基于 Online-WSVR 算法的车辆位置信息预测方法
【专利摘要】本发明公开一种基于Online?WSVR算法的车辆位置信息预测方法，其步骤为：1)利用车内组合导航系统实时采集车辆的行驶状态信息；2)依据车辆之前一段时间的行驶状态信息，采用Online?WSVR算法进行建模，且为每个时间点的数据分发权值，使其对建模系数的贡献不同，增大精确度；3)根据当前的行驶状态信息，利用Online?WSVR的建模函数实时预测车辆下一刻的位置信息：如果当前GPS信号有效，则将预测出的下一刻经度与纬度信息擦除；如果当前GPS信号失效，则利用Online?WSVR算法预测出车辆下一刻的经度与纬度信息，并将其写入训练集建模，作为之后预测的建模样本。本发明具有原理简单、适用范围广、定位预测精度高、价廉便携和可靠性好等优点。
【专利说明】
基于On I i ne-WSVR算法的车辆位置信息预测方法
技术领域
[0001] 本发明主要涉及车辆位置信息预测领域，尤其涉及当GPS信号短暂失效时的基于 0nline_WSVR(0nline Weight Support Vector Machine for Regression)算法的车辆定 位方法。
【背景技术】
[0002] 最近这几十年，智能交通系统ITS非常火热，可以说，它是未来交通系统的发展方 向，而利用多源数据、数据融合、在线学习等算法达到系统的最佳性能，这是目前ITS应用研 究的一个趋势。车辆定位是智能交通中非常重要的一部分，目前，许多车辆导航系统利用 GPS接收机作为主要信息来源，它能提供全方位精确连续的位置信息，然而在复杂城市交通 环境中，GPS也存在一些问题，导致位置信息的潜在误差。
[0003] GPS主要会产生以下三个问题。一是多路径：就是一个地方可能同时接到多个GPS 信息，尤其在有许多高大建筑物的城镇地区，容易产生多通道效应和时钟偏置误差，导致车 辆位置数据出现潜在错误。二是数据丢失问题。通常发生在车辆经过隧道时，由于卫星信号 被阻挡，导致整个系统通讯中断。三是可见卫星太少。只有当用户能接收到4颗或更多颗卫 星的信号时，才能由GPS得到精确的定位信息。为了解决这些问题，提高定位系统精确度，更 好的解决办法是将GPS与惯性导航系统INS集成。INS是一个独立的系统，包括三轴加速计、 三轴陀螺仪等。然后通过对这些原始测量值做数据融合和建模学习，就可以在GPS通讯中断 的时候，准确预测车辆的定位信息。
[0004] 历年来，研究者在做INS/GPS集成模块的时候，提出了许多数据融合算法，比如卡 尔曼滤波、粒子滤波、神经网络、支持向量机等等。但是它们都没有考虑到特殊极端交通情 况下的INS传感器误差大的情况，由于噪声过大导致建模更加困难，并且许多传统的预测方 法，其训练过程中每个训练样本的重要性都是一致的，没有考虑到距离目标预测点越近的 数据，其关联度和重要性应该更大的特性。
[0005]在我国国情中，尤其是北上广的一些大城市，容易出现车辆拥堵、恶劣天气等等情 况。这里的极端的条件就包括撞车、恶劣天气、上下班高峰或者假期等，传感器误差波动大， 数据可能存在很大的噪声误差，数据建模更加困难。因此，在提高车辆位置预测精确度的情 况下，还必须保证预测系统的鲁棒性和实用性，研究出稳定性好、精确度高、可在极端交通 条件下保持鲁棒性的车辆定位预测方法是很有必要的。
【发明内容】
[0006]本发明基于OL-WSVR算法提出了一种新的车辆位置预测方法和系统，在GPS信号有 效或者短暂失效情况下，均可以利用智能手机的低成本INS/GPS传感器系统，通过对行驶状 态的训练数据安排相应的权值，基于OL-WSVR算法进行数据融合和建模，最终顺利获得准确 的导航信息，即使在交通条件复杂的城市环境，GPS信号微弱或失效的情况下，依然可以为 车辆提供精确高效的位置数据。
[0007] 为解决上述技术问题，本发明提出的技术方案为:一种基于Online-WSVR算法的车 辆位置信息预测方法，包括以下步骤：
[0008] SI:车内组合导航系统实时采集车辆的行驶状态信息；
[0009] S2:利用滑动数据窗口，依据车辆之前一段时间的行驶状态信息，采用Online-WSVR算法进行数据融合和建模，且为每个时间点的数据分发权值，使其对建模系数的贡献 不同，增大精确度，并实时更新建模参数；
