题产生的原因,帮助用户提高所用数据的可靠性。(2)基于排名学习的局部地图匹配方法:局部地图匹配问题既不属于有监督机器学习中的分类问题,也不属于回归问题,无法用常用的机器学习模型解决。为了解决该问题,本文将地图匹配问题看成排名问题,提出了一种局部地图匹配方法。该方法首先利用高斯分布产生初始匹配结果,即候选道路;再使用排名学习方法,利用本文设计的神经网络从数据中学习候选道路的判别器;最后利用训练好的判别器从候选道路中选出匹配结果。实验结果表明,该地图匹配方法可有效地应对数据类型的变化,并具有较好的准确率和执行速度。(3)基于DNN-HMM混合模型的全局地图匹配方法:由于没有使用全局特征,局部地图匹配方法的准确率不如全局地图匹配方法。为了在局部地图匹配方法上引入轨迹的全局特征来提高匹配准确率,本文提出了一种DNNHMM混合模型,并基于该混合模型提出了一种数据驱动的全局地图匹配方法。该方法为了解决局部地图匹配方法中不可解释的神经网络输出的全局累加问题,提出了一种将局部地图匹配结果转换为HMM的归一化状态-观测概率的方法;提出了相应的HMM状态转移概率和全局匹配结果的计算方法。实验表明,该方法不仅能有效应对数据类型的变化,而且在匹配准确率上达到了目前地图匹配方法的领先水平。