基于 Online-WSVR 算法的車輛位置信息預(yù)測(cè)方法
【專利摘要】本發(fā)明公開一種基于Online?WSVR算法的車輛位置信息預(yù)測(cè)方法，其步驟為：1)利用車內(nèi)組合導(dǎo)航系統(tǒng)實(shí)時(shí)采集車輛的行駛狀態(tài)信息；2)依據(jù)車輛之前一段時(shí)間的行駛狀態(tài)信息，采用Online?WSVR算法進(jìn)行建模，且為每個(gè)時(shí)間點(diǎn)的數(shù)據(jù)分發(fā)權(quán)值，使其對(duì)建模系數(shù)的貢獻(xiàn)不同，增大精確度；3)根據(jù)當(dāng)前的行駛狀態(tài)信息，利用Online?WSVR的建模函數(shù)實(shí)時(shí)預(yù)測(cè)車輛下一刻的位置信息：如果當(dāng)前GPS信號(hào)有效，則將預(yù)測(cè)出的下一刻經(jīng)度與緯度信息擦除；如果當(dāng)前GPS信號(hào)失效，則利用Online?WSVR算法預(yù)測(cè)出車輛下一刻的經(jīng)度與緯度信息，并將其寫入訓(xùn)練集建模，作為之后預(yù)測(cè)的建模樣本。本發(fā)明具有原理簡(jiǎn)單、適用范圍廣、定位預(yù)測(cè)精度高、價(jià)廉便攜和可靠性好等優(yōu)點(diǎn)。
【專利說明】
基于On I i ne-WSVR算法的車輛位置信息預(yù)測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明主要涉及車輛位置信息預(yù)測(cè)領(lǐng)域，尤其涉及當(dāng)GPS信號(hào)短暫失效時(shí)的基于 0nline_WSVR(0nline Weight Support Vector Machine for Regression)算法的車輛定 位方法。
【背景技術(shù)】
[0002] 最近這幾十年，智能交通系統(tǒng)ITS非?；馃?，可以說，它是未來交通系統(tǒng)的發(fā)展方 向，而利用多源數(shù)據(jù)、數(shù)據(jù)融合、在線學(xué)習(xí)等算法達(dá)到系統(tǒng)的最佳性能，這是目前ITS應(yīng)用研 究的一個(gè)趨勢(shì)。車輛定位是智能交通中非常重要的一部分，目前，許多車輛導(dǎo)航系統(tǒng)利用 GPS接收機(jī)作為主要信息來源，它能提供全方位精確連續(xù)的位置信息，然而在復(fù)雜城市交通 環(huán)境中，GPS也存在一些問題，導(dǎo)致位置信息的潛在誤差。
[0003] GPS主要會(huì)產(chǎn)生以下三個(gè)問題。一是多路徑：就是一個(gè)地方可能同時(shí)接到多個(gè)GPS 信息，尤其在有許多高大建筑物的城鎮(zhèn)地區(qū)，容易產(chǎn)生多通道效應(yīng)和時(shí)鐘偏置誤差，導(dǎo)致車 輛位置數(shù)據(jù)出現(xiàn)潛在錯(cuò)誤。二是數(shù)據(jù)丟失問題。通常發(fā)生在車輛經(jīng)過隧道時(shí)，由于衛(wèi)星信號(hào) 被阻擋，導(dǎo)致整個(gè)系統(tǒng)通訊中斷。三是可見衛(wèi)星太少。只有當(dāng)用戶能接收到4顆或更多顆衛(wèi) 星的信號(hào)時(shí)，才能由GPS得到精確的定位信息。為了解決這些問題，提高定位系統(tǒng)精確度，更 好的解決辦法是將GPS與慣性導(dǎo)航系統(tǒng)INS集成。INS是一個(gè)獨(dú)立的系統(tǒng)，包括三軸加速計(jì)、 三軸陀螺儀等。然后通過對(duì)這些原始測(cè)量值做數(shù)據(jù)融合和建模學(xué)習(xí)，就可以在GPS通訊中斷 的時(shí)候，準(zhǔn)確預(yù)測(cè)車輛的定位信息。