[0010] S3:根据当前的行驶状态信息，利用Online-WSVR的建模函数实时预测车辆下一刻 的位置信息：如果当前组合导航系统中的卫星定位系统信号有效，则将预测出的下一刻经 度与炜度信息擦除；如果当前卫星定位系统信号失效，训练好的OL-WSVR模型则根据输入的 组合导航系统中的惯性导航系统参数和建模参数，得到对应的下一刻预测位置，并将预测 出的定位信息写入训练集建模，作为下一刻预测的建模样本。
[0011] 作为本发明方法的进一步改进:所述卫星定位系统为GPS;惯性导航系统包括三轴 加速计和三轴陀螺仪。
[0012] 进一步的，所述步骤Sl中采集的车辆行驶状态数据，包括车辆某一时刻的速度、加 速度、角度、角速度、经度和炜度，且每秒采集一次数据。经度或炜度值的单位为角度换算成 米的值;其中每秒经线长度约为30.87m，每秒炜线长度约为30.922*cosarn，α为对应的炜度。 [00 13]进一步的，所述Online-WSVR算法建模预测的具体实现方法包括以下步骤：
[0014] S41:分别针对经度和炜度，输入滑动数据窗口为N的训练集(X1，yi)，（X2，y 2)，…， (xn，yn)进行训练，建模得出下述线性回归方程：
[0015] f(x) =wT<}) (Xi)+b (I)
[0016] 其中，x为四维数据，按顺序为加速度、角速度、角度和速度;y为一维数据，是当前 时刻与上一刻间的经度位移差或炜度位移差;η为训练集总数;w为权向量，b是截距，Φ (X1) 将输入空间映射到高维空间，f(x)即为输入与输出之间的建模关系。
[0017] S42:滑动数据窗口每秒前进一个，当第c时刻时，第c个样本(xc，yc)加入训练集， 算法进行训练，在SVR中引入核函数(Kernel Function)来简化非线性逼近或回归，核函数 满足Qij= Φ (Χ?)ΤΦ (Xi)=K(Xi，Xj)，更新建模参数，重新计算f(xc)，h(xc)和Θ。，并在满足 KKT条件下，决定将新加入的样本放入哪个样本集，包括支持样本集、误差样本集、剩余样本 集，Onl ine-WSVR算法的训练建模过程贯穿整个行驶过程。
[0018] S43:当检测到卫星定位系统信号失效，则根据之前的建模系数f(x)，对c+1刻的车 辆位置进行预测，得到预测的经度和炜度y。+:，并将其作为下一刻的输入(nyw)，加入滑 动数据窗口中，继续进行训练，持续这个过程直到卫星定位系统信号恢复。
[0019] 进一步的，所述Online-WSVR算法的建模过程可以转化为凸优化问题，建模过程即 为得到最小化的下述方程：
[0020] (2)
[0021] (3)
[0022] 其中，〇0)是训练过程中方程f(x)允许的最大误差，ξ^Ρξ，为松弛变量，C1(X)) 是训练过程中对应的权衡系数，使得训练误差最小。
[0023] 进一步的，所述系数Ci的计算方法为Ci= ω fi*C，其中ω fi为高斯核函数加权函 数，其计算公式为：
[0024] (4)
[0025] 其中，Xi为训练样本，X为目标样本数据，h为带宽参数，在本地建模过程中需保持 最佳值，相邻每个点的权值根据其与X点的距离而定，距离越近，权值越大，反之越小。
[0026] 进一步的，所述系数Θ。为拉格朗日乘子的差疼=爲-<，1!(1)为边缘函数，对第1个 样本来说，其计算公式为：
[0027]
(5)
[0028]并且，建模过程中需满足的KKT条件为：
[0029]
(6)
[0030]进一步的，所述N为10,且y的初始位移差为0。
[0031 ] 进一步的，所述Online-WSVR算法的核函数为径向基函数RBF，即exp(-p I Xi-Xj 12) 〇
[0032] 进一步的，所述决定新加入的样本i放入哪个样本集的条件为：
[0033] 若S={i I (QiG (〇，C) nh(Xi)=_e) U (0ie (-C，0) nh(Xi) = e)}，则放入支持向量 集中；若E={i I (Qi = -Cnh(Xi)彡ε) U (0i = cnh(XiX_e)}，则放入误差向量集中；若R = U I 0i = 〇n Ih(Xi) I彡ε}，则放入保留样本集中。
