本发明涉及智能交通技术领域，具体涉及一种gnss终端在高架上或高架下的检测方法。
背景技术
为了在道路交通导航中准确规划导航路径，需要准确获取载体的位置，一般的导航软件会利用终端上的gnss(globalnavigationsatellitesystem，全球导航卫星系统)设备进行定位，并融合惯性器件和地图匹配技术进行改善，然而，上述设备和技术重点在获取和提高平面定位精度，解决了平面方向上的位置获取和偏移改善问题，但在高程方向上的定位精度仍然不足。
随着社会的城市化进程，城市人口在逐渐增多，随之而来的是对交通的需求日益增长，因此城市内的各类交通基础设施在逐步增加建设和投入使用，其中道路交通设施包括普通道路、高架道路和隧道等，这些复杂的道路设计使城市道路交通趋于立体化。在立体的道路交通环境中，如果高程方向上的精度不足，会产生高架上/下区分错误的问题，从而影响规划的导航路径，并提供错误的引导，导致存在一定的交通事故风险。例如，用户以较高的速度行驶在高架路上，但由于导航系统的判断失误将用户判断在高架下的普通道路上，并规划错误的导航路线并引导用户拐弯或不正确的变道，致使事故风险升高。
为了弥补高程定位精度不高的缺陷，解决上述高架上/下错分问题并提高高架上/下分辨精度，目前已有的技术方案包括利用惯性器件和气压计识别用户上/下坡行为，并结合地图匹配技术，分辨用户是否在高架附近上/下坡，从而推断用户是否在高架路上行驶。但是，现有技术存在的缺点在于：
1)仅利用gnss的定位信息，结合惯性导航和地图匹配技术无法获取高精度的高程信息，在城市立体道路交通中存在高架上下错分问题。
2)在已知用户初始高架上/下状态后，利用gnss定位和地图匹配技术，可以识别用户是否在高架路附近，结合惯性器件和气压计，可以分辨和记录用户是否的上/下坡行为，利用上述方案可以提高高架上/下的分辨精度。然而，上述方案需要已知初始高架上/下状态，并需要检测和记录用户的上/下坡历史，并非开机可用。例如，用户在高架上开启导航时，由于没有前期用户在高架上/下的信息和上/下坡记录，因此仍然会导致高架上/下的判断错误。
技术实现要素：
为了解决高架上下错分问题，并避免上述惯性器件和气压计方案的弊端，本发明提出了一种gnss终端在高架上或高架下的检测方法，利用手机或车载等终端的gnss模块输出的信息提取相关特征数据，结合机器学习方法和高架上/下真值，学习出可以用来检测终端在高架上/下的模型，并对模型进行评估择优，最终选择随机森林模型并在实际应用中利用该模型判断终端运动在高架道路上还是在高架下的普通道路上。
本发明采用的技术方案如下：
一种gnss终端在高架上或高架下的检测方法，包括将获取的gnss终端的观测特征值输入随机森林模型，所述的随机森林模型依据所述的观测特征值给出1个以上决策结果，按gnss终端在高架上或gnss终端在高架下对决策结果进行分类，占比50％以上的决策结果作为随机森林模型给出gnss终端在高架上或高架下的判断结果；
所述的决策结果包括gnss终端在高架上或gnss终端在高架下的信息；
所述的特征值包括wgs84经度、wgs84纬度、gnss高程、方位角、卫星数、北向速度、东向速度、地向速度、北向位置误差标准差、东向位置误差标准差、地向位置误差标准差、北向速度误差标准差、东向速度误差标准差、地向速度误差标准差、几何精度因子、三维定位模糊度和二维定位模糊度之任意几种。
进一步地，所述检测方法还包括模型应用阶段，在模型应用阶段，利用gnss模块提供的观测数据提取特征，并利用所述特征和模型学习阶段确定的模型来识别高架上/下的状态。
进一步地，在模型应用阶段中，将特征值作为输入，输入至随机森林模型中。
进一步地，所述随机森林模型由不同的样本和特征组合学习出的n个决策树组成，n至少为2。
进一步地，将最优特征值输入后得到n个不同的高架上/下分辨结果，再对n个高架上/下分辨结果进行简单投票，即统计结果中有占比50％以上的决策结果的结果作为最终高架上/下状态的输出。