[0004] 歷年來，研究者在做INS/GPS集成模塊的時(shí)候，提出了許多數(shù)據(jù)融合算法，比如卡 爾曼濾波、粒子濾波、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等等。但是它們都沒有考慮到特殊極端交通情 況下的INS傳感器誤差大的情況，由于噪聲過大導(dǎo)致建模更加困難，并且許多傳統(tǒng)的預(yù)測(cè)方 法，其訓(xùn)練過程中每個(gè)訓(xùn)練樣本的重要性都是一致的，沒有考慮到距離目標(biāo)預(yù)測(cè)點(diǎn)越近的 數(shù)據(jù)，其關(guān)聯(lián)度和重要性應(yīng)該更大的特性。
[0005]在我國(guó)國(guó)情中，尤其是北上廣的一些大城市，容易出現(xiàn)車輛擁堵、惡劣天氣等等情 況。這里的極端的條件就包括撞車、惡劣天氣、上下班高峰或者假期等，傳感器誤差波動(dòng)大， 數(shù)據(jù)可能存在很大的噪聲誤差，數(shù)據(jù)建模更加困難。因此，在提高車輛位置預(yù)測(cè)精確度的情 況下，還必須保證預(yù)測(cè)系統(tǒng)的魯棒性和實(shí)用性，研究出穩(wěn)定性好、精確度高、可在極端交通 條件下保持魯棒性的車輛定位預(yù)測(cè)方法是很有必要的。

【發(fā)明內(nèi)容】

[0006]本發(fā)明基于OL-WSVR算法提出了一種新的車輛位置預(yù)測(cè)方法和系統(tǒng)，在GPS信號(hào)有 效或者短暫失效情況下，均可以利用智能手機(jī)的低成本INS/GPS傳感器系統(tǒng)，通過對(duì)行駛狀 態(tài)的訓(xùn)練數(shù)據(jù)安排相應(yīng)的權(quán)值，基于OL-WSVR算法進(jìn)行數(shù)據(jù)融合和建模，最終順利獲得準(zhǔn)確 的導(dǎo)航信息，即使在交通條件復(fù)雜的城市環(huán)境，GPS信號(hào)微弱或失效的情況下，依然可以為 車輛提供精確高效的位置數(shù)據(jù)。
[0007] 為解決上述技術(shù)問題，本發(fā)明提出的技術(shù)方案為:一種基于Online-WSVR算法的車 輛位置信息預(yù)測(cè)方法，包括以下步驟：
[0008] SI:車內(nèi)組合導(dǎo)航系統(tǒng)實(shí)時(shí)采集車輛的行駛狀態(tài)信息；
[0009] S2:利用滑動(dòng)數(shù)據(jù)窗口，依據(jù)車輛之前一段時(shí)間的行駛狀態(tài)信息，采用Online-WSVR算法進(jìn)行數(shù)據(jù)融合和建模，且為每個(gè)時(shí)間點(diǎn)的數(shù)據(jù)分發(fā)權(quán)值，使其對(duì)建模系數(shù)的貢獻(xiàn) 不同，增大精確度，并實(shí)時(shí)更新建模參數(shù)；
[0010] S3:根據(jù)當(dāng)前的行駛狀態(tài)信息，利用Online-WSVR的建模函數(shù)實(shí)時(shí)預(yù)測(cè)車輛下一刻 的位置信息：如果當(dāng)前組合導(dǎo)航系統(tǒng)中的衛(wèi)星定位系統(tǒng)信號(hào)有效，則將預(yù)測(cè)出的下一刻經(jīng) 度與煒度信息擦除；如果當(dāng)前衛(wèi)星定位系統(tǒng)信號(hào)失效，訓(xùn)練好的OL-WSVR模型則根據(jù)輸入的 組合導(dǎo)航系統(tǒng)中的慣性導(dǎo)航系統(tǒng)參數(shù)和建模參數(shù)，得到對(duì)應(yīng)的下一刻預(yù)測(cè)位置，并將預(yù)測(cè) 出的定位信息寫入訓(xùn)練集建模，作為下一刻預(yù)測(cè)的建模樣本。
[0011] 作為本發(fā)明方法的進(jìn)一步改進(jìn):所述衛(wèi)星定位系統(tǒng)為GPS;慣性導(dǎo)航系統(tǒng)包括三軸 加速計(jì)和三軸陀螺儀。
