CN107884797B - 位置漂移判决方法及系统 - Google Patents

Abstract

本发明公开了一种漂移判决方法及系统，该方法包含步骤：对移动终端上传的NMEA定位信息进行解析，并提取两个以上关键指标的信息；根据线下和实时上传的海量NMEA信息，以及线下信息数据库，对各个关键指标建立阈值学习模型；对应移动终端所在的场景，根据该阈值学习模型，建立组合漂移判决条件，并对移动终端进行组合漂移判决；将漂移判决结果输出到该移动终端。本发明的漂移判决方法能够提供更准确可靠的漂移判决结果。

Description

位置漂移判决方法及系统

技术领域

本发明涉及定位领域，具体涉及漂移判决领域。

背景技术

近年来，GNSS卫星定位技术得到了日益广泛的应用。

GNSS卫星定位技术，其基本原理是根据从卫星发射的测量信号传播到定位终端所需的时间乘以光速获得某一时刻卫星到定位设备的距离，同时结合该时刻卫星的已知位置信息，利用多颗卫星的测量数据经过计算即可获得定位设备精确位置。

但在实际应用中，由于卫星信号在传播过程中会受到各种各样因素影响，并不会严格按照真空光速以及直线传播的条件到达地面，导致测量信号存在一定程度的距离误差，如电离层、对流层等因素。最终在计算地面定位设备位置时偏离真实位置，定位精度变差，出现位置偏差，严重时可达几百米。

在诸多影响定位精度提升的误差源中，与地面环境有关的，同时也是影响最大、难以建立有效模型消除影响的一类误差称之为多路径误差，其具体影响方式为由于复杂环境引发的信号反射破坏了GPS信号直线传播特性，导致测量信号不精确，严重影响定位精度。这也是在城市环境下GNSS定位设备严重失准的主要原因。

GNSS设备在定位过程中出现位置漂移在所难免，但同时赋予位置精确的精度描述将大大提升位置信息的应用程度，在传统GNSS定位领域，与本发明相近的技术方案有定位设备完好性监测技术(RAIM)，其思路是利用接收机自身的冗余观测量，基于相关误差分布及估计理论原理，对误差较大的可疑卫星信号进行检测和识别，从而对定位过程给出建议信息，评估当前位置的漂移情况。

然而，GNSS卫星定位技术在实际应用中也存在一些问题。例如，在进行GNSS位置计算时，由于手机等定位终端当前的工业架构设计的限制，手机等通用定位终端设备在设计上一般遵循NMEA协议规范与外界交互信息。该规范 定义中偏重于描述与当前定位结果有关的一些事后测量信息，如观测卫星个数、位置分布及其信号强弱，以及定位成功后的航向、几何精度因子(DOP)等信息。但无法上报完成定位计算所需的原始伪距观测量等前置信息，造成黑盒效应，导致在外侧无法利用基于原始观测数据的各类精度分析手段，当前成熟的技术方案均失效。因此针对遵循NMEA标准的手机等定位设备其事后定位精度的描述十分不精确，无法描述当前定位的精准程度或漂移情况，严重制约在手机等终端进行基于精准位置信息的LBS应用的创新。行业应用难点由此凸显。

