CN108873030A - 一种gps轨迹优化方法及系统 - Google Patents
一种gps轨迹优化方法及系统 Download PDFInfo
- Publication number
- CN108873030A CN108873030A CN201810756005.5A CN201810756005A CN108873030A CN 108873030 A CN108873030 A CN 108873030A CN 201810756005 A CN201810756005 A CN 201810756005A CN 108873030 A CN108873030 A CN 108873030A
- Authority
- CN
- China
- Prior art keywords
- gps positioning
- positioning point
- coordinate data
- gps
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims description 116
- 238000001514 detection method Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 14
- 210000005036 nerve Anatomy 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 230000003252 repetitive effect Effects 0.000 claims description 6
- 108010001267 Protein Subunits Proteins 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 12
- 230000007774 longterm Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- BYACHAOCSIPLCM-UHFFFAOYSA-N 2-[2-[bis(2-hydroxyethyl)amino]ethyl-(2-hydroxyethyl)amino]ethanol Chemical group OCCN(CCO)CCN(CCO)CCO BYACHAOCSIPLCM-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种GPS轨迹优化方法及系统，方法包括以下步骤：获取用户的GPS定位点的坐标数据；对所述GPS定位点的坐标数据进行分析处理，删除所述GPS定位点中的干扰点的坐标数据；通过神经网络模型预测所述干扰点的坐标数据，得到GPS轨迹曲线。本发明通过对GPS定位点的坐标数据进行处理，删除干扰点的坐标数据，然后通过神经网络模型预测干扰点的坐标数据，通过神经网络模型的不断自我学习，可使得预测的干扰点的坐标数据更接近真实轨迹的坐标数据，从而达到精确显示GPS轨迹曲线的目的，提高用户的使用体验。
Description
技术领域
本发明属于信息处理技术领域，特别涉及一种GPS轨迹优化方法及系统。
背景技术
随着GPS的不断改进，软件和硬件的不断完善，GPS的应用领域也在不断开拓，目前已遍布各个领域，并逐步深入人们的日常生活。如目前的智能手机、智能手表、智能手环、共享单车等都带有GPS功能。当用户处于障碍物较多(如立交桥)处时，GPS显示存在较多误差较大的漂移点，极端情况下还会出现丢失定位坐标数据的情况，导致GPS显示的轨迹曲线与实际路线差别较大，影响用户的使用体验。
发明内容
本发明的目的是提供一种GPS轨迹优化方法及系统，使得GPS显示的轨迹曲线与实际路线接近，从而提高用户的使用体验。
本发明提供的技术方案如下：
一种GPS轨迹优化方法，包括以下步骤：
获取用户的GPS定位点的坐标数据；
对所述GPS定位点的坐标数据进行分析处理，删除所述GPS定位点中的干扰点的坐标数据；
通过神经网络模型预测所述干扰点的坐标数据，得到GPS轨迹曲线。