所述的数据集中特征包括wgs84经度、wgs84纬度、gnss高程、方位角、卫星数、北向速度、东向速度、地向速度、北向位置误差标准差、东向位置误差标准差、地向位置误差标准差、北向速度误差标准差、东向速度误差标准差、地向速度误差标准差、几何精度因子、三维定位模糊度和二维定位模糊度之任意几种特征值。
本发明还提供了一种gnss终端在高架上或高架下的检测装置，包括：
gnss模块，用于提供观测数据，进行特征提取获取gnss终端的观测特征值；
决策结果生成模块，用于将观测特征值输入随机森林模型，所述随机森林模型依据观测特征值给出1个以上决策结果；
高架上/下判定模块，基于gnss终端在高架上或gnss终端在高架下对决策结果进行分类，占比50％以上的决策结果作为随机森林模型给出gnss终端在高架上或高架下的判断结果。
进一步地，所述的决策结果包括gnss终端在高架上或gnss终端在高架下的信息；
所述的特征值包括wgs84经度、wgs84纬度、gnss高程、方位角、卫星数、北向速度、东向速度、地向速度、北向位置误差标准差、东向位置误差标准差、地向位置误差标准差、北向速度误差标准差、东向速度误差标准差、地向速度误差标准差、几何精度因子、三维定位模糊度和二维定位模糊度之任意几种。
本发明还提供了一种随机森林模型学习方法，收集gnss终端在高架上和gnss终端在高架下的观测数据并标记高架上、下真值作为一个数据集，采用“自助采样”(bootstrapping)的方法，产生1组以上的抽样数据，利用各个所述的抽样数据进行相应学习产生各个决策树，但与一般的决策树不同的是，为了在特征选择上添加扰动，在上述决策树分裂度量中选择最优特征的特征备选集并非为全部特征，而是全部特征的子集。
所述的特征值包括wgs84经度、wgs84纬度、gnss高程、方位角、卫星数、北向速度、东向速度、地向速度、北向位置误差标准差、东向位置误差标准差、地向位置误差标准差、北向速度误差标准差、东向速度误差标准差、地向速度误差标准差、几何精度因子、三维定位模糊度和二维定位模糊度之任意几种。
本发明还提供了一种app应用终端，所述app应用终端采用gnss终端在高架上或高架下的检测方法。
本发明的有益效果在于，可直接利用gnss信息，利用机器学习根据高架上下环境中的信号数据学习出相应的模型，可以提高高架上/下分辨的精度，并做到不依赖其他传感器，不需要前期相关上/下坡记录，可以开机即可用。
附图说明
图1为本发明基于随机森林的在高架上或高架下的检测方法流程图。
图2随机森林中的三棵树的结构。
具体实施方式
本发明gnss终端在高架上或高架下的检测方法存在两个步骤，包括前期的模型学习阶段和实时的模型应用阶段，下文中，结合附图和实施例对本发明作进一步阐述。
实施例一：
在模型学习阶段，收集gnss终端在高架上和gnss终端在高架下的观测数据作为一个数据集，采用“自助采样”(bootstrapping)的方法，产生1组以上的抽样数据，各个所述的抽样数据相应产生一棵决策树，但与一般的决策树不同的是，为了在特征选择上添加扰动，在上述决策树分裂度量中选择最优特征的特征备选集并非为全部特征，而是全部特征的子集，由此产生的多棵决策树构成随机森林。
所述的数据集包括wgs84经度、wgs84纬度、gnss高程、方位角、卫星数、北向速度、东向速度、地向速度、北向位置误差标准差、东向位置误差标准差、地向位置误差标准差、北向速度误差标准差、东向速度误差标准差、地向速度误差标准差、几何精度因子、三维定位模糊度和二维定位模糊度之任意几种特征值。
实施例二：
图1为本发明基于随机森林的在高架上或高架下的检测方法流程图，在模型应用阶段，读取终端中gnss模块提供的信息作为输入特征，包括wgs84经度、wgs84纬度、gnss高程、方位角、卫星数、北向速度、东向速度、地向速度、北向位置误差标准差、东向位置误差标准差、地向位置误差标准差、北向速度误差标准差、东向速度误差标准差、地向速度误差标准差、gdop(geometricdilutionofprecision，几何精度因子)、pdop(positiondilutionofprecision，三维定位模糊度)、hdop(horizontaldilutionofprecision，二维定位模糊度)，分别记为特征{f1，f2...，fm}，m＝17。
