In many spatial trajectory-based applications, it is necessary to map raw trajectory data points onto road networks in digital maps, which is commonly referred to as a map-matching process. While most previous map-matching methods have focused on using rule-based algorithms to deal with the map-matching problems, in this thesis, we consider the map-matching task from the data-driven perspective, proposing a deep learning-based map-matching model. We build a Transformer-based map-matching model with a transfer learning approach. We generate trajectory data to pre-train the Transformer model and then fine-tune the model with a limited number of labeled data to minimize the model development cost and reduce the real-to-virtual gaps. Three metrics (Average Hamming Distance, F-score, and BLEU) at two levels (point and segment level) are used to evaluate the model performance. The model is tested with real-world datasets, and the results show that the proposed map-matching model outperforms other existing map-matching models. We also analyze the matching mechanisms of the Transformer in the map-matching process, which helps to interpret the input data internal correlation and external relation between input data and matching results. In addition, the proposed model shows the possibility of using generated trajectories to solve the map-matching problems in the limited labeled data environment
맵매칭은 일련의 GPS 포인트를 도로 네트워크의 링크에 매칭하는 작업으로 내비게이션 시스템 개발, 교통 데이터 분석에서 중요한 연구 분야이다. 현재 많이 사용되는 규칙 기반 방법들은 도심과 같이 복잡한 환경에서는 성능이 떨어지는 문제점이 존재한다. 특히, 교차로나 고층 건물 사이와 같은 GPS 센서의 측위오류가 많은 환경에서는 규칙 기반 맵매칭의 정확도가 떨어지는 문제점들이 노출되었다. 이러한 문제를 해결하고자, 최근에는 대량의 도심지 교통 데이터를 활용한 데이터 기반 맵매칭 방법들이 제안되고 있다. 하지만 여전히 라벨링 된 데이터가 적은 문제 때문에 교통 데이터를 사용하기에 어려움이 있다. 따라서, 본 연구에서는 제한된 라벨링 된 교통 데이터를 활용하여 데이터의 상호관계를 파악하여 맵매칭 정확도를 향상할 수 있는 트랜스포머 기반 전이학습 맵매칭 방법을 제시한다. 제시하는 방법은 ‘실데이터 기반 가상 데이터 생성’과 ‘트랜스포머 및 전이학습 기반 맵매칭 모델 개발’의 순차적인 두 개 단계로 구성된다. 첫 번째 단계에서 소량의 링크 라벨링 된 궤적 데이터를 기반하여 학습용 가상 데이터를 생성하는 방법을 제시한다. 두 번째 단계에서 트랜스포머 방법을 사용한 맵매칭 모델을 학습하고 전이학습을 이용하여 파인튜닝하는 방법을 제안하였다. 제시된 방법의 성능평가를 실데이터 기반으로 시행하였으며, 이를 통하여 본 연구의 방법이 기존에 존재하는 맵매칭 방법보다 도심지 교통 데이터 매칭하는 데에 있어 향상된 성능을 보여주었다.