进一步地，在所述获取用户的GPS定位点的坐标数据之后，所述对所述 GPS定位点的坐标数据进行分析处理，删除其中的干扰坐标数据之前还包括：
将所述GPS定位点按时间先后顺序进行排序；
所述通过神经网络模型预测所述干扰点的坐标数据，得到GPS轨迹曲线具体包括：
当第K个GPS定位点为待预测干扰点时，选取第K个GPS定位点前的Y 个GPS定位点的坐标数据作为训练样本；
在所述训练样本中选取相邻的T个GPS定位点的坐标数据作为一个训练单元，得到n个训练单元，T＜Y；
通过n个所述训练单元训练神经网络模型，得到训练好的神经网络模型；
根据第K个GPS定位点前的相邻的T个GPS定位点的坐标数据和所述训练好的神经网络模型，计算得到所述待预测干扰点的坐标数据；
根据已删除干扰点的GPS定位点的坐标数据和所述待预测干扰点的坐标数据，得到GPS轨迹曲线。
进一步地，所述通过n个所述训练单元训练神经网络模型，得到训练好的神经网络模型具体包括：
对所述训练单元中的坐标数据进行归一化处理；
将n个所述训练单元按所述训练单元中的第一个GPS定位点的时间先后顺序进行排序；
输入第一个所述训练单元中的GPS定位点的坐标数据，得到所述神经网络模型的初始状态值；
通过所述初始状态值和第二个所述训练单元迭代训练所述神经网络模型，得到所述神经网络模型的第二状态值；
通过第i-1状态值和第i个所述训练单元对所述神经网络模型进行迭代训练，得到所述神经网络模型的第i状态值，3≤i≤n；
所述根据第K个GPS定位点前的相邻的T个GPS定位点的坐标数据和所述训练好的神经网络模型，计算得到所述待预测干扰点的坐标数据具体包括：
根据第K个GPS定位点前的相邻的T个GPS定位点的坐标数据和所述第 i状态值，计算得到所述待预测干扰点的坐标数据。
进一步地，所述对所述GPS定位点的坐标数据进行分析处理，删除其中的干扰坐标数据具体包括：
检测所述GPS定位点中是否存在丢星点；当检测到所述丢星点时，删除所述丢星点的坐标数据；
检测所述GPS定位点中是否存在漂移点；当检测到所述漂移点时，删除所述漂移点的坐标数据。
进一步地，所述检测所述GPS定位点中是否存在丢星点；当检测到所述丢星点时，删除所述丢星点的坐标数据具体包括：
将当前GPS定位点的坐标数据与预设坐标数据进行比对，若所述当前GPS 定位点的坐标数据与所述预设坐标数据一致时，标记所述当前GPS定位点为丢星点，并删除所述当前GPS定位点的坐标数据；
所述检测所述GPS定位点中是否存在漂移点；当检测到所述漂移点时，删除所述漂移点的坐标数据具体包括：
当第m个GPS定位点不为干扰点时，计算第m+1个GPS定位点与所述第 m个GPS定位点之间的距离，当所述距离大于预设距离时，标记所述第m+1 个GPS定位点为漂移点，并删除所述第m+1个GPS定位点的坐标数据；
当第m个GPS定位点为干扰点且距离所述第m个GPS定位点最近的第 m-i个GPS定位点不为干扰点时，计算第m+1个GPS定位点与所述第m-i个 GPS定位点之间的距离，当所述距离大于1+i倍的预设距离时，标记所述第 m+1个GPS定位点为漂移点，并删除所述第m+1个GPS定位点的坐标数据， 1≤i＜m。
本发明还提供一种GPS轨迹优化系统，包括：
数据获取模块，用于获取用户的GPS定位点的坐标数据；
数据处理模块，用于对所述GPS定位点的坐标数据进行分析处理，删除所述GPS定位点中的干扰点的坐标数据；
轨迹获取模块，用于通过神经网络模型预测所述干扰点的坐标数据，得到 GPS轨迹曲线。
进一步地，还包括：排序模块，用于将所述GPS定位点按时间先后顺序进行排序；
所述轨迹获取模块包括：
样本选取单元，用于当第K个GPS定位点为待预测干扰点时，选取第K 个GPS定位点前的Y个GPS定位点的坐标数据作为训练样本；
划分单元，用于在所述训练样本中选取相邻的T个GPS定位点坐标数据作为一个训练单元，得到n个训练单元，T＜Y；
模型训练单元，用于通过n个所述训练单元训练神经网络模型，得到训练好的神经网络模型；
计算单元，用于根据第K个GPS定位点前的相邻的T个GPS定位点的坐标数据和所述训练好的神经网络模型，计算得到所述待预测干扰点的坐标数据；