进一步地说，在手机等定位终端中，从底层GNSS定位芯片吐出的以NMEA规范为标准的定位信息，其内容相对杂乱，无法准确描述当前定位的精度信息。

综上所述，本领域迫切需要一种漂移判决的解决方案，使得漂移判决结果更加准确可靠。

发明内容

本发明的目的就是提供一种漂移定位方法及系统，能够更加准确可靠的进行漂移判决。

在本发明的第一个方面，提供了一种漂移定位方法，包含：

对移动终端上传的NMEA定位信息进行解析，并提取两个以上关键指标的信息；

根据线下和实时上传的海量NMEA信息，以及线下信息数据库，对各个关键指标建立阈值学习模型；

对应移动终端所在的场景，根据该阈值学习模型，建立组合漂移判决条件，并对移动终端进行组合漂移判决；

将漂移判决结果输出到该移动终端。

在本发明的优选例中，该场景包含但不限于：空旷场景、建筑遮挡场景、高架下场景。

在本发明的优选例中，该空旷场景对应的该组合判决条件包含但不限于：精度因子DOP、粗略精度信息。

在本发明的优选例中，该建筑遮挡场景对应的该组合判决条件包含但不限于：粗略精度信息、卫星数量变化。

在本发明的优选例中，该高架下场景对应的该组合判决条件包含但不限于：粗略精度信息、关键定位卫星信噪比变化。

本发明的第二个方面提供了一种漂移判决系统，包含：

关键指标提取模块，用于对移动终端上传的NMEA定位信息进行解析，并提取两个以上关键指标的信息；

阈值学习模型建立模块，用于根据线下和实时上传的海量NMEA信息，以及线下信息数据库，对各个关键指标建立阈值学习模型；

组合漂移判决模块，用于对应移动终端所在的场景，根据该阈值学习模型，建立组合漂移判决条件，并对移动终端进行组合漂移判决；

输出模块，用于将漂移判决结果输出到该移动终端。

在本发明的优选例中，该场景包含但不限于：空旷场景、建筑遮挡场景、高架下场景。

在本发明的优选例中，该空旷场景对应的该组合判决条件包含但不限于：精度因子DOP、粗略精度信息。

在本发明的优选例中，该建筑遮挡场景对应的该组合判决条件包含但不限于：粗略精度信息、卫星数量变化。

在本发明的优选例中，该高架下场景对应的该组合判决条件包含但不限于：粗略精度信息、关键定位卫星信噪比变化。

本发明实施方式与现有技术相比，能够更加准确可靠地进行漂移判决。

应理解，在本发明范围内中，本发明的上述各技术特征和在下文(如实施例)中具体描述的各技术特征之间都可以互相组合，从而构成新的或优选的技术方案。限于篇幅，在此不再一一累述。

附图说明

图1是根据本发明的一个实施例的位置漂移判决方法的流程示意图；

图2是根据本发明的一个实施例的位置漂移判决方法的步骤140的子步骤示意图；

图3是根据本发明的一个实施例的位置漂移判决方法的步骤1406的子步骤示意图；

图4是根据本发明的一个实施例的位置漂移判决方法的步骤150的子步骤示意图；

图5是根据本发明的一个实施例的位置漂移判决系统的结构示意图。

具体实施方式

在本发明中，发明人提出了一种新的漂移判决方案，概括地说，是对移动终端上传的NMEA定位信息进行解析，并提取两个以上关键指标的信息；根据线下和实时上传的海量NMEA信息，以及线下信息数据库，对各个关键指标建立阈值学习模型；对应移动终端所在的场景，根据所述阈值学习模型，建立组合漂移判决条件，并对移动终端进行组合漂移判决；将漂移判决结果输出到所述移动终端。这种方法能够提供更精确更可靠的漂移判决结果。

在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请各权利要求所要求保护的技术方案。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。

术语

GNSS(Global Navigation Satel lite System)：全球导航卫星系统

LBS(Location Based Service)：基于位置服务

NMEA(National Marine Electronics Association)：美国国家海洋电子协会，现在一般指代GNSS导航设备统一的信息交互标准协议

DOP(Dilution of Precision)：精度因子，在卫星定位中描述卫星构形对定位精度影响的因子

召回率、准确率与F值：信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，召回率也叫查全率，准确率也叫查准率，概念公式:

召回率(Recall)＝系统检索到的相关文件/系统所有相关的文件总数

准确率(Precision)＝系统检索到的相关文件/系统所有检索到的文件总数

F值＝正确率*召回率*2/(正确率+召回率)

阈值学习模型：数据挖掘用语，针对特定类型样本数据所提取的关键指标， 随着样本数据量的不断积累，利用数据挖掘等有效手段对该指标阈值进行深度学习优化，使性能达到最优。

场景：特指对定位区域按照物理环境的异同进行区分，以匹配由于物理环境的差异导致的定位信号差异性变化的特性。

实施例1：漂移判决方法

图1示出了根据本发明的一个实施例的位置漂移判决方法的流程示意图，在本实施例中。具体地说，如图1所示，本实施例包含以下步骤：

步骤110：手机设备开启定位功能，与在线漂移判决服务器建立连接，实时上传NMEA定位信息。

步骤120：NMEA数据解析，按照NMEA协议规范拆解上传信息，按照手机型号、用户信息等信息绑定数据，保存至线上数据库。

具体地说，在本实施例中，在步骤110和120的数据上传以及解析过程中，在基于数据统一性以及标准化传输的原则基础上，对上传的数据的结构安排以及内容作了合理设计，参见表1：

