基于 Online-WSVR 算法的車輛位置信息預測方法
【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測方法，其步驟為：1)利用車內組合導航系統實時采集車輛的行駛狀態(tài)信息；2)依據車輛之前一段時間的行駛狀態(tài)信息，采用Online?WSVR算法進行建模，且為每個時間點的數據分發(fā)權值，使其對建模系數的貢獻不同，增大精確度；3)根據當前的行駛狀態(tài)信息，利用Online?WSVR的建模函數實時預測車輛下一刻的位置信息：如果當前GPS信號有效，則將預測出的下一刻經度與緯度信息擦除；如果當前GPS信號失效，則利用Online?WSVR算法預測出車輛下一刻的經度與緯度信息，并將其寫入訓練集建模，作為之后預測的建模樣本。本發(fā)明具有原理簡單、適用范圍廣、定位預測精度高、價廉便攜和可靠性好等優(yōu)點。
【專利說明】
基于On I i ne-WSVR算法的車輛位置信息預測方法
技術領域
[0001] 本發(fā)明主要涉及車輛位置信息預測領域，尤其涉及當GPS信號短暫失效時的基于 0nline_WSVR(0nline Weight Support Vector Machine for Regression)算法的車輛定 位方法。
【背景技術】
[0002] 最近這幾十年，智能交通系統ITS非?；馃?，可以說，它是未來交通系統的發(fā)展方 向，而利用多源數據、數據融合、在線學習等算法達到系統的最佳性能，這是目前ITS應用研 究的一個趨勢。車輛定位是智能交通中非常重要的一部分，目前，許多車輛導航系統利用 GPS接收機作為主要信息來源，它能提供全方位精確連續(xù)的位置信息，然而在復雜城市交通 環(huán)境中，GPS也存在一些問題，導致位置信息的潛在誤差。
[0003] GPS主要會產生以下三個問題。一是多路徑：就是一個地方可能同時接到多個GPS 信息，尤其在有許多高大建筑物的城鎮(zhèn)地區(qū)，容易產生多通道效應和時鐘偏置誤差，導致車 輛位置數據出現潛在錯誤。二是數據丟失問題。通常發(fā)生在車輛經過隧道時，由于衛(wèi)星信號 被阻擋，導致整個系統通訊中斷。三是可見衛(wèi)星太少。只有當用戶能接收到4顆或更多顆衛(wèi) 星的信號時，才能由GPS得到精確的定位信息。為了解決這些問題，提高定位系統精確度，更 好的解決辦法是將GPS與慣性導航系統INS集成。INS是一個獨立的系統，包括三軸加速計、 三軸陀螺儀等。然后通過對這些原始測量值做數據融合和建模學習，就可以在GPS通訊中斷 的時候，準確預測車輛的定位信息。
[0004] 歷年來，研究者在做INS/GPS集成模塊的時候，提出了許多數據融合算法，比如卡 爾曼濾波、粒子濾波、神經網絡、支持向量機等等。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，由于噪聲過大導致建模更加困難，并且許多傳統的預測方 法，其訓練過程中每個訓練樣本的重要性都是一致的，沒有考慮到距離目標預測點越近的 數據，其關聯度和重要性應該更大的特性。
[0005]在我國國情中，尤其是北上廣的一些大城市，容易出現車輛擁堵、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，傳感器誤差波動大， 數據可能存在很大的噪聲誤差，數據建模更加困難。因此，在提高車輛位置預測精確度的情 況下，還必須保證預測系統的魯棒性和實用性，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測方法是很有必要的。

【發(fā)明內容】

[0006]本發(fā)明基于OL-WSVR算法提出了一種新的車輛位置預測方法和系統，在GPS信號有 效或者短暫失效情況下，均可以利用智能手機的低成本INS/GPS傳感器系統，通過對行駛狀 態(tài)的訓練數據安排相應的權值，基于OL-WSVR算法進行數據融合和建模，最終順利獲得準確 的導航信息，即使在交通條件復雜的城市環(huán)境，GPS信號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據。