轨迹获取单元，用于根据已删除干扰点的GPS定位点的坐标数据和所述待预测干扰点的坐标数据，得到GPS轨迹曲线。
进一步地，所述模型训练单元包括：
数据处理子单元，用于对所述训练单元中的坐标数据进行归一化处理；
排序子单元，用于将n个所述训练单元按所述训练单元中的第一个GPS定位点的时间先后顺序进行排序；
状态获取子单元，用于输入第一个所述训练单元中的GPS定位点坐标数据，得到所述神经网络模型的初始状态值；
状态获取子单元，还用于通过所述初始状态值和第二个所述训练单元迭代训练所述神经网络模型，得到所述神经网络模型的第二状态值；
状态获取子单元，还用于通过第i-1状态值和第i个所述训练单元对所述神经网络模型进行迭代训练，得到所述神经网络模型的第i状态值，3≤i≤n；
所述计算单元包括：
计算子单元，用于根据第K个GPS定位点前的相邻的T个GPS定位点的坐标数据和所述第i状态值，计算得到所述待预测干扰点的坐标数据。
进一步地，所述数据处理模块包括：
丢星检测单元，用于检测所述GPS定位点中是否存在丢星点；当检测到所述丢星点时，删除所述丢星点的坐标数据；
漂移检测单元，用于检测所述GPS定位点中是否存在漂移点；当检测到所述漂移点时，删除所述漂移点的坐标数据。
进一步地，所述丢星检测单元包括：
丢星检测子单元，用于将当前GPS定位点的坐标数据与预设坐标数据进行比对，若所述当前GPS定位点的坐标数据与所述预设坐标数据一致时，标记所述当前GPS定位点为丢星点，并删除所述当前GPS定位点的坐标数据；
所述漂移检测单元包括：
漂移检测子单元，用于当第m个GPS定位点不为干扰点时，计算第m+1 个GPS定位点与所述第m个GPS定位点之间的距离，当所述距离大于预设距离时，标记所述第m+1个GPS定位点为漂移点，并删除所述第m+1个GPS 定位点的坐标数据；
所述漂移检测子单元，还用于当第m个GPS定位点为干扰点且距离所述第m个GPS定位点最近的第m-i个GPS定位点不为干扰点时，计算第m+1个 GPS定位点与所述第m-i个GPS定位点之间的距离，当所述距离大于1+i倍的预设距离时，标记所述第m+1个GPS定位点为漂移点，并删除所述第m+1个 GPS定位点的坐标数据，1≤i＜m。
通过本发明提供的一种GPS轨迹优化方法及系统，带来的有益效果为：本发明通过对GPS定位点的坐标数据进行处理，删除干扰点的坐标数据，然后通过神经网络模型预测干扰点的坐标数据，通过神经网络模型的不断自我学习，可使得预测的干扰点的坐标数据更接近真实轨迹的坐标数据，从而达到精确显示GPS轨迹曲线的目的，提高用户的使用体验。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对一种GPS 轨迹优化方法及系统的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种GPS轨迹优化方法的实施例一的流程示意图；
图2是本发明一种GPS轨迹优化方法的实施例二的流程示意图一；
图3是本长短期记忆人工神经网络的信号时序展开示意图；
图4是本长短期记忆人工神经网络的长期状态C的控制开关示意图；
图5是本发明一种GPS轨迹优化方法的的实施例二的流程示意图二；
图6是本发明采用LSTM算法预测得到的GPS轨迹与原始GPS轨迹的对比图；
图7是本发明一种GPS轨迹优化系统的一个实施例的结构示意图；
图8是本发明一种GPS轨迹优化系统的另一实施例的结构示意图一；
图9是本发明一种GPS轨迹优化系统的另一实施例的结构示意图二；
图10是本发明一种GPS轨迹优化系统的另一实施例的结构示意图三。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
根据本发明提供的第一实施例，如图1所示，
一种GPS轨迹优化方法，包括以下步骤：
S100获取用户的GPS定位点的坐标数据；
S200对GPS定位点的坐标数据进行分析处理，删除GPS定位点中的干扰点的坐标数据；
S300通过神经网络模型预测干扰点的坐标数据，得到GPS轨迹曲线。