表1：设备上传信息机构与内容设计

如表1所示，数据结构分为设备信息和NMEA信息两部分，其中，设备信息与手机设备自身信息相关，用于数据分类与识别，主要由手机型号，用户号码、操作系统版本等信息。NMEA信息包含若干关键字段。

在本发明的其他优选例中，表1也可以根据需要进行灵活调整。

步骤130：针对解析后的NMEA定位信息，依据GNSS基本原理及方法进行专业分析，提取出漂移现象强相关的有效指标信息。指标体系的来源参考了GNSS基本定位原理及方法及科学合理的专家经验判断和假设，同时结合NMEA信息进行充分的挖掘和实验，目前已被证实有效的部分指标的结构及内容，参见表2。

表2：漂移判断部分指标体系结构与内容

步骤140：在线阈值学习系统，根据线下及实时回传的海量NMEA信息，结合线下电子地图、路网等信息数据库，针对各关键指标建立合理有效的阈值学习模型，监督指导判别阈值的优化和筛选工作。

具体地说，如图2所示，在本实施例中，上述步骤140进一步包含以下子步骤：

步骤1401：阈值监督学习模块首先连接线下数据库，获取训练样本数据。根据功能设计，线下数据库主要包含三类数据：

1)实时采集、海量存储的手机NMEA信息，通过用户持续使用定位功能并上传数据保证训练样本数据不断充足和完善

2)实时三维地图与路网数据，属于行业应用数据。需及时更新保证数据可用性。

3)其他GNSS辅助信息，如在线卫星星历预报信息等。

步骤1402：对海量用户上传的NMEA信息进行适配和分类，按照数据绑定的 用户、手机类型、时间等信息对海量NMEA信息建立索引目录，提供检索。

步骤1403：分场景建立漂移训练场地，根据三维地图信息，通过人工干预和专家指导的做法，对任意区域内的物理场景进行分类，以区分由于不同场景导致的漂移的情况，具体场景类型划分，参见表3。

表3：漂移场景类型划分

编号	场景及说明
		001	空旷场景-周边视野高度低于10度
002	建筑群遮挡场景-周边存在建筑遮挡
		003	高架下及相似场景-指设备头顶有遮挡的情况
004	树荫场景-指存在高大树荫遮挡的情况，与季节相关
		005	水域场景-指周边存在较大片水域的场景

预先在地图上分片划分出典型场景块状区域后以对角的经纬度信息和场景类型编号区分，建立索引目录。同时按照各划分场景区域对其中存在的路网数据进行切分，将包含在场景区域内的路网数据用相同场景类型编号进行标记，建立索引目录。

步骤1404：在样本数据分类及适配完成后，进入清洗阶段以筛选出高质量的、适用于阈值学习的训练数据。

具体地说，在本实施例中，上述步骤1404的清洗过程如下：

1)按照设备型号与时间信息索引出对应设备的全部数据，接着提取出对应NMEA中的位置信息与步骤1403中划分的各场景进行匹配进行第一次清洗，将各特殊场景下位置匹配的NMEA信息提取出来并标记场景编号。

2)在第一步清洗完成后，针对绑定特定场景的NMEA数据进行第二次清洗，将各场景下的NMEA信息与同样场景下的路网数据进行道路匹配操作，计算出各时刻NMEA数据中的位置信息距离对应路网的垂直距离大小以确认此时是否发生漂移。此时仍存在不可靠的脏数据(如定位过程在小区内发生)，为保障清洗的有效性，按照固定经验以及专家决断的方式进行以下假设：

a)假设所有GNSS定位过程(室内无法收到卫星信号)都在室外发生，可以与任一路网数据绑定。

b)假设15km时速(驾驶自行车或者行车状态)以上的定位场景都在路网上进行，可以确认本场景下计算出来的所有偏离路网的距离都是真实可靠的。

c)假设15公里以下为步行状态，设备在前后一段时间内的路线大体上都与一 段没有岔路口的路网数据匹配，可以假设此段数据真实场景与该路网匹配。

通过以上假设，可以清洗出各场景下大部分不在路网上真实发生的脏数据。经过线下实地测试，经过以上假设清洗后数据正确率在90％以上。如此可以获得按设备型号以及场景分别划分的训练样本数据，同时准确知道样本数据真实的漂移情况，正常情况下，以15米为分界线(可以预设)定义是否发生漂移，可以将继续分为两类，发生漂移和未发生漂移，继续为训练数据增加此类标识。

