CN105890592A - 基于 Online-WSVR 算法的车辆位置信息预测方法 - Google Patents

Abstract

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。

Description

基于Online-WSVR算法的车辆位置信息预测方法

技术领域

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Online-WSVR(Online Weight Support Vector Machine for Regression)算法的车辆定位方法。

背景技术

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。

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。

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。

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

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。

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：

S1：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；

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纬度信息擦除；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。

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。

进一步的，所述步骤S1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、经度和纬度，且每秒采集一次数据。经度或纬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，每秒纬线长度约为30.922*cosαm，α为对应的纬度。

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：

S41：分别针对经度和纬度，输入滑动数据窗口为N的训练集(x₁,y₁),(x₂,y₂),…,(x_n,y_n)进行训练，建模得出下述线性回归方程：

f(x)＝w^Tφ(x_i)+b (1)

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纬度位移差；n为训练集总数；w为权向量，b是截距，φ(x_i)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(Kernel Function)来简化非线性逼近或回归，核函数满足Q_ij＝φ(x_i)^Tφ(x_i)＝K(x_i,x_j)，更新建模参数，重新计算f(xc)，h(xc)和θ_c，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，Online-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，得到预测的经度和纬度y_c+1，并将其作为下一刻的输入(x_c+1,y_c+1)，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。

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：

$\min imizedD=\frac{1}{2}{w}^{T}w+C_i\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*}),---\left(2\right)$

$subjectto:\left\{\begin{array}{c}{y}_i-w^T\mathrm{\φ}\left(x_i\right)-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ w^T\mathrm{\φ}\left(x_i\right)+b-y_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\\ {\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{*}\≥0,i=1,2,\mathrm{...},n\end{array}\right.---\left(3\right)$

其中，ε(≥0)是训练过程中方程f(x)允许的最大误差，ξ_i和ξ_i ^*为松弛变量，C_i(>0)是训练过程中对应的权衡系数，使得训练误差最小。

进一步的，所述系数C_i的计算方法为C_i＝ωf_i*C，其中ωf_i为高斯核函数加权函数，其计算公式为：

${\mathrm{\ωf}}_i=\exp (-{\left(\frac{\sqrt{{(x_i-x)}^T(x_i-x)}}{h}\right)}^2)---\left(4\right)$

其中，x_i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。

进一步的，所述系数θ_c为拉格朗日乘子的差h(x_c)为边缘函数，对第i个样本来说，其计算公式为：

$h\left(x_i\right)\≡f\left(x_i\right)-y_i=\underset{j=1}{\overset{n}{\Σ}}{Q}_{ij}{\mathrm{\θ}}_j-y_i+b---\left(5\right)$

并且，建模过程中需满足的KKT条件为：

$\left\{\begin{array}{cc}h\left(x_i\right)\≥\mathrm{\ϵ},& {\mathrm{\θ}}_i=-C\\ h\left(x_i\right)=\mathrm{\ϵ},& {\mathrm{\θ}}_i\∈(-C,0)\\ h\left(x_i\right)\∈\[-\mathrm{\ϵ},+\mathrm{\ϵ}\],& {\mathrm{\θ}}_i=0\\ h\left(x_i\right)=-\mathrm{\ϵ},& {\mathrm{\θ}}_i\∈(0,C)\\ h\left(x_i\right)\≤-\mathrm{\ϵ},& {\mathrm{\θ}}_i=C\end{array}\right.---\left(6\right)$

进一步的，所述N为10，且y的初始位移差为0。

进一步的，所述Online-WSVR算法的核函数为径向基函数RBF，即exp(-p|x_i-x_j|²)。

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：

若S＝{i|(θ_i∈(0,C)∩h(x_i)＝-ε)∪(θ_i∈(-C,0)∩h(x_i)＝ε)}，则放入支持向量集中；若E＝{i|(θ_i＝-C∩h(x_i)≥ε)∪(θ_i＝C∩h(x_i)≤-ε)}，则放入误差向量集中；若R＝{i|θ_i＝0∩|h(x_i)|≤ε}，则放入保留样本集中。

与现有技术相比，本发明的优点在于：

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

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；

图2为本发明中Online-WSVR算法实现流程图；

图3为本发明实施例中车辆行驶轨迹场景图；

图4为本发明实施例中预测的纬度结果误差值与PLSR和OL-SVR算法对比图；

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；

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；

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

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。

如图1所示，本实施例中基于Online-WSVR算法的车辆位置信息预测方法，步骤为：

(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；

(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；

(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纬度信息擦除；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。