[0007] 為解決上述技術問題，本發(fā)明提出的技術方案為:一種基于Online-WSVR算法的車 輛位置信息預測方法，包括以下步驟：
[0008] SI:車內組合導航系統實時采集車輛的行駛狀態(tài)信息；
[0009] S2:利用滑動數據窗口，依據車輛之前一段時間的行駛狀態(tài)信息，采用Online-WSVR算法進行數據融合和建模，且為每個時間點的數據分發(fā)權值，使其對建模系數的貢獻 不同，增大精確度，并實時更新建模參數；
[0010] S3:根據當前的行駛狀態(tài)信息，利用Online-WSVR的建模函數實時預測車輛下一刻 的位置信息：如果當前組合導航系統中的衛(wèi)星定位系統信號有效，則將預測出的下一刻經 度與煒度信息擦除；如果當前衛(wèi)星定位系統信號失效，訓練好的OL-WSVR模型則根據輸入的 組合導航系統中的慣性導航系統參數和建模參數，得到對應的下一刻預測位置，并將預測 出的定位信息寫入訓練集建模，作為下一刻預測的建模樣本。
[0011] 作為本發(fā)明方法的進一步改進:所述衛(wèi)星定位系統為GPS;慣性導航系統包括三軸 加速計和三軸陀螺儀。
[0012] 進一步的，所述步驟Sl中采集的車輛行駛狀態(tài)數據，包括車輛某一時刻的速度、加 速度、角度、角速度、經度和煒度，且每秒采集一次數據。經度或煒度值的單位為角度換算成 米的值;其中每秒經線長度約為30.87m，每秒煒線長度約為30.922*cosarn，α為對應的煒度。 [00 13]進一步的，所述Online-WSVR算法建模預測的具體實現方法包括以下步驟：
[0014] S41:分別針對經度和煒度，輸入滑動數據窗口為N的訓練集(X1，yi)，（X2，y 2)，…， (xn，yn)進行訓練，建模得出下述線性回歸方程：
[0015] f(x) =wT<}) (Xi)+b (I)
[0016] 其中，x為四維數據，按順序為加速度、角速度、角度和速度;y為一維數據，是當前 時刻與上一刻間的經度位移差或煒度位移差;η為訓練集總數;w為權向量，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系。
[0017] S42:滑動數據窗口每秒前進一個，當第c時刻時，第c個樣本(xc，yc)加入訓練集， 算法進行訓練，在SVR中引入核函數(Kernel Function)來簡化非線性逼近或回歸，核函數 滿足Qij= Φ (Χ?)ΤΦ (Xi)=K(Xi，Xj)，更新建模參數，重新計算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算法的訓練建模過程貫穿整個行駛過程。
[0018] S43:當檢測到衛(wèi)星定位系統信號失效，則根據之前的建模系數f(x)，對c+1刻的車 輛位置進行預測，得到預測的經度和煒度y。+:，并將其作為下一刻的輸入(nyw)，加入滑 動數據窗口中，繼續(xù)進行訓練，持續(xù)這個過程直到衛(wèi)星定位系統信號恢復。
[0019] 進一步的，所述Online-WSVR算法的建模過程可以轉化為凸優(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)) 是訓練過程中對應的權衡系數，使得訓練誤差最小。
[0023] 進一步的，所述系數Ci的計算方法為Ci= ω fi*C，其中ω fi為高斯核函數加權函 數，其計算公式為：
[0024] (4)
[0025] 其中，Xi為訓練樣本，X為目標樣本數據，h為帶寬參數，在本地建模過程中需保持 最佳值，相鄰每個點的權值根據其與X點的距離而定，距離越近，權值越大，反之越小。
[0026] 進一步的，所述系數Θ。為拉格朗日乘子的差疼=爲-<，1!(1)為邊緣函數，對第1個 樣本來說，其計算公式為：
[0027]
(5)
[0028]并且，建模過程中需滿足的KKT條件為：
[0029]
(6)
[0030]進一步的，所述N為10,且y的初始位移差為0。
[0031 ] 進一步的，所述Online-WSVR算法的核函數為徑向基函數RBF，即exp(-p I Xi-Xj 12) 〇