步骤1405：本部分同步骤S120与S130，对清洗出来的NMEA信息进行解析和关键指标的提取。

步骤1406：按照手机类型、场景、指标类型、时间轴等多个维度进行阈值监督训练，提取出针对各个手机型号、特殊场景、以及对应指标的阈值。在本发明的优选例中，如图3所示，针对单一机型有效样本数据中单一场景、单一指标阈值的一般监督训练过程进一步包含：

步骤1406a：将对应手机类型、对应场景、对应指标的训练数据全部索引出来后，按照漂移与否划分成两类，作为训练输入。

步骤1406b：对两类数据分别训练出一套阈值阈值后，对对方数据进行交叉验证，计算召回率与准确率，以F值或者其他衡量标准为指标，以调整固定阈值范围不断横向调优。

步骤1406c：继续训练，以当前时刻为基准，以固定时间段为切片(如一天)，不断加入历史数据(有最旧时间限制，如一周)，同时给予相应权重(如随随历史数据加入而递减)，随时间轴变动训练阈值，不断纵向调优。

步骤1406d：以F值或者其他衡量标准为指标，经过横向和纵向调优后，输出最佳阈值参数。

经过以上在线监督学习过程，能够准确将目标设备在规定场景下各个漂移经验指标进行精确的学习训练和总结，给出各个指标最优的阈值参数及其性能指数。

步骤1407：对训练出的最优阈值按照手机类型、场景类型、指标类型制定标签建立索引目录并输出。

步骤150：根据步骤140学习出来的阈值体系，集合场景信息和相关准则建立综合判别系统，以最优指标组合识别漂移场景，体现最高效率。

具体地说，附图4所示，在本发明的优选例中，上述步骤150进一步包含以下 子步骤：

步骤1501：经过步骤130的处理后，获得当前用户上传的NMEA数据中包含的所有指标体系对应的提取值作为综合判断的输入

步骤1502：根据上传数据绑定位置信息在线下数据库中找到当前用户大概所处的场景信息，同时根据机型以及场景标签在数据库中提取与之相关的指标阈值训练信息。

步骤1503：从上一步匹配后的针对本机型、本场景的指标阈值信息中，选取表现最优的若干指标，可以按照数量(如前三个)，也可以按照衡量指标选取(如选定F值以上)。

步骤1504：组合训练，在各指标间随机组合，根据各指标给定的阈值，按照与、或规则对步骤1406a中的生产的样本数据计算其召回率与准确率。

步骤1505：经上一步训练，按照F值或者其他衡量标准评估后选出最优指标组合及其组合运算规则，同时评估其可靠性，如果不符合预期(如F值太低)则放弃本时刻判别，反之则继续。

步骤1506：按照上一步筛选出的合格的组合及其运算逻辑与S1501中本时刻对应的指标进行同步比较，辨别漂移并输出结果。

在本发明的优选例中，按照以上综合判别的逻辑对步骤140中的实验数据中最佳判别组合的筛选过程如下，参见表4。

表4：部分场景组合判断指标筛选

如表4，场景包含空旷场景、建筑遮挡场景、高架下场景。空旷场景对应的组合判决条件包含：精度因子DOP、粗略精度信息。建筑遮挡场景对应的组合判决条 件包含：粗略精度信息、卫星数量变化。高架下场景对应的组合判决条件包含：粗略精度信息、关键定位卫星信噪比变化。

步骤160：将漂移识别结果回传至手机，提供信息指导。

通过表4的测试结果，可以看出，在本发明的优选例中，针对不同场景通过指标组合训练筛选后，根据F值或者其他衡量指标可以准确获取对应场景下的最优识别方案，同时可以观察到不同场景其最优指标组合且具有显著的差异性，本组合监督训练过程可以帮助灵活选取高效组合漂移判别方案。

本方案提供的技术路线能够有效对手机等设备在定位过程中产生的漂移现象进行识别，通过在线学习以及组合判断等手段、结合线下海量数据的处理和挖掘，保证判决过程稳定、持续、有效。通过试运行测试，对以15米为分界线的漂移识别，综合各类手机测试全场景下其综合召回率可达85％，成功率40％。

本实施例能够提供更加准确可靠的漂移判决结果。

实验结果：

如上文所述，本发明在分析GNSS基本定位原理的基础上，同时结合数据挖掘及机器学习等技术手段，针对NMEA信息建立漂移检测模型，通过实验结果验证。对15米以上定位漂移召回率达到85％，准确率达到40％。