[0012] 進(jìn)一步的，所述步驟Sl中采集的車輛行駛狀態(tài)數(shù)據(jù)，包括車輛某一時(shí)刻的速度、加 速度、角度、角速度、經(jīng)度和煒度，且每秒采集一次數(shù)據(jù)。經(jīng)度或煒度值的單位為角度換算成 米的值;其中每秒經(jīng)線長(zhǎng)度約為30.87m，每秒煒線長(zhǎng)度約為30.922*cosarn，α為對(duì)應(yīng)的煒度。 [00 13]進(jìn)一步的，所述Online-WSVR算法建模預(yù)測(cè)的具體實(shí)現(xiàn)方法包括以下步驟：
[0014] S41:分別針對(duì)經(jīng)度和煒度，輸入滑動(dòng)數(shù)據(jù)窗口為N的訓(xùn)練集(X1，yi)，（X2，y 2)，…， (xn，yn)進(jìn)行訓(xùn)練，建模得出下述線性回歸方程：
[0015] f(x) =wT<}) (Xi)+b (I)
[0016] 其中，x為四維數(shù)據(jù)，按順序?yàn)榧铀俣?、角速度、角度和速?y為一維數(shù)據(jù)，是當(dāng)前 時(shí)刻與上一刻間的經(jīng)度位移差或煒度位移差;η為訓(xùn)練集總數(shù);w為權(quán)向量，b是截距，Φ (X1) 將輸入空間映射到高維空間，f(x)即為輸入與輸出之間的建模關(guān)系。
[0017] S42:滑動(dòng)數(shù)據(jù)窗口每秒前進(jìn)一個(gè)，當(dāng)?shù)赾時(shí)刻時(shí)，第c個(gè)樣本(xc，yc)加入訓(xùn)練集， 算法進(jìn)行訓(xùn)練，在SVR中引入核函數(shù)(Kernel Function)來簡(jiǎn)化非線性逼近或回歸，核函數(shù) 滿足Qij= Φ (Χ?)ΤΦ (Xi)=K(Xi，Xj)，更新建模參數(shù)，重新計(jì)算f(xc)，h(xc)和Θ。，并在滿足 KKT條件下，決定將新加入的樣本放入哪個(gè)樣本集，包括支持樣本集、誤差樣本集、剩余樣本 集，Onl ine-WSVR算法的訓(xùn)練建模過程貫穿整個(gè)行駛過程。
[0018] S43:當(dāng)檢測(cè)到衛(wèi)星定位系統(tǒng)信號(hào)失效，則根據(jù)之前的建模系數(shù)f(x)，對(duì)c+1刻的車 輛位置進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)的經(jīng)度和煒度y。+:，并將其作為下一刻的輸入(nyw)，加入滑 動(dòng)數(shù)據(jù)窗口中，繼續(xù)進(jìn)行訓(xùn)練，持續(xù)這個(gè)過程直到衛(wèi)星定位系統(tǒng)信號(hào)恢復(fù)。
[0019] 進(jìn)一步的，所述Online-WSVR算法的建模過程可以轉(zhuǎn)化為凸優(yōu)化問題，建模過程即 為得到最小化的下述方程：
[0020] (2)
[0021] (3)
[0022] 其中，〇0)是訓(xùn)練過程中方程f(x)允許的最大誤差，ξ^Ρξ，為松弛變量，C1(X)) 是訓(xùn)練過程中對(duì)應(yīng)的權(quán)衡系數(shù)，使得訓(xùn)練誤差最小。
[0023] 進(jìn)一步的，所述系數(shù)Ci的計(jì)算方法為Ci= ω fi*C，其中ω fi為高斯核函數(shù)加權(quán)函 數(shù)，其計(jì)算公式為：
[0024] (4)
[0025] 其中，Xi為訓(xùn)練樣本，X為目標(biāo)樣本數(shù)據(jù)，h為帶寬參數(shù)，在本地建模過程中需保持 最佳值，相鄰每個(gè)點(diǎn)的權(quán)值根據(jù)其與X點(diǎn)的距離而定，距離越近，權(quán)值越大，反之越小。
[0026] 進(jìn)一步的，所述系數(shù)Θ。為拉格朗日乘子的差疼=爲(wèi)-<，1!(1)為邊緣函數(shù)，對(duì)第1個(gè) 樣本來說，其計(jì)算公式為：
[0027]
(5)
[0028]并且，建模過程中需滿足的KKT條件為：
[0029]
(6)
[0030]進(jìn)一步的，所述N為10,且y的初始位移差為0。
[0031 ] 進(jìn)一步的，所述Online-WSVR算法的核函數(shù)為徑向基函數(shù)RBF，即exp(-p I Xi-Xj 12) 〇
