1.一种隐马尔可夫模型在地图匹配中的优化方法,其特征在于,该方法步骤为：
建立隐马尔可夫(hmm)地图匹配模型；
应用随机森林算法优化隐马尔可夫地图匹配模型；
求解隐马尔可夫地图匹配模型；
将前述结论代入到短时地图匹配中。
2.如权利要求1所述的隐马尔可夫模型在地图匹配中的优化方法，其特征在于，所述应用随机森林算法优化隐马尔可夫地图匹配模型，在所述的隐马尔可夫地图匹配模型应用场景中，模型的道路转移概率使用指数分布概率拟合，模型的初始匹配概率分为两部分计算，包括：
当前位置信息为依据的初始匹配概率，使用正太分布概率拟合计算；
历史数据为依据的初始匹配概率，使用随机森林算法计算；
并以固定权重组成最终的初始匹配概率。
3.如权利要求2所述的隐马尔可夫模型在地图匹配中的优化方法，其特征在于，当前位置信息为依据的初始匹配概率，使用正太分布概率拟合计算；具体步骤为：采用最近邻地图匹配算法确定候选的路段及采样点到各个路段的最短距离。以探测车所在点为圆心，以预设距离为半径划定一块圆形搜索区域，将所有落入搜索区域的路段作为备选路段，超出了搜索范围的路段将不予以考虑。最后依据采样点与备选路段的最短距离，采用正太分布逼近真实的匹配概率。
4.如权利要求2所述的隐马尔可夫模型在地图匹配中的优化方法，其特征在于，历史数据为依据的初始匹配概率，使用随机森林算法计算；具体步骤为：
首先进行特征提取，由于相邻的gps采样点各项特征具有相似性，除了考虑当前的匹配点之外，同时应将前后点的因素也加入考虑范围，使得当前点和其前后点形成一条数据，所以选取当前点及其前后点的方向和速度作为特征之一；同时因为相同路段一天中的运行状态有所差异，所以将24小时按照一定的时间间隔分为不同的时间段，时间段作为特征之一；另外待匹配点的经纬度以及其与前后点的距离也作为特征之一；最后将路段id作为分类标签；
其次构造随机森林，随机森林具体参数如下：子模型数为100，分裂时参与判断的最大特征数为4，分裂条件为gini系数，分裂所需的最小样本数为2，叶节点最小样本数为1；所有特征均采用相同权重，使用训练好的随机森林预测当前点属于哪个路段。
5.根据权利要求1-4任一项所述隐马尔可夫模型在地图匹配中的优化方法，其特征在于，所述随机森林算法，其训练集由一个分类标签和11个特征组成，分类标签为路段id，特征为：当前匹配点的时间段、经度、纬度、行驶速度、方向；之前匹配点的行驶速度、方向及其与当前匹配点的距离；之后匹配点的行驶速度、方向及其与当前匹配点的距离。
6.根据权利要求1-4任一项所述隐马尔可夫模型在地图匹配中的优化方法，其特征在于，所述求解隐马尔可夫地图匹配模型，其具体步骤为：应用维特比算法，确定与输入序列最符合的隐藏序列，通过维特比算法可以知道浮动车gps数据经纬度背后所隐藏的最优解状态序列，这个序列正是该数据对应的浮动车所经过的路段顺序，从而得到该轨迹中所有采样点与浮动车所经过路段的对应关系。
7.一种gps定位方法，其特征在于，其基于隐马尔可夫模型的匹配算法，还应用了如权利要求1-6任一项所述的隐马尔可夫模型在地图匹配中的优化方法。
8.根据权利要求7所述的gps定位方法，其特征在于，其应用场景，包括：
道路交通状态计算中gps轨迹链较长的状态：道路通畅；
道路交通状态计算中gps轨迹链很短的状态：道路拥堵或短时5min-15min前提下的交通状态；
当道路交通状态计算中gps轨迹链很短的状态，应用所述隐马尔可夫模型在地图匹配中的优化方法。
9.根据权利要求8所述的gps定位方法，其特征在于，当道路交通状态计算中gps轨迹链较长的状态，应用所述隐马尔可夫模型在地图匹配中的优化方法。
10.根据权利要求8所述的gps定位方法，其特征在于，当道路交通状态计算中gps轨迹链较长的状态，应用常规地图匹配方法。