实施例2：漂移判决系统

如图5所示，本发明的漂移判决系统包含关键指标提取模块、阈值学习模型建立模块、组合漂移判决模块和输出模块。其中，关键指标提取模块用于对移动终端上传的NMEA定位信息进行解析，并提取两个以上关键指标的信息。阈值学习模型建立模块，用于根据线下和实时上传的海量NMEA信息，以及线下信息数据库，对各个关键指标建立阈值学习模型。组合漂移判决模块，用于对应移动终端所在的场景，根据所述阈值学习模型，建立组合漂移判决条件，并对移动终端进行组合漂移判决。输出模块，用于将漂移判决结果输出到所述移动终端。

在本发明的优选例中，场景包含但不限于：空旷场景、建筑遮挡场景、高架下场景。

具体地说，所述空旷场景对应的所述组合判决条件包含但不限于：精度因子DOP、粗略精度信息。所述建筑遮挡场景对应的所述组合判决条件包含但不限于：粗略精度信息、卫星数量变化。所述高架下场景对应的所述组合判决条件包含但不限于：粗略精度信息、关键定位卫星信噪比变化。

本发明能够提供更加精确可靠的漂移判决结果。

本发明的主要优点包括：

1)本发明突破手机等定位终端的局限性，实现利用数据挖掘的方法从杂乱的NMEA信息中发掘出识别定位漂移的关键信息，提供了对定位精度的有效评估，大大提升了位置的可靠性评估，为LBS应用提供决策支持。

2)本发明基于互联网服务架构模式，通过科学合理的安排，将漂移判决系统各个关键逻辑单元串联在一起，实现用户终端到在线服务端全链路实施方案，精确定义了系统中各逻辑单元的主要功能以及交互方式，采用分布式模块化设计思路，各逻辑单位功能集中，接口清晰。本系统设计整体架构明确，易于实现与维护。

3)本发明突破传统线下解决方案数据可用性低、性能不佳的局限性，结合互联网技术建立并实现了大规模数据的实时在线分析、挖掘以及组合判决的可靠性方案，保证系统实施稳定、可靠、高效。

4)本发明创造性的加入并利用了GNSS系统在线数据库以及城市三维建筑模型数据等辅助信息内容，采用科学的技术手段从多个维度对漂移现象进行了深度的学习和挖掘，提升了方案的可用性以及应用化程度。

上述实施方式是与本实施方式相对应的方法实施方式，本实施方式可与上述实施方式互相配合实施。上述实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在上述实施方式中。

本发明的各方法实施方式均可以以软件、硬件、固件等方式实现。不管本发明是以软件、硬件、还是固件方式实现，指令代码都可以存储在任何类型的计算机可访问的存储器中(例如永久的或者可修改的，易失性的或者非易失性的，固态的 或者非固态的，固定的或者可更换的介质等等)。同样，存储器可以例如是可编程阵列逻辑(Programmable ArrayLogic，简称“PAL”)、随机存取存储器(Random Access Memory，简称“RAM”)、可编程只读存储器(Programmable Read Only Memory，简称“PROM”)、只读存储器(Read-Only Memory，简称“ROM”)、电可擦除可编程只读存储器(Electrically Erasable Programmable ROM，简称“EEPROM”)、磁盘、光盘、数字通用光盘(Digital Versatile Disc，简称“DVD”)等等。

需要说明的是，本发明各设备实施方式中提到的各单元都是逻辑单元，在物理上，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现，这些逻辑单元本身的物理实现方式并不是最重要的，这些逻辑单元所实现的功能的组合才是解决本发明所提出的技术问题的关键。此外，为了突出本发明的创新部分，本发明上述各设备实施方式并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，这并不表明上述设备实施方式并不存在其它的单元。

需要说明的是，在本发明提及的所有文献都在本申请中引用作为参考，就如同每一篇文献被单独引用作为参考那样。此外应理解，在阅读了本发明的上述讲授内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

并且，在本专利的权利要求书和说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本专利的权利要求书和说明书中，如果提到根据某要素执行某行为，则是 指至少根据该要素执行该行为的意思，其中包括了两种情况：仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。

虽然通过参照本发明的某些优选实施例，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种漂移判决方法，其特征在于，包含：