具体地，在实际使用过程中，可穿戴设备或移动终端每隔一定时间对GPS 信号进行采样定位，可获取多组用户的GPS定位点的坐标数据，坐标数据包括经度数据和维度数据。当用户位于信号不稳定或障碍物较多的地方时，GPS定位会存在误差，获取的原始GPS定位点的坐标数据中可能存在一些干扰点，比如，当GPS定位点中存在漂移点时，这些漂移点的坐标数据可能会漂移到较远的地方；或者在没有GPS信号或信号不稳定时，GPS定位点中会存在丢星点，如果直接采用这些干扰点的坐标数据生成GPS轨迹曲线，会使得GPS轨迹曲线与真实的运动轨迹相差较大，影响GPS轨迹曲线的精度，因此，需要删除这些干扰点的坐标数据。
删除掉这些干扰点的坐标数据后，GPS定位点中会出现断点，如果直接连接的话，GPS轨迹会存在较多的折线，不仅很曲折，不美观，而且与实际运动轨迹有出入，因此，在删除掉干扰点的坐标数据后，我们再通过神经网络模型预测这些干扰点的坐标数据，使得GPS轨迹曲线更圆滑、美观；并且通过神经网络模型的不断自我学习，可使得预测的干扰点的坐标数据更接近真实轨迹的坐标数据，从而达到精确显示GPS轨迹曲线的目的，提高用户的使用体验。
根据本发明提供的一种GPS轨迹优化方法的第二实施例，如图2所示，在上述第一实施例的基础上，本实施例的改进之处在于，在上述步骤 S100之后，步骤S200之前还包括：
S150将GPS定位点按时间先后顺序进行排序；
上述步骤S300具体包括：
S310当第K个GPS定位点为待预测干扰点时，选取第K个GPS定位点前的Y个GPS定位点的坐标数据作为训练样本；
S320在训练样本中选取相邻的T个GPS定位点的坐标数据作为一个训练单元，得到n个训练单元，T＜Y；
S330通过n个训练单元训练神经网络模型，得到训练好的神经网络模型；
S340根据第K个GPS定位点前的相邻的T个GPS定位点的坐标数据和训练好的神经网络模型，计算得到待预测干扰点的坐标数据；
S350根据已删除干扰点的GPS定位点的坐标数据和待预测干扰点的坐标数据，得到GPS轨迹曲线。
具体地，获取GPS定位点的坐标数据后，将GPS定位点按时间先后顺序进行排序，然后删除GPS定位点中的干扰点的坐标数据，假设在第K个GPS 定位点出现干扰点，我们需要根据第K个GPS定位点前的K-1个GPS定位点的坐标数据，采用神经网络模型，预测出第K个GPS定位点的坐标数据。
本实施例是采用长短期记忆人工神经网络(LSTM)来预测干扰点的坐标数据，LSTM的信号时序展开图如图3所示，可以看到LSTM神经网络中每个单元有三个输入，当前时序单元的输入信号xt，上一时刻的输出信号ht-1，以及上一时刻的单元状态Ct-1，输出值则有当前时刻的输出ht和当前时刻的状态Ct。LSTM的关键在于控制长期状态C，引入三个开关，第一个开关负责继续控制保存长期状态C；第二个开关负责控制及时状态C'；第三个开关负责控制是否把长期状态C作为当前时序单元的输出，其示意图如图4所示。
LSTM用两个门来控制状态C的内容，input gate输入门it，输入门决定当前单元输入xt有多少保存到当前时刻Ct中；forget gate忘记门ft决定上一时刻 Ct-1有多少保存到当前时刻Ct中；用output gate输出门ot来控制当前状态Ct输入到当前的输出值中ht，各状态门可表示为：
ft＝σ(Wf[ht-1,xt]+bf)
it＝σ(Wi[ht-1,xt]+bi)
C't＝tanh(WC[ht-1,xt]+bc)
Ct＝ft*Ct-1+it*C't (1)
ot＝tanh(Wo[ht-1,xt])
ht＝ot*tanh(Ct)
其中，Wf，Wi，WC，Wo引入的忘记门、输入门、当前时刻的及时门、输出门；bf，bi，bc为相应门的偏置项；σ为sigmoid函数。
对于一个网络，默认其训练样本正常，即可获得相应的初始状态Wf，Wi， WC，Wo，bf，bi，bc等值。从而可以在初始值的基础上进行不断迭代，每次迭代得到的ht会与实际训练的样本值进行对比，当迭代得到的ht与实际值的差值大于预设阈值时，则会根据上述(1)的公式继续循环迭代，迭代中Wf，Wi，WC， Wo等权重门也在不断更新，直至迭代得到的ht与实际值的差值小于预设阈值，则完成当次训练过程，继续进行下一次的训练。