[0034] 与现有技术相比，本发明的优点在于：
[0035]本发明提供的基于Online-WSVR算法的车辆位置信息预测方法，使用智能手机自 带的INS/GPS传感器系统进行数据搜集，并将车辆行驶状态信息进行数据融合，增量学习， 在训练过程中，根据训练数据与目标数据点之间的距离，给每个训练数据点分配权值，使其 对应于训练建模过程的贡献不同，距离目标数据点越近的贡献越大，实现了Online-WSVR模 型的在线动态更新，最终预测出高精确性的车辆位置信息。该方法能实现实时定位车辆，为 车与车之间的智能交通系统应用提供可靠性、实用性和精确度较高的位置信息。相较于传 统的车辆位置预测方法，本发明提供的方法即使在极端交通条件噪声过多、传感器误差波 动大、建模困难的情况下，也保证了较高的精确度，同时预测时间短(约为0.01s)，保证了预 测方法的实时性，很好地满足了一些智能交通系统相关应用的需求。
【附图说明】
[0036]图1为本发明中基于Online-WSVR算法的车辆位置信息预测方法的流程图；
[0037]图2为本发明中Online-WSVR算法实现流程图；
[0038]图3为本发明实施例中车辆行驶轨迹场景图；
[0039]图4为本发明实施例中预测的炜度结果误差值与PLSR和OL-SVR算法对比图；
[0040]图5为本发明实施例中预测的经度结果误差值与PLSR和OL-SVR算法对比图；
[0041]图6为本发明实施例中某段GPS失效阶段的参考系与预测值对比图；
[0042]图7为本发明实施例中另一段GPS失效阶段的参考系与预测值对比图。
【具体实施方式】
[0043]以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而 限制本发明的保护范围。
[0044]如图1所示，本实施例中基于Onl ine-WSVR算法的车辆位置信息预测方法，步骤为： [0045] (1)利用智能手机中的低成本INS/GPS组合制导系统实时采集车辆的行驶状态信 息；
[0046] (2)利用滑动数据窗口，依据车辆之前一段时间的行驶状态信息，采用Online- WSVR算法进行数据融合和建模，且为每个时间点的数据分发权值，使其对建模系数的贡献 不同，增大精确度，并实时更新建模参数；
[0047] (3)根据当前的行驶状态信息，利用Online-WSVR的建模函数实时预测车辆下一刻 的位置信息：如果当前INS/GPS组合制导系统中的卫星定位系统信号有效，则将预测出的下 一刻经度与炜度信息擦除；如果当前卫星定位系统信号失效，训练好的OL-WSVR模型则根据 输入的INS/GPS组合制导系统中的惯性导航系统参数和建模参数，得到对应的下一刻预测 位置，并将预测出的定位信息写入训练集建模，作为下一刻预测的建模样本。
[0048]如图2为Online-WSVR算法实现流程图，在算法开始时，先进行数据的初始化，然后 导入之前一段时间内车辆的行驶数据，对其进行训练，基于Online-WSVR算法进行数据融合 和建模，并为每个时间点的数据分发相应的权值，根据建模参数预测出当前的经炜度信息。 接着算法抛弃旧样本，检查此时GPS信号是否失效，若有效，则将预测出的下一刻经度与炜 度信息擦除；若失效，则训练好的OL-WSVR模型则根据输入的INS/GPS组合制导系统中的惯 性导航系统参数和建模参数，得到对应的下一刻预测位置，并将预测出的定位信息写入训 练集建模，作为下一刻预测的建模样本。
[0049] 如图3是本实施例中的车辆行驶轨迹，其场景为中国湖南省长沙市某段城区的道 路，且为上班高峰期时段进行数据采集，道路场景包括各种弯道、高架桥和速度、方向改变， 保证了实施例对本发明基于Online-WSVR算法的车辆位置信息预测方法的鲁棒性和实用性 的验证。行驶过程中，数据一共采集了 1400s左右，每秒采集一次，即有1400多条速度、加速 度、角度、角速度、经度、炜度的数据。INS/GPS组合制导系统中数据的导出采用JAVA代码实 现。
[0050] 本实施例中，GPS的失效情况一共出现了5次，分别是在直线、高架桥、弯道、高速和 低速行驶状况下。每次失效时长不等，大约为28-45秒。