[0032] 進(jìn)一步的，所述決定新加入的樣本i放入哪個(gè)樣本集的條件為：
[0033] 若S={i I (QiG (〇，C) nh(Xi)=_e) U (0ie (-C，0) nh(Xi) = e)}，則放入支持向量 集中；若E={i I (Qi = -Cnh(Xi)彡ε) U (0i = cnh(XiX_e)}，則放入誤差向量集中；若R = U I 0i = 〇n Ih(Xi) I彡ε}，則放入保留樣本集中。
[0034] 與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：
[0035]本發(fā)明提供的基于Online-WSVR算法的車輛位置信息預(yù)測(cè)方法，使用智能手機(jī)自 帶的INS/GPS傳感器系統(tǒng)進(jìn)行數(shù)據(jù)搜集，并將車輛行駛狀態(tài)信息進(jìn)行數(shù)據(jù)融合，增量學(xué)習(xí)， 在訓(xùn)練過程中，根據(jù)訓(xùn)練數(shù)據(jù)與目標(biāo)數(shù)據(jù)點(diǎn)之間的距離，給每個(gè)訓(xùn)練數(shù)據(jù)點(diǎn)分配權(quán)值，使其 對(duì)應(yīng)于訓(xùn)練建模過程的貢獻(xiàn)不同，距離目標(biāo)數(shù)據(jù)點(diǎn)越近的貢獻(xiàn)越大，實(shí)現(xiàn)了Online-WSVR模 型的在線動(dòng)態(tài)更新，最終預(yù)測(cè)出高精確性的車輛位置信息。該方法能實(shí)現(xiàn)實(shí)時(shí)定位車輛，為 車與車之間的智能交通系統(tǒng)應(yīng)用提供可靠性、實(shí)用性和精確度較高的位置信息。相較于傳 統(tǒng)的車輛位置預(yù)測(cè)方法，本發(fā)明提供的方法即使在極端交通條件噪聲過多、傳感器誤差波 動(dòng)大、建模困難的情況下，也保證了較高的精確度，同時(shí)預(yù)測(cè)時(shí)間短(約為0.01s)，保證了預(yù) 測(cè)方法的實(shí)時(shí)性，很好地滿足了一些智能交通系統(tǒng)相關(guān)應(yīng)用的需求。
【附圖說明】
[0036]圖1為本發(fā)明中基于Online-WSVR算法的車輛位置信息預(yù)測(cè)方法的流程圖；
[0037]圖2為本發(fā)明中Online-WSVR算法實(shí)現(xiàn)流程圖；
[0038]圖3為本發(fā)明實(shí)施例中車輛行駛軌跡場(chǎng)景圖；
[0039]圖4為本發(fā)明實(shí)施例中預(yù)測(cè)的煒度結(jié)果誤差值與PLSR和OL-SVR算法對(duì)比圖；
[0040]圖5為本發(fā)明實(shí)施例中預(yù)測(cè)的經(jīng)度結(jié)果誤差值與PLSR和OL-SVR算法對(duì)比圖；
[0041]圖6為本發(fā)明實(shí)施例中某段GPS失效階段的參考系與預(yù)測(cè)值對(duì)比圖；
[0042]圖7為本發(fā)明實(shí)施例中另一段GPS失效階段的參考系與預(yù)測(cè)值對(duì)比圖。
【具體實(shí)施方式】
[0043]以下結(jié)合說明書附圖和具體優(yōu)選的實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述，但并不因此而 限制本發(fā)明的保護(hù)范圍。
[0044]如圖1所示，本實(shí)施例中基于Onl ine-WSVR算法的車輛位置信息預(yù)測(cè)方法，步驟為： [0045] (1)利用智能手機(jī)中的低成本INS/GPS組合制導(dǎo)系統(tǒng)實(shí)時(shí)采集車輛的行駛狀態(tài)信 息；