当第K个GPS定位点出现干扰点时，选取第K个GPS定位点前的Y个坐标数据作为训练样本。其中，K大于7；如果K小于7，则代表可穿戴设备或移动终端的初始信号出现问题，可穿戴设备或移动终端无法正常获取GPS轨迹，且可供训练的原始数据太少，无法准确进行预测；因此，本实施例假定K 大于7。Y的取值可视具体情况而定，但是为了保证预测准确度，Y的取值最好大于或等于7。如K＝8时，选取第8个GPS定位点前的7个GPS定位点的坐标数据作为训练样本，7个GPS定位点的坐标数据分别为y1，y2，y3，y4， y5，y6，y7，该训练样本用矩阵形式可表示为[y1，y2，y3，y4，y5，y6，y7]，该矩阵为一个7×2矩阵，第一列表示经度数据，第二列表示维度数据。
得到训练样本后，在训练样本中选取T个GPS定位点的坐标数据作为一个训练单元，为了保证预测精度，T的取值最好大于或等于4，如T的取值为 4，则得到的训练单元分别为[y1，y2，y3，y4]、[y2，y3，y4，y5]和[y3，y4，y5， y6]。步骤S330：通过这四个训练单元训练神经网络模型，得到训练好的神经网络模型，如图5所示，其过程具体包括：
S331对训练单元中的坐标数据进行归一化处理；
S332将n个训练单元按训练单元中的第一个GPS定位点的时间先后顺序进行排序；
S333输入第一个训练单元中的GPS定位点的坐标数据，得到神经网络模型的初始状态值；
S334通过初始状态值和第二个训练单元迭代训练神经网络模型，得到神经网络模型的第二状态值；
S335通过第i-1状态值和第i个训练单元对神经网络模型进行迭代训练，得到神经网络模型的第i状态值，3≤i≤n；
S340根据第K个GPS定位点前的相邻的T个GPS定位点的坐标数据和训练好的神经网络模型，计算得到待预测干扰点的坐标数据具体包括：
S341根据第K个GPS定位点前的相邻的T个GPS定位点的坐标数据和第 i状态值，计算得到待预测干扰点的坐标数据。
即先将[y1，y2，y3，y4]、[y2，y3，y4，y5]、[y3，y4，y5，y6]中的坐标数据进行归一化处理，同时用随机函数产生bf，bi，bc的初值；然后按y1、y2、y3、y4的时间先后顺序进行排序，将[y1，y2，y3，y4]作为第一个训练样本输入值，输入值即为公式(1)中的x0，y5则为h0，由此，我们得到了训练的初始状态值。
得到初始状态值后，开始进行真正的训练，即真正的训练是从第二个训练单元开始，按照设定，第二个训练单元的输入值则为[y2，y3，y4，y5]，然后按照公式(1)不断迭代计算输出值h1，并将输出值h1与实际值y6对比，直至输出值h1与实际值y6的差值小于预设阈值时，第二训练单元的训练完成，记录保存通过第二训练单元训练得到的第二状态值Wf，Wi，WC，Wo。
得到第二状态值Wf，Wi，WC，Wo后，根据第二状态值开始第三训练单元的训练，第三训练单元的输入值为[y3，y4，y5，y6]，按照公式(1)进行不断迭代计算输出值h2，并与实际值y7对比，当输出值与实际值的误差小于预设阈值时，迭代结束，保存通过第三训练单元训练得到的第三状态值Wf，Wi，WC， Wo。
得到第三状态值后，根据第三状态值和输入值[y4，y5，y6，y7]，可计算得到h3，h3即为我们需要预测的干扰点y8的坐标数据的预测值。
当K＝9，Y＝8，T＝4时，训练样本为[y1，y2，y3，y4，y5，y6，y7，y8]，训练单元分别为[y1，y2，y3，y4]，[y2，y3，y4，y5]，[y3，y4，y5，y6]，[y4，y5， y6，y7]，此时需要进行四个训练单元的训练，并根据最后一个训练单元得到的状态值Wf，Wi，WC，Wo和输入值[y5，y6，y7，y8]计算得到干扰点的坐标数据的预测值。
图6为采用LSTM算法预测得到的GPS轨迹与原始GPS轨迹的对比图，从图6中可看出，LSTM算法对干扰点的预测轨迹与干扰点前的轨迹相关，如在丢星点时，由于丢星点前的轨迹更接近于直线，因此通过LSTM算法预测补齐的丢星点处的轨迹也接近直线，而在漂移点时，由于漂移点前的轨迹具有一定的弧度，因此，通过LSTM算法预测补齐的漂移点处的轨迹具有圆弧轨迹。本发明通过LSTM算法对干扰点进行预测，由于LSTM算法具有长短期记忆特点，因此，某一点的预测可反映此点前的轨迹变化，使得预测得到的GPS轨迹曲线更接近实际轨迹。