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纬度信息。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纬度信息擦除；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。

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、纬度的数据。INS/GPS组合制导系统中数据的导出采用JAVA代码实现。

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。

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纬度位移差，输出为下一刻与当前时刻的经度或纬度位移差，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Online-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纬度值。误差的衡量采用均方根误差RMSE，其计算公式如下：

$RMSE=\sqrt{\frac{{\Σ}_{i=1}^M{\[{\hat{y}}_c(x_i,w)-y_c\]}^2}{M}},$

其中，和y_c分别为预测结果和参考系的值，M为GPS失效时长。

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个数据点的预测经纬度。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个数据点的预测经纬度。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纬度，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。

本实施例中，对预测得出的经纬度数据进行还原，原算法输出的值为经度或纬度位移差，与车辆行驶的初始经纬度进行相加减，得到每一刻的预测经度或纬度，其单位为米，换算后可得单位为度的经纬度值，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。

如图4和图5所示，分别为其中三段GPS失效情况下，预测的纬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、OL-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。

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。

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。

Claims (10)

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：

S1：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；

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纬度信息擦除；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S1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、经度和纬度，且每秒采集一次数据；所述经度或纬度值的单位为角度换算成米的值；其中每秒经线长度为30.87m，每秒纬线长度为30.922*cosαm，α为对应的纬度。

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：分别针对经度和纬度，输入滑动数据窗口为N的训练集(x₁,y₁),(x₂,y₂),…,(x_n,y_n)进行训练，建模得出下述线性回归方程：

f(x)＝w^Tφ(x_i)+b (1)

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纬度位移差；n为训练集总数；w为权向量，b是截距，φ(x_i)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Q_ij＝φ(x_i)^Tφ(x_i)＝K(x_i,x_j)，更新建模参数，重新计算f(xc)，h(xc)和θ_c，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，Online-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，得到预测的经度和纬度yc+1，并将其作为下一刻的输入(xc+1,yc+1)，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：

$\min imizedD=\frac{1}{2}{w}^{T}w+C_i\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*}),---\left(2\right)$

$subjectto:\left\{\begin{array}{c}{y}_i-w^T\mathrm{\φ}\left(x_i\right)-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ w^T\mathrm{\φ}\left(x_i\right)+b-y_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\\ {\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{*}\≥0,i=1,2,...,n\end{array}\right.,---\left(3\right)$

其中，ε(≥0)是训练过程中方程f(x)允许的最大误差，ξ_i和为松弛变量，C_i(>0)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C_i的计算方法为C_i＝ωf_i*C，其中ωf_i为高斯核函数加权函数，其计算公式为：

${\mathrm{\ωf}}_i=\exp (-{\left(\frac{\sqrt{{(x_i-x)}^T(x_i-x)}}{h}\right)}^2)---\left(4\right)$

其中，x_i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_c为拉格朗日乘子的差h(x_c)为边缘函数，对第i个样本来说，其计算公式为：

$h\left(x_i\right)\≡f\left(x_i\right)-y_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{Q}_{ij}{\mathrm{\θ}}_j-y_i+b---\left(5\right)$

并且，建模过程中需满足的KKT条件为：

$\left\{\begin{array}{cc}h\left(x_i\right)\≥\mathrm{\ϵ},& {\mathrm{\θ}}_i=-C\\ h\left(x_i\right)=\mathrm{\ϵ},& {\mathrm{\θ}}_i\∈(-C,0)\\ h\left(x_i\right)\∈\[-\mathrm{\ϵ},+\mathrm{\ϵ}\],& {\mathrm{\θ}}_i=0\\ h\left(x_i\right)=-\mathrm{\ϵ},& {\mathrm{\θ}}_i\∈(0,C)\\ h\left(x_i\right)\≤-\mathrm{\ϵ},& {\mathrm{\θ}}_i=C\end{array}\right.,---\left(6\right)$

8.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Q_ij为径向基函数RBF，即exp(-p|x_i-x_j|²)。

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|(θ_i∈(0,C)∩h(x_i)＝-ε)∪(θ_i∈(-C,0)∩h(x_i)＝ε)}，则放入支持向量集中；若E＝{i|(θ_i＝-C∩h(x_i)≥ε)∪(θ_i＝C∩h(x_i)≤-ε)}，则放入误差向量集中；若R＝{i|θ_i＝0∩|h(x_i)|≤ε}，则放入保留样本集中。