对移动终端上传的NMEA定位信息进行解析，并提取两个以上关键指标的信息；

根据线下和实时上传的海量NMEA信息，以及线下信息数据库，对各个关键指标建立阈值学习模型，其中，分场景建立漂移训练场地，根据三维地图信息，对任意区域内的物理场景进行分类，以区分由于不同场景导致的漂移的情况，预先在地图上分片划分出典型场景块状区域后以对角的经纬度信息和场景类型编号区分，建立索引目录，同时按照各划分场景区域对其中存在的路网数据进行切分，将包含在场景区域内的路网数据用相同场景类型编号进行标记，建立索引目录，并且，按照移动终端类型、场景、指标类型、时间轴的维度进行阈值监督训练，提取出针对各个移动终端类型、场景、以及对应指标的阈值，其中，将对应移动终端类型、场景、应指标的训练数据全部索引出来，按照漂移与否划分成两类，作为训练输入，对所述漂移和不漂移的两类数据分别训练出一套阈值阈值，对数据进行交叉验证，计算召回率与准确率，以F值作为指标；

对应移动终端所在的场景，根据所述阈值学习模型，建立组合漂移判决条件，并对移动终端进行组合漂移判决，其中，在各指标间随机组合，根据各指标给定的阈值，按照与、或规则对所述训练数据计算其召回率与准确率，按照F值评估后选出最优指标组合及其组合运算规则；

将漂移判决结果输出到所述移动终端。

2.如权利要求1所述的漂移判决方法，其特征在于，所述场景包含但不限于：

空旷场景、建筑遮挡场景、高架下场景。

3.如权利要求2所述的漂移判决方法，其特征在于，所述空旷场景对应的所述组合漂移判决条件包含但不限于：精度因子DOP、粗略精度信息。

4.如权利要求2所述的漂移判决方法，其特征在于，所述建筑遮挡场景对应的所述组合漂移判决条件包含但不限于：粗略精度信息、卫星数量变化。

5.如权利要求2所述的漂移判决方法，其特征在于，所述高架下场景对应的所述组合漂移判决条件包含但不限于：粗略精度信息、关键定位卫星信噪比变化。

6.一种漂移判决系统，其特征在于，包含：

关键指标提取模块，用于对移动终端上传的NMEA定位信息进行解析，并提取两个以上关键指标的信息；

阈值学习模型建立模块，用于根据线下和实时上传的海量NMEA信息，以及线下信息数据库，对各个关键指标建立阈值学习模型，其中，分场景建立漂移训练场地，根据三维地图信息，对任意区域内的物理场景进行分类，以区分由于不同场景导致的漂移的情况，预先在地图上分片划分出典型场景块状区域后以对角的经纬度信息和场景类型编号区分，建立索引目录，同时按照各划分场景区域对其中存在的路网数据进行切分，将包含在场景区域内的路网数据用相同场景类型编号进行标记，建立索引目录，并且，按照移动终端类型、场景、指标类型、时间轴的维度进行阈值监督训练，提取出针对各个移动终端类型、场景、以及对应指标的阈值，其中，将对应移动终端类型、场景、应指标的训练数据全部索引出来，按照漂移与否划分成两类，作为训练输入，对所述漂移和不漂移的两类数据分别训练出一套阈值阈值，对数据进行交叉验证，计算召回率与准确率，以F值作为指标；

组合漂移判决模块，用于对应移动终端所在的场景，根据所述阈值学习模型，建立组合漂移判决条件，并对移动终端进行组合漂移判决，其中，在各指标间随机组合，根据各指标给定的阈值，按照与、或规则对所述训练数据计算其召回率与准确率，按照F值评估后选出最优指标组合及其组合运算规则；

输出模块，用于将漂移判决结果输出到所述移动终端。

7.如权利要求6所述的漂移判决系统，其特征在于，所述场景包含但不限于：

空旷场景、建筑遮挡场景、高架下场景。

8.如权利要求7所述的漂移判决系统，其特征在于，所述空旷场景对应的所述组合漂移判决条件包含但不限于：精度因子DOP、粗略精度信息。

9.如权利要求7所述的漂移判决系统，其特征在于，所述建筑遮挡场景对应的所述组合漂移判决条件包含但不限于：粗略精度信息、卫星数量变化。

10.如权利要求7所述的漂移判决系统，其特征在于，所述高架下场景对应的所述组合漂移判决条件包含但不限于：粗略精度信息、关键定位卫星信噪比变化。

Images