[0032] 進一步的，所述決定新加入的樣本i放入哪個樣本集的條件為：
[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] 與現有技術相比，本發(fā)明的優(yōu)點在于：
[0035]本發(fā)明提供的基于Online-WSVR算法的車輛位置信息預測方法，使用智能手機自 帶的INS/GPS傳感器系統進行數據搜集，并將車輛行駛狀態(tài)信息進行數據融合，增量學習， 在訓練過程中，根據訓練數據與目標數據點之間的距離，給每個訓練數據點分配權值，使其 對應于訓練建模過程的貢獻不同，距離目標數據點越近的貢獻越大，實現了Online-WSVR模 型的在線動態(tài)更新，最終預測出高精確性的車輛位置信息。該方法能實現實時定位車輛，為 車與車之間的智能交通系統應用提供可靠性、實用性和精確度較高的位置信息。相較于傳 統的車輛位置預測方法，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 動大、建模困難的情況下，也保證了較高的精確度，同時預測時間短(約為0.01s)，保證了預 測方法的實時性，很好地滿足了一些智能交通系統相關應用的需求。
【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測方法的流程圖；
[0037]圖2為本發(fā)明中Online-WSVR算法實現流程圖；
[0038]圖3為本發(fā)明實施例中車輛行駛軌跡場景圖；
[0039]圖4為本發(fā)明實施例中預測的煒度結果誤差值與PLSR和OL-SVR算法對比圖；
[0040]圖5為本發(fā)明實施例中預測的經度結果誤差值與PLSR和OL-SVR算法對比圖；
[0041]圖6為本發(fā)明實施例中某段GPS失效階段的參考系與預測值對比圖；
[0042]圖7為本發(fā)明實施例中另一段GPS失效階段的參考系與預測值對比圖。
【具體實施方式】
[0043]以下結合說明書附圖和具體優(yōu)選的實施例對本發(fā)明作進一步描述，但并不因此而 限制本發(fā)明的保護范圍。
[0044]如圖1所示，本實施例中基于Onl ine-WSVR算法的車輛位置信息預測方法，步驟為： [0045] (1)利用智能手機中的低成本INS/GPS組合制導系統實時采集車輛的行駛狀態(tài)信 息；
[0046] (2)利用滑動數據窗口，依據車輛之前一段時間的行駛狀態(tài)信息，采用Online- WSVR算法進行數據融合和建模，且為每個時間點的數據分發(fā)權值，使其對建模系數的貢獻 不同，增大精確度，并實時更新建模參數；
[0047] (3)根據當前的行駛狀態(tài)信息，利用Online-WSVR的建模函數實時預測車輛下一刻 的位置信息：如果當前INS/GPS組合制導系統中的衛(wèi)星定位系統信號有效，則將預測出的下 一刻經度與煒度信息擦除；如果當前衛(wèi)星定位系統信號失效，訓練好的OL-WSVR模型則根據 輸入的INS/GPS組合制導系統中的慣性導航系統參數和建模參數，得到對應的下一刻預測 位置，并將預測出的定位信息寫入訓練集建模，作為下一刻預測的建模樣本。
[0048]如圖2為Online-WSVR算法實現流程圖，在算法開始時，先進行數據的初始化，然后 導入之前一段時間內車輛的行駛數據，對其進行訓練，基于Online-WSVR算法進行數據融合 和建模，并為每個時間點的數據分發(fā)相應的權值，根據建模參數預測出當前的經煒度信息。 接著算法拋棄舊樣本，檢查此時GPS信號是否失效，若有效，則將預測出的下一刻經度與煒 度信息擦除；若失效，則訓練好的OL-WSVR模型則根據輸入的INS/GPS組合制導系統中的慣 性導航系統參數和建模參數，得到對應的下一刻預測位置，并將預測出的定位信息寫入訓 練集建模，作為下一刻預測的建模樣本。
[0049] 如圖3是本實施例中的車輛行駛軌跡，其場景為中國湖南省長沙市某段城區(qū)的道 路，且為上班高峰期時段進行數據采集，道路場景包括各種彎道、高架橋和速度、方向改變， 保證了實施例對本發(fā)明基于Online-WSVR算法的車輛位置信息預測方法的魯棒性和實用性 的驗證。行駛過程中，數據一共采集了 1400s左右，每秒采集一次，即有1400多條速度、加速 度、角度、角速度、經度、煒度的數據。INS/GPS組合制導系統中數據的導出采用JAVA代碼實 現。