[0046] (2)利用滑動(dòng)數(shù)據(jù)窗口，依據(jù)車輛之前一段時(shí)間的行駛狀態(tài)信息，采用Online- WSVR算法進(jìn)行數(shù)據(jù)融合和建模，且為每個(gè)時(shí)間點(diǎn)的數(shù)據(jù)分發(fā)權(quán)值，使其對(duì)建模系數(shù)的貢獻(xiàn) 不同，增大精確度，并實(shí)時(shí)更新建模參數(shù)；
[0047] (3)根據(jù)當(dāng)前的行駛狀態(tài)信息，利用Online-WSVR的建模函數(shù)實(shí)時(shí)預(yù)測(cè)車輛下一刻 的位置信息：如果當(dāng)前INS/GPS組合制導(dǎo)系統(tǒng)中的衛(wèi)星定位系統(tǒng)信號(hào)有效，則將預(yù)測(cè)出的下 一刻經(jīng)度與煒度信息擦除；如果當(dāng)前衛(wèi)星定位系統(tǒng)信號(hào)失效，訓(xùn)練好的OL-WSVR模型則根據(jù) 輸入的INS/GPS組合制導(dǎo)系統(tǒng)中的慣性導(dǎo)航系統(tǒng)參數(shù)和建模參數(shù)，得到對(duì)應(yīng)的下一刻預(yù)測(cè) 位置，并將預(yù)測(cè)出的定位信息寫入訓(xùn)練集建模，作為下一刻預(yù)測(cè)的建模樣本。
[0048]如圖2為Online-WSVR算法實(shí)現(xiàn)流程圖，在算法開始時(shí)，先進(jìn)行數(shù)據(jù)的初始化，然后 導(dǎo)入之前一段時(shí)間內(nèi)車輛的行駛數(shù)據(jù)，對(duì)其進(jìn)行訓(xùn)練，基于Online-WSVR算法進(jìn)行數(shù)據(jù)融合 和建模，并為每個(gè)時(shí)間點(diǎn)的數(shù)據(jù)分發(fā)相應(yīng)的權(quán)值，根據(jù)建模參數(shù)預(yù)測(cè)出當(dāng)前的經(jīng)煒度信息。 接著算法拋棄舊樣本，檢查此時(shí)GPS信號(hào)是否失效，若有效，則將預(yù)測(cè)出的下一刻經(jīng)度與煒 度信息擦除；若失效，則訓(xùn)練好的OL-WSVR模型則根據(jù)輸入的INS/GPS組合制導(dǎo)系統(tǒng)中的慣 性導(dǎo)航系統(tǒng)參數(shù)和建模參數(shù)，得到對(duì)應(yīng)的下一刻預(yù)測(cè)位置，并將預(yù)測(cè)出的定位信息寫入訓(xùn) 練集建模，作為下一刻預(yù)測(cè)的建模樣本。
[0049] 如圖3是本實(shí)施例中的車輛行駛軌跡，其場(chǎng)景為中國(guó)湖南省長(zhǎng)沙市某段城區(qū)的道 路，且為上班高峰期時(shí)段進(jìn)行數(shù)據(jù)采集，道路場(chǎng)景包括各種彎道、高架橋和速度、方向改變， 保證了實(shí)施例對(duì)本發(fā)明基于Online-WSVR算法的車輛位置信息預(yù)測(cè)方法的魯棒性和實(shí)用性 的驗(yàn)證。行駛過程中，數(shù)據(jù)一共采集了 1400s左右，每秒采集一次，即有1400多條速度、加速 度、角度、角速度、經(jīng)度、煒度的數(shù)據(jù)。INS/GPS組合制導(dǎo)系統(tǒng)中數(shù)據(jù)的導(dǎo)出采用JAVA代碼實(shí) 現(xiàn)。
[0050] 本實(shí)施例中，GPS的失效情況一共出現(xiàn)了5次，分別是在直線、高架橋、彎道、高速和 低速行駛狀況下。每次失效時(shí)長(zhǎng)不等，大約為28-45秒。
[0051] 本實(shí)施例中，輸入為加速度、速度、角速度、角度以及上一刻與當(dāng)前時(shí)刻的經(jīng)度或 煒度位移差，輸出為下一刻與當(dāng)前時(shí)刻的經(jīng)度或煒度位移差，Online-WSVR算法即在線動(dòng)態(tài) 建模得到此二者之間的方程關(guān)系，執(zhí)行Online-WSVR算法采用MATLAB完成。本發(fā)明基于 Onl ine-WSVR算法的車輛位置信息預(yù)測(cè)方法預(yù)測(cè)出的車輛軌跡，與真實(shí)的車輛GPS位置進(jìn)行 對(duì)比，以驗(yàn)證方法的精確度，參考系為另一GPS接收器搜集的精確車輛行駛軌跡的經(jīng)煒度 值。誤差的通?葛田詢卞枏彳呈荖RMSR _ it彳+算公式如下：