将上述特征导入随机森林模型系统中，该系统由训练数据集事先学习获得，即对训练集进行n次自助采样获得n个训练集，并利用该n个训练集训练获得n棵决策树，记为{h1(x)，h2(x)，...，hn(x)}，n＞1。每一棵决策树模型的特征分裂度量为信息增益或基尼指数。假定当前样本集合d中第k类样本所占的比例为pk(k＝1，2，..，|y|)，则集合d的信息熵的定义为公式(1)，基尼值的定义为公式(2)。假定离散特征a有v个可能的取值，若用a来对d进行划分，则会产生v个分支结点，其中第v个结点包含了所有在特征a上取值为av的样本，记为dv，则用特征a对样本d进行划分所获得的信息增益定义为公式(3)，基尼指数定义为公式(4)。
与一般的决策树不同，为了在特征选择上添加扰动，在上述分裂度量中选择最优特征的特征备选集并非为全部特征，而是全部特征的子集，其中全部特征个数为m＝17，每个备选集特征个数为log2m。
当上述gnss终端特征信息分别进入n棵决策树后，会产生n个高架上/下的判断结果，最终判断结果采用简单多数投票法获得，如公式(5)所示。
其中，h(x)表示组合分类模型，hi(x)是单个决策树分类模型，y表示输出变量(高架上或高架下)，i(·)为示性函数，当括号内等式成立时取1，不成立时取0。
例如，当分裂度量为信息增益，选择的特征为gnss高程(alt)、可见卫星数(sv)、gdop、pdop、hdop等，选择决策树的数目为3棵时，随机森林中的三棵树的结构分别如图2所示，其中结果中on表示在高架上，under在高架下：
在实际应用时，实时提取的五个特征值将分别输入三棵决策树中，最终得到三个决策结果，并从这三个决策结果中进行简单投票，即统计结果中占比50％以上的决策结果作为最终高架上/下状态的输出。本领域技术人员应该知道，本实施例只是随机选取五个特征进行决策结果的判定，本领域技术人员可以根据实际情况需要，从中选择有效的特征组合作为输入，进行决策结果的判定，以提高判定结果准确性。
实施例三：
本发明还提供了一种gnss终端在高架上或高架下的检测装置，包括：
gnss模块，用于提供观测数据，进行特征提取获取gnss终端的观测特征值；
决策结果生成模块，用于将观测特征值输入随机森林模型，所述随机森林模型依据观测特征值给出1个以上决策结果；
高架上/下判定模块，基于gnss终端在高架上或gnss终端在高架下对决策结果进行分类，占比50％以上的决策结果作为随机森林模型给出gnss终端在高架上或高架下的判断结果。
优选地，所述的决策结果包括gnss终端在高架上或gnss终端在高架下的信息；
所述的特征值包括wgs84经度、wgs84纬度、gnss高程、方位角、卫星数、北向速度、东向速度、地向速度、北向位置误差标准差、东向位置误差标准差、地向位置误差标准差、北向速度误差标准差、东向速度误差标准差、地向速度误差标准差、几何精度因子、三维定位模糊度和二维定位模糊度之任意几种。
本发明还提供了一种随机森林模型学习方法，收集gnss终端在高架上和gnss终端在高架下的观测数据并标记高架上、下真值作为一个数据集，采用“自助采样”(bootstrapping)的方法，产生1组以上的抽样数据，利用各个所述的抽样数据进行相应学习产生各个决策树，但与一般的决策树不同的是，为了在特征选择上添加扰动，在上述决策树分裂度量中选择最优特征的特征备选集并非为全部特征，而是全部特征的子集。
优选地，所述的决策结果包括gnss终端在高架上或gnss终端在高架下的信息；
所述的特征值包括wgs84经度、wgs84纬度、gnss高程、方位角、卫星数、北向速度、东向速度、地向速度、北向位置误差标准差、东向位置误差标准差、地向位置误差标准差、北向速度误差标准差、东向速度误差标准差、地向速度误差标准差、几何精度因子、三维定位模糊度和二维定位模糊度之任意几种。
本发明还提供了一种app应用终端，所述app应用终端采用gnss终端在高架上或高架下的检测方法。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。