[0050] 本實施例中，GPS的失效情況一共出現了5次，分別是在直線、高架橋、彎道、高速和 低速行駛狀況下。每次失效時長不等，大約為28-45秒。
[0051] 本實施例中，輸入為加速度、速度、角速度、角度以及上一刻與當前時刻的經度或 煒度位移差，輸出為下一刻與當前時刻的經度或煒度位移差，Online-WSVR算法即在線動態(tài) 建模得到此二者之間的方程關系，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測方法預測出的車輛軌跡，與真實的車輛GPS位置進行 對比，以驗證方法的精確度，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分別為預測結果和參考系的值，M為GPS失效時長。
[0054]本實施例中，當GPS信號有效時，首先輸入前10個數據點，利用Online-WSVR算法對 其進行訓練學習，得到第11個數據點的預測經煒度。然后該數據窗口前移一位，包含進11個 數據點，形成新的2-11窗口之間的10個數據輸入，然后得到第12個數據點的預測經煒度。該 過程一直持續(xù)到最后一個數據點預測完畢。而在此之間，當探測到GPS信號失效時，訓練好 的Online-WSVR動態(tài)模型則立即預測下一刻的經煒度，將其記錄顯示出來，并將預測值放入 訓練集，作為下一次訓練的輸入，以此類推，反復進行下去，直到GPS信號恢復。每一個數據 點的建模預測時間大約為0.01秒，幾乎可以實現實時預測。
[0055]本實施例中，對預測得出的經煒度數據進行還原，原算法輸出的值為經度或煒度 位移差，與車輛行駛的初始經煒度進行相加減，得到每一刻的預測經度或煒度，其單位為 米，換算后可得單位為度的經煒度值，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，預測的煒度與經度結果誤差 值，并且是本發(fā)明預測軌跡的誤差值與基于PLSR、0L-SVR算法的車輛位置預測誤差值之間 的對比圖，其中實線為本發(fā)明的預測誤差值，點線為基于OL-SVR算法的預測誤差值，虛線為 基于PLSR算法的預測誤差值?？梢钥吹?，本發(fā)明的預測誤差值遠低于其他兩種算法的預測 結果，其預測的精確度相當高。
[0057] 圖6和圖7為其中某兩段GPS失效情況的放大圖，其中實線為車輛行駛軌跡參考值， 虛線為本發(fā)明的預測值，可以更加清晰看到參考系與預測值之間的對比情況。
[0058] 上述只是本發(fā)明的較佳實施例，并非對本發(fā)明作任何形式上的限制。雖然本發(fā)明 已以較佳實施例揭露如上，然而并非用以限定本發(fā)明。任何熟悉本領域的技術人員，在不脫 離本發(fā)明技術方案范圍的情況下，都可利用上述揭示的技術內容對本發(fā)明技術方案做出許 多可能的變動和修飾，或修改為等同變化的等效實施例。因此，凡是未脫離本發(fā)明技術方案 的內容，依據本發(fā)明技術實質對以上實施例所做的任何簡單修改、等同變化及修飾，均應落 在本發(fā)明技術方案保護的范圍內。
【主權項】
1. 一種基于Online-WSVR算法的車輛位置信息預測方法，其特征在于，包括以下步驟： Sl:車內組合導航系統實時采集車輛的行駛狀態(tài)信息； S2:利用滑動數據窗口，依據車輛之前一段時間的行駛狀態(tài)信息，采用Onl ine-WSVR算 法進行數據融合和建模，且為每個時間點的數據分發(fā)權值，使其對建模系數的貢獻不同，增 大精確度，并實時更新建模參數； S3:根據當前的行駛狀態(tài)信息，利用On I ine-WSVR的建模函數實時預測車輛下一刻的位 置信息：如果當前組合導航系統中的衛(wèi)星定位系統信號有效，則將預測出的下一刻經度與 煒度信息擦除；如果當前衛(wèi)星定位系統信號失效，訓練好的OL-WSVR模型則根據輸入的組合 導航系統中的慣性導航系統參數和建模參數，得到對應的下一刻預測位置，并將預測出的 定位信息寫入訓練集建模，作為下一刻預測的建模樣本。