[0052]
[0053] 其中，兔和yc分別為預(yù)測(cè)結(jié)果和參考系的值，M為GPS失效時(shí)長(zhǎng)。
[0054]本實(shí)施例中，當(dāng)GPS信號(hào)有效時(shí)，首先輸入前10個(gè)數(shù)據(jù)點(diǎn)，利用Online-WSVR算法對(duì) 其進(jìn)行訓(xùn)練學(xué)習(xí)，得到第11個(gè)數(shù)據(jù)點(diǎn)的預(yù)測(cè)經(jīng)煒度。然后該數(shù)據(jù)窗口前移一位，包含進(jìn)11個(gè) 數(shù)據(jù)點(diǎn)，形成新的2-11窗口之間的10個(gè)數(shù)據(jù)輸入，然后得到第12個(gè)數(shù)據(jù)點(diǎn)的預(yù)測(cè)經(jīng)煒度。該 過程一直持續(xù)到最后一個(gè)數(shù)據(jù)點(diǎn)預(yù)測(cè)完畢。而在此之間，當(dāng)探測(cè)到GPS信號(hào)失效時(shí)，訓(xùn)練好 的Online-WSVR動(dòng)態(tài)模型則立即預(yù)測(cè)下一刻的經(jīng)煒度，將其記錄顯示出來，并將預(yù)測(cè)值放入 訓(xùn)練集，作為下一次訓(xùn)練的輸入，以此類推，反復(fù)進(jìn)行下去，直到GPS信號(hào)恢復(fù)。每一個(gè)數(shù)據(jù) 點(diǎn)的建模預(yù)測(cè)時(shí)間大約為0.01秒，幾乎可以實(shí)現(xiàn)實(shí)時(shí)預(yù)測(cè)。
[0055]本實(shí)施例中，對(duì)預(yù)測(cè)得出的經(jīng)煒度數(shù)據(jù)進(jìn)行還原，原算法輸出的值為經(jīng)度或煒度 位移差，與車輛行駛的初始經(jīng)煒度進(jìn)行相加減，得到每一刻的預(yù)測(cè)經(jīng)度或煒度，其單位為 米，換算后可得單位為度的經(jīng)煒度值，將其編輯成kml文件，可在谷歌地圖上打開，得到與地 圖匹配的車輛行駛軌跡。
[0056]如圖4和圖5所示，分別為其中三段GPS失效情況下，預(yù)測(cè)的煒度與經(jīng)度結(jié)果誤差 值，并且是本發(fā)明預(yù)測(cè)軌跡的誤差值與基于PLSR、0L-SVR算法的車輛位置預(yù)測(cè)誤差值之間 的對(duì)比圖，其中實(shí)線為本發(fā)明的預(yù)測(cè)誤差值，點(diǎn)線為基于OL-SVR算法的預(yù)測(cè)誤差值，虛線為 基于PLSR算法的預(yù)測(cè)誤差值?？梢钥吹?，本發(fā)明的預(yù)測(cè)誤差值遠(yuǎn)低于其他兩種算法的預(yù)測(cè) 結(jié)果，其預(yù)測(cè)的精確度相當(dāng)高。
[0057] 圖6和圖7為其中某兩段GPS失效情況的放大圖，其中實(shí)線為車輛行駛軌跡參考值， 虛線為本發(fā)明的預(yù)測(cè)值，可以更加清晰看到參考系與預(yù)測(cè)值之間的對(duì)比情況。
[0058] 上述只是本發(fā)明的較佳實(shí)施例，并非對(duì)本發(fā)明作任何形式上的限制。雖然本發(fā)明 已以較佳實(shí)施例揭露如上，然而并非用以限定本發(fā)明。任何熟悉本領(lǐng)域的技術(shù)人員，在不脫 離本發(fā)明技術(shù)方案范圍的情況下，都可利用上述揭示的技術(shù)內(nèi)容對(duì)本發(fā)明技術(shù)方案做出許 多可能的變動(dòng)和修飾，或修改為等同變化的等效實(shí)施例。