[0051] 本实施例中，输入为加速度、速度、角速度、角度以及上一刻与当前时刻的经度或 炜度位移差，输出为下一刻与当前时刻的经度或炜度位移差，Online-WSVR算法即在线动态 建模得到此二者之间的方程关系，执行Online-WSVR算法采用MATLAB完成。本发明基于 Onl ine-WSVR算法的车辆位置信息预测方法预测出的车辆轨迹，与真实的车辆GPS位置进行 对比，以验证方法的精确度，参考系为另一GPS接收器搜集的精确车辆行驶轨迹的经炜度 值。误差的通?葛田询卞枏彳呈荖RMSR _ it彳+算公式如下：
[0052]
[0053] 其中，兔和yc分别为预测结果和参考系的值，M为GPS失效时长。
[0054]本实施例中，当GPS信号有效时，首先输入前10个数据点，利用Online-WSVR算法对 其进行训练学习，得到第11个数据点的预测经炜度。然后该数据窗口前移一位，包含进11个 数据点，形成新的2-11窗口之间的10个数据输入，然后得到第12个数据点的预测经炜度。该 过程一直持续到最后一个数据点预测完毕。而在此之间，当探测到GPS信号失效时，训练好 的Online-WSVR动态模型则立即预测下一刻的经炜度，将其记录显示出来，并将预测值放入 训练集，作为下一次训练的输入，以此类推，反复进行下去，直到GPS信号恢复。每一个数据 点的建模预测时间大约为0.01秒，几乎可以实现实时预测。
[0055]本实施例中，对预测得出的经炜度数据进行还原，原算法输出的值为经度或炜度 位移差，与车辆行驶的初始经炜度进行相加减，得到每一刻的预测经度或炜度，其单位为 米，换算后可得单位为度的经炜度值，将其编辑成kml文件，可在谷歌地图上打开，得到与地 图匹配的车辆行驶轨迹。
[0056]如图4和图5所示，分别为其中三段GPS失效情况下，预测的炜度与经度结果误差 值，并且是本发明预测轨迹的误差值与基于PLSR、0L-SVR算法的车辆位置预测误差值之间 的对比图，其中实线为本发明的预测误差值，点线为基于OL-SVR算法的预测误差值，虚线为 基于PLSR算法的预测误差值。可以看到，本发明的预测误差值远低于其他两种算法的预测 结果，其预测的精确度相当高。
[0057] 图6和图7为其中某两段GPS失效情况的放大图，其中实线为车辆行驶轨迹参考值， 虚线为本发明的预测值，可以更加清晰看到参考系与预测值之间的对比情况。
[0058] 上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明 已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱 离本发明技术方案范围的情况下，都可利用上述揭示的技术内容对本发明技术方案做出许 多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案 的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落 在本发明技术方案保护的范围内。
【主权项】
1. 一种基于Online-WSVR算法的车辆位置信息预测方法，其特征在于，包括以下步骤： Sl:车内组合导航系统实时采集车辆的行驶状态信息； S2:利用滑动数据窗口，依据车辆之前一段时间的行驶状态信息，采用Onl ine-WSVR算 法进行数据融合和建模，且为每个时间点的数据分发权值，使其对建模系数的贡献不同，增 大精确度，并实时更新建模参数； S3:根据当前的行驶状态信息，利用On I ine-WSVR的建模函数实时预测车辆下一刻的位 置信息：如果当前组合导航系统中的卫星定位系统信号有效，则将预测出的下一刻经度与 炜度信息擦除；如果当前卫星定位系统信号失效，训练好的OL-WSVR模型则根据输入的组合 导航系统中的惯性导航系统参数和建模参数，得到对应的下一刻预测位置，并将预测出的 定位信息写入训练集建模，作为下一刻预测的建模样本。2. 根据权利要求1所述的一种基于Online-WSVR算法的车辆位置信息预测方法，其特征 在于，所述卫星定位系统为GPS;惯性导航系统包括三轴加速计和三轴陀螺仪。3. 