來源：高德技術
道路匹配是地圖數據處理方面非?；A且重要的理論，特別是道路相關業務，一定避不開道路匹配的應用，這也是業務中普遍會碰到的痛點。
道路匹配定義
道路匹配是地圖匹配理論的子集，通俗講就是兩幅地圖A和B，在沒有唯一ID關聯的情況下，如何確定地圖A上的道路是B上一條道路的過程。如果做交通軌跡或者地圖數據融合方面的研究，那么就一定會遇到地圖匹配的問題。
地圖匹配 Map Matching:不同條件下獲取同一物景的地圖之間的配準關系。
道路匹配是刨除了點和面狀匹配之外的線狀要素理論，道路的話就是路網，也是實際應用中研究最多、應用最廣的一部分。
利用路網數據，采用適當算法，將目標定位映射到實際道路上的過程，具體來說道路匹配是：
l 地圖匹配理論的首要子集
l 針對矢量拓撲道路數據的匹配模式
l 異源道路數據融合的關鍵
l 導航定位精度改善的重要手段
空間距離和評價曲線相似性的一般方法
離散點集匹配
路網匹配的兩個方面應用：第一個是離散點集匹配，相對簡單，隨機離散點沒有形狀和拓撲關系，用歐氏距離作吸附即可，典型應用如離散熱力圖。
曲線擬合
實際中更有應用價值的是曲線擬合匹配關系，比如軌跡和路網，GPS序列和導航路的相似性。
曲線信息更多，這方面比離散點集有更多的評價要素，也有更高的復雜度。評價曲線相似性的一般要素有長度、形狀、曲率、拓撲關系、方向比如正向逆向、距離、屬性例如交通規則左轉右轉禁行等信息。
曲線匹配方法分類
基于幾何信息的匹配算法考慮形狀、角度等常規要素，屬于早期的一些算法，實現最簡單，準確度最低?；谕負湫畔⒌乃惴?，準確度比幾何方法大大提升，應用最廣?；诟怕暑A測的算法，實現比較困難，實際上應用不多。
目前有一些比較高級的算法理論，包括隱馬模型等等，在實際應用中準確度是相對最高的。
實時算法主要用于在線導航，時間和空間復雜度低，離線算法用于數據處理的離線計算，算法復雜，追求最高準確度。
空間距離
線要素的匹配，主要通過幾何、拓撲或語義相似度來進行識別，其中通過空間距離來進行要素匹配的常用方式有：
l 閔可夫斯基距離(Minkowski Distance)
l 歐氏距離(Euclidean Distance)
l 曼哈頓距離(Manhattan Distance)
l 切比雪夫距離(Chebyshev Distance)
l 漢明距離(Hamming distance)
l 杰卡德相似系數(Jaccard similarity coefficient)
l 豪斯多夫距離(Hausdorff Distance)
l 弗雷歇距離(Fréchet距離)
最準確的匹配模型-隱式馬爾科夫模型HMM
20世紀60年代，Leonard E. Baum和其它作者在一系列的統計學論文中描述了隱式馬爾科夫模型。它最初的應用之一是語音識別，80年代成為信號處理的研究重點，現已成功用于故障診斷、行為識別、文字識別、自然語言處理以及生物信息等領域。
核心特征
l 隱式馬爾科夫模型五要素：2個狀態集合和3個概率矩陣，Viterbi算法。
l 隱含狀態S：馬爾科夫模型中實際所隱含的狀態，通常無法通過直接觀測得到，這些狀態之間滿足馬爾科夫性質。
l 可觀測狀態O：通過直接觀測而得到的狀態，在隱式馬爾科夫模型中與隱含狀態相關聯。
l 狀態轉移概率矩陣A：描述隱式馬爾科夫模型中各個狀態之間的轉移概率。
l 觀測狀態概率矩陣B：表示在t時刻隱含狀態是Sj條件下，其可觀測狀態為Ok的概率。
l 初始狀態概率矩陣π：表示隱含狀態在初始時刻t=1的概率矩陣
路網匹配實際是一個解碼問題，基于HMM的路網匹配算法是在一系列觀察的前提下，尋找最有可能產生這個觀察序列的隱含狀態序列。一系列GPS位置點集合是可觀測狀態，尋找最有可能產生位置點集合的路網隱藏序列。
2012年ACM SIGSPATIAL Cup是由ACM主辦的全球范圍內關于地圖匹配算法的科技競賽，競賽吸引了來自全球31支專業級的參賽隊伍。所有算法當中匹配準確率最高的兩個都是基于HMM的匹配算法。