因此，凡是未脫離本發(fā)明技術(shù)方案 的內(nèi)容，依據(jù)本發(fā)明技術(shù)實(shí)質(zhì)對(duì)以上實(shí)施例所做的任何簡(jiǎn)單修改、等同變化及修飾，均應(yīng)落 在本發(fā)明技術(shù)方案保護(hù)的范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于Online-WSVR算法的車輛位置信息預(yù)測(cè)方法，其特征在于，包括以下步驟： Sl:車內(nèi)組合導(dǎo)航系統(tǒng)實(shí)時(shí)采集車輛的行駛狀態(tài)信息； S2:利用滑動(dòng)數(shù)據(jù)窗口，依據(jù)車輛之前一段時(shí)間的行駛狀態(tài)信息，采用Onl ine-WSVR算 法進(jìn)行數(shù)據(jù)融合和建模，且為每個(gè)時(shí)間點(diǎn)的數(shù)據(jù)分發(fā)權(quán)值，使其對(duì)建模系數(shù)的貢獻(xiàn)不同，增 大精確度，并實(shí)時(shí)更新建模參數(shù)； S3:根據(jù)當(dāng)前的行駛狀態(tài)信息，利用On I ine-WSVR的建模函數(shù)實(shí)時(shí)預(yù)測(cè)車輛下一刻的位 置信息：如果當(dāng)前組合導(dǎo)航系統(tǒng)中的衛(wèi)星定位系統(tǒng)信號(hào)有效，則將預(yù)測(cè)出的下一刻經(jīng)度與 煒度信息擦除；如果當(dāng)前衛(wèi)星定位系統(tǒng)信號(hào)失效，訓(xùn)練好的OL-WSVR模型則根據(jù)輸入的組合 導(dǎo)航系統(tǒng)中的慣性導(dǎo)航系統(tǒng)參數(shù)和建模參數(shù)，得到對(duì)應(yīng)的下一刻預(yù)測(cè)位置，并將預(yù)測(cè)出的 定位信息寫入訓(xùn)練集建模，作為下一刻預(yù)測(cè)的建模樣本。2. 根據(jù)權(quán)利要求1所述的一種基于Online-WSVR算法的車輛位置信息預(yù)測(cè)方法，其特征 在于，所述衛(wèi)星定位系統(tǒng)為GPS;慣性導(dǎo)航系統(tǒng)包括三軸加速計(jì)和三軸陀螺儀。3. 根據(jù)權(quán)利要求1所述的一種基于Online-WSVR算法的車輛位置信息預(yù)測(cè)方法，其特征 在于，所述步驟Sl中采集的車輛行駛狀態(tài)數(shù)據(jù)，包括車輛某一時(shí)刻的速度、加速度、角度、角 速度、經(jīng)度和煒度，且每秒采集一次數(shù)據(jù);所述經(jīng)度或煒度值的單位為角度換算成米的值； 其中每秒經(jīng)線長(zhǎng)度為30.87111，每秒煒線長(zhǎng)度為30.922*(3〇8€ [111，€[為對(duì)應(yīng)的煒度。4. 根據(jù)權(quán)利要求1-3中任意一項(xiàng)所述的一種基于Online-WSVR算法的車輛位置信息預(yù) 測(cè)方法，其特征在于，所述Online-WSVR算法建模預(yù)測(cè)的具體實(shí)現(xiàn)方法包括以下步驟： S41:分別針對(duì)經(jīng)度和煒度，輸入滑動(dòng)數(shù)據(jù)窗口為N的訓(xùn)練集(X1，yi)，（X2，y 2)，~，（Xn， yn)進(jìn)行訓(xùn)練，建模得出下述線性回歸方程： f(x) =wTΦ (xi)+b (I) 其中，X為四維數(shù)據(jù)，按順序?yàn)榧铀俣?、角速度、角度和速?y為一維數(shù)據(jù)，是當(dāng)前時(shí)刻 與上一刻間的經(jīng)度位移差或煒度位移差;η為訓(xùn)練集總數(shù);w為權(quán)向量，b是截距，Φ (X1)將輸 入空間映射到高維空間，f(x)即為輸入與輸出之間的建模關(guān)系； S42:滑動(dòng)數(shù)據(jù)窗口每秒前進(jìn)一個(gè)，當(dāng)?shù)赾時(shí)刻時(shí)，第c個(gè)樣本(xc，yc)加入訓(xùn)練集，算法 進(jìn)行訓(xùn)練，在SVR中引入核函數(shù)來簡(jiǎn)化非線性逼近或回歸，核函數(shù)滿足Qlj=Ci) (Χι)ΤΦ (X1) = K(xi，xj)，更新建模參數(shù)，重新計(jì)算f (xc)，h(xc)和Θ。