根据权利要求1所述的一种基于Online-WSVR算法的车辆位置信息预测方法，其特征 在于，所述步骤Sl中采集的车辆行驶状态数据，包括车辆某一时刻的速度、加速度、角度、角 速度、经度和炜度，且每秒采集一次数据;所述经度或炜度值的单位为角度换算成米的值； 其中每秒经线长度为30.87111，每秒炜线长度为30.922*(3〇8€ [111，€[为对应的炜度。4. 根据权利要求1-3中任意一项所述的一种基于Online-WSVR算法的车辆位置信息预 测方法，其特征在于，所述Online-WSVR算法建模预测的具体实现方法包括以下步骤： S41:分别针对经度和炜度，输入滑动数据窗口为N的训练集(X1，yi)，（X2，y 2)，~，（Xn， yn)进行训练，建模得出下述线性回归方程： f(x) =wTΦ (xi)+b (I) 其中，X为四维数据，按顺序为加速度、角速度、角度和速度;y为一维数据，是当前时刻 与上一刻间的经度位移差或炜度位移差;η为训练集总数;w为权向量，b是截距，Φ (X1)将输 入空间映射到高维空间，f(x)即为输入与输出之间的建模关系； S42:滑动数据窗口每秒前进一个，当第c时刻时，第c个样本(xc，yc)加入训练集，算法 进行训练，在SVR中引入核函数来简化非线性逼近或回归，核函数满足Qlj=Ci) (Χι)ΤΦ (X1) = K(xi，xj)，更新建模参数，重新计算f (xc)，h(xc)和Θ。，并在满足KKT条件下，决定将新加入的 样本放入哪个样本集，包括支持样本集、误差样本集、剩余样本集，Onl ine-WSVR算法的训练 建模过程贯穿整个行驶过程； S43:当检测到卫星定位系统信号失效，则根据之前的建模系数f(x)，对c+1刻的车辆位 置进行预测，得到预测的经度和炜度yc+Ι，并将其作为下一刻的输入(Xc+l，yc+l)，加入滑 动数据窗口中，继续进行训练，持续这个过程直到卫星定位系统信号恢复。5. 根据权利要求4所述的一种基于Online-WSVR算法的车辆位置信息预测方法，其特征 在于，所述Online-WSVR算法的建模过程可以转化为凸优化问题，建模过程即为得到最小化 的下述方程： (2) (3) 其中，ε〇〇)是训练过程中方程f(x)允许的最大误差，。和#为松弛变量，C1(X))是训练 过程中对应的权衡系数，使得训练误差最小。6. 根据权利要求5所述的一种基于Online-WSVR算法的车辆位置信息预测方法，其特征 在于，所述系数Ci的计算方法为Ci = Ofi*C，其中COfi为高斯核函数加权函数，其计算公式 为：(4) 其中，X1为训练样本，X为目标样本数据，h为带宽参数，在本地建模过程中需保持最佳 值，相邻每个点的权值根据其与X点的距离而定，距离越近，权值越大，反之越小。7. 根据权利要求4所述的一种基于Online-WSVR算法的车辆位置信息预测方法，其特征 在于，所述系数Θ。为拉格朗日乘子的差後=& ，h(x。)为边缘函数，对第i个样本来说，其 计算公式为：(5) 并且，建模过程中需满足的KKT条件为： 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. 根据权利要求4所述的一种基于Online-WSVR算法的车辆位置信息预测方法，其特征 在于，所述N为10,且y的初始位移差为0。9. 根据权利要求4所述的一种基于Online-WSVR算法的车辆位置信息预测方法，其特征 在于，所述Online-WSVR算法的核函数Qij为径向基函数RBF，即exp(-p I Xi-Xj 12)。10. 根据权利要求4所述的一种基于Online-WSVR算法的车辆位置信息预测方法，其特 征在于，所述决定新加入的样本i放入哪个样本集的条件为： 若S= {i I (QiG (〇，C) nh(xi) = _e) U (0ie (-C，0) nh(xi) = e)}，则放入支持向量集中； 若E={i I (Qi = -Cnh(Xi)彡ε) U (0i = cnh(XiX_e)}，则放入误差向量集中；若R={i I θ? = on Ih(Xi) |<ε}，则放入保留样本集中。
【文档编号】G01C21/16GK105890592SQ201610190012
【公开日】2016年8月24日
【申请日】2016年3月30日
【发明人】王东, 廖嘉琦, 肖竹, 李晓鸿
【申请人】湖南大学