2. 根據權利要求1所述的一種基于Online-WSVR算法的車輛位置信息預測方法，其特征 在于，所述衛(wèi)星定位系統為GPS;慣性導航系統包括三軸加速計和三軸陀螺儀。3. 根據權利要求1所述的一種基于Online-WSVR算法的車輛位置信息預測方法，其特征 在于，所述步驟Sl中采集的車輛行駛狀態(tài)數據，包括車輛某一時刻的速度、加速度、角度、角 速度、經度和煒度，且每秒采集一次數據;所述經度或煒度值的單位為角度換算成米的值； 其中每秒經線長度為30.87111，每秒煒線長度為30.922*(3〇8€ [111，€[為對應的煒度。4. 根據權利要求1-3中任意一項所述的一種基于Online-WSVR算法的車輛位置信息預 測方法，其特征在于，所述Online-WSVR算法建模預測的具體實現方法包括以下步驟： S41:分別針對經度和煒度，輸入滑動數據窗口為N的訓練集(X1，yi)，（X2，y 2)，~，（Xn， yn)進行訓練，建模得出下述線性回歸方程： f(x) =wTΦ (xi)+b (I) 其中，X為四維數據，按順序為加速度、角速度、角度和速度;y為一維數據，是當前時刻 與上一刻間的經度位移差或煒度位移差;η為訓練集總數;w為權向量，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系； S42:滑動數據窗口每秒前進一個，當第c時刻時，第c個樣本(xc，yc)加入訓練集，算法 進行訓練，在SVR中引入核函數來簡化非線性逼近或回歸，核函數滿足Qlj=Ci) (Χι)ΤΦ (X1) = K(xi，xj)，更新建模參數，重新計算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算法的訓練 建模過程貫穿整個行駛過程； S43:當檢測到衛(wèi)星定位系統信號失效，則根據之前的建模系數f(x)，對c+1刻的車輛位 置進行預測，得到預測的經度和煒度yc+Ι，并將其作為下一刻的輸入(Xc+l，yc+l)，加入滑 動數據窗口中，繼續(xù)進行訓練，持續(xù)這個過程直到衛(wèi)星定位系統信號恢復。5. 根據權利要求4所述的一種基于Online-WSVR算法的車輛位置信息預測方法，其特征 在于，所述Online-WSVR算法的建模過程可以轉化為凸優(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))是訓練 過程中對應的權衡系數，使得訓練誤差最小。6. 根據權利要求5所述的一種基于Online-WSVR算法的車輛位置信息預測方法，其特征 在于，所述系數Ci的計算方法為Ci = Ofi*C，其中COfi為高斯核函數加權函數，其計算公式 為：(4) 其中，X1為訓練樣本，X為目標樣本數據，h為帶寬參數，在本地建模過程中需保持最佳 值，相鄰每個點的權值根據其與X點的距離而定，距離越近，權值越大，反之越小。7. 根據權利要求4所述的一種基于Online-WSVR算法的車輛位置信息預測方法，其特征 在于，所述系數Θ。為拉格朗日乘子的差後=& ，h(x。)為邊緣函數，對第i個樣本來說，其 計算公式為：(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. 根據權利要求4所述的一種基于Online-WSVR算法的車輛位置信息預測方法，其特征 在于，所述N為10,且y的初始位移差為0。9. 根據權利要求4所述的一種基于Online-WSVR算法的車輛位置信息預測方法，其特征 在于，所述Online-WSVR算法的核函數Qij為徑向基函數RBF，即exp(-p I Xi-Xj 12)。10. 根據權利要求4所述的一種基于Online-WSVR算法的車輛位置信息預測方法，其特 征在于，所述決定新加入的樣本i放入哪個樣本集的條件為： 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】G01C21/16GK105890592SQ201610190012
【公開日】2016年8月24日
【申請日】2016年3月30日
【發(fā)明人】王東, 廖嘉琦, 肖竹, 李曉鴻
【申請人】湖南大學