，并在滿足KKT條件下，決定將新加入的 樣本放入哪個(gè)樣本集，包括支持樣本集、誤差樣本集、剩余樣本集，Onl ine-WSVR算法的訓(xùn)練 建模過程貫穿整個(gè)行駛過程； S43:當(dāng)檢測(cè)到衛(wèi)星定位系統(tǒng)信號(hào)失效，則根據(jù)之前的建模系數(shù)f(x)，對(duì)c+1刻的車輛位 置進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)的經(jīng)度和煒度yc+Ι，并將其作為下一刻的輸入(Xc+l，yc+l)，加入滑 動(dòng)數(shù)據(jù)窗口中，繼續(xù)進(jìn)行訓(xùn)練，持續(xù)這個(gè)過程直到衛(wèi)星定位系統(tǒng)信號(hào)恢復(fù)。5. 根據(jù)權(quán)利要求4所述的一種基于Online-WSVR算法的車輛位置信息預(yù)測(cè)方法，其特征 在于，所述Online-WSVR算法的建模過程可以轉(zhuǎn)化為凸優(yōu)化問題，建模過程即為得到最小化 的下述方程： (2) (3) 其中，ε〇〇)是訓(xùn)練過程中方程f(x)允許的最大誤差，。和#為松弛變量，C1(X))是訓(xùn)練 過程中對(duì)應(yīng)的權(quán)衡系數(shù)，使得訓(xùn)練誤差最小。6. 根據(jù)權(quán)利要求5所述的一種基于Online-WSVR算法的車輛位置信息預(yù)測(cè)方法，其特征 在于，所述系數(shù)Ci的計(jì)算方法為Ci = Ofi*C，其中COfi為高斯核函數(shù)加權(quán)函數(shù)，其計(jì)算公式 為：(4) 其中，X1為訓(xùn)練樣本，X為目標(biāo)樣本數(shù)據(jù)，h為帶寬參數(shù)，在本地建模過程中需保持最佳 值，相鄰每個(gè)點(diǎn)的權(quán)值根據(jù)其與X點(diǎn)的距離而定，距離越近，權(quán)值越大，反之越小。7. 根據(jù)權(quán)利要求4所述的一種基于Online-WSVR算法的車輛位置信息預(yù)測(cè)方法，其特征 在于，所述系數(shù)Θ。為拉格朗日乘子的差後=& ，h(x。)為邊緣函數(shù)，對(duì)第i個(gè)樣本來說，其 計(jì)算公式為：(5) 并且，建模過程中需滿足的KKT條件為： h(xt) > i：, O1 = -Γ hix,) = cV, O1 E (-Γ, 0) ' ) E [―Oj =0 j (6) h(Xi). = θ? e (0,C) //(Λ； } < ~iU O1 = C8. 根據(jù)權(quán)利要求4所述的一種基于Online-WSVR算法的車輛位置信息預(yù)測(cè)方法，其特征 在于，所述N為10,且y的初始位移差為0。9. 根據(jù)權(quán)利要求4所述的一種基于Online-WSVR算法的車輛位置信息預(yù)測(cè)方法，其特征 在于，所述Online-WSVR算法的核函數(shù)Qij為徑向基函數(shù)RBF，即exp(-p I Xi-Xj 12)。10. 根據(jù)權(quán)利要求4所述的一種基于Online-WSVR算法的車輛位置信息預(yù)測(cè)方法，其特 征在于，所述決定新加入的樣本i放入哪個(gè)樣本集的條件為： 若S= {i I (QiG (〇，C) nh(xi) = _e) U (0ie (-C，0) nh(xi) = e)}，則放入支持向量集中； 若E={i I (Qi = -Cnh(Xi)彡ε) U (0i = cnh(XiX_e)}，則放入誤差向量集中；若R={i I θ? = on Ih(Xi) |<ε}，則放入保留樣本集中。
【文檔編號(hào)】G01C21/16GK105890592SQ201610190012
【公開日】2016年8月24日
【申請(qǐng)日】2016年3月30日
【發(fā)明人】王東, 廖嘉琦, 肖竹, 李曉鴻
【申請(qǐng)人】湖南大學(xué)