根据本发明提供的一种GPS轨迹优化方法的第三实施例，在上述任一实施例中，S200具体包括：
检测GPS定位点中是否存在丢星点；当检测到丢星点时，删除丢星点的坐标数据；
检测GPS定位点中是否存在漂移点；当检测到漂移点时，删除漂移点的坐标数据。
其中，检测GPS定位点中是否存在丢星点；当检测到丢星点时，删除丢星点的坐标数据具体包括：
将当前GPS定位点的坐标数据与预设坐标数据进行比对，若当前GPS定位点的坐标数据与预设坐标数据一致时，标记当前GPS定位点为丢星点，并删除当前GPS定位点的坐标数据；
检测GPS定位点中是否存在漂移点；当检测到漂移点时，删除漂移点的坐标数据具体包括：
当第m个GPS定位点不为干扰点时，计算第m+1个GPS定位点与第m 个GPS定位点之间的距离，当距离大于预设距离时，标记第m+1个GPS定位点为漂移点，并删除第m+1个GPS定位点的坐标数据；
当第m个GPS定位点为干扰点且距离第m个GPS定位点最近的第m-i个 GPS定位点不为干扰点时，计算第m+1个GPS定位点与第m-i个GPS定位点之间的距离，当距离大于1+i倍的预设距离时，标记第m+1个GPS定位点为漂移点，并删除第m+1个GPS定位点的坐标数据，1≤i＜m。
具体地，GPS定位点中的干扰点主要是指丢星点和漂移点。通常来说，可穿戴设备或移动终端会在一定时间间隔内对GPS信号进行采样定位，假设采样时间间隔为t0，一段时间内可穿戴设备共采集了N组数据。
记时间t数组[t]，其元素为t0，t0*2，t0*3……t0*N；
记经度数组为[lon]，其内部元素为lon1，lon2，lon3，……lonN；
记纬度数组为[lat]，其内部元素为lat1，lat2，lat3，……latN；
可知，数组[t]和[lon]、[lat]存在时间上的对应关系。
我们先对N组经度、纬度数据进行丢星点和飘移点的数据删除。
一般可穿戴设备或移动终端如果处于丢星状态，抓不到GPS信号，它给出的相关定位数据会是一组特殊值。因此，只需从GPS定位点中查找出经度或维度为特殊值的定位点，并将该定位点标记为丢星点，删除其坐标数据。此处以特殊值0为例，假设丢星点处其坐标数据为0，在GPS定位点中找到经度或维度为0的定位点，并在数组[t]中对应特殊值0所在的时间点进行置0处理。
用户在佩戴可穿戴设备进行活动，比如跑步，步行或者登山时，会存在一个位置变化速度，此处我们以用户常见的使用场景跑步为例。
当干扰点为漂移点时，假设用户跑步的最大速度为V1米每秒,假设用户在信号丢失点和漂移点的实时速度为V，则有V≤V1。
假定经纬度第一组定位点的坐标数据是准确的，因为，一般只有在进入定位状态后才开始记录轨迹数据，比如那些可以定位的可穿戴设备产品或移动终端就是这么设计的。
以第m个定位点作为参考点，显然，m从1开始。
对相邻的第m+1个定位点进行检测，通过两个定位点的经纬度可以计算出两个定位点所在时间点之间的距离为L0(米)。
如果L0<V1×T0，则第m个定位点符合预设精度要求，判断第m+1个定位点不是飘移点，此时，参考点变为第m+1个定位点，开始检测第m+2个定位点是不是漂移点。
如果L0≥V1×T0，判断第m+1个定位点是飘移点，需要对第m+1个定位点进行标记以便后面删除，并且，此时，依旧以第m个定位点为参考点，开始检测第m+2个定位点是不是漂移点，此时距离限值变为V1×T0×(m+2-m)。
依照上述可对判断的飘移点和丢星点所在位置进行数组置0处理，得到了一个N×2维的坐标信息数组，其中有M行数据为0，显然M＜N。
此时，剩下的数据则是最后筛选出来的准确定位数据，一般情况下这些数据能大致显示出GPS轨迹。但此时将这些数据进行直连显示的话，因为中间有丢星点和漂移点删除，轨迹会出现断点，不仅很曲折、不美观，而且与实际轨迹差别较大，因此，我们需要通过上述实施例中的神经网络模型对标记的丢星点和漂移点进行坐标数据预测，以使得优化后的GPS轨迹接近真实的GPS运动轨迹。本发明可在不增加辅助定位所需的额外硬件BOM成本的基础上，依靠深度学习方法对GPS轨迹进行优化处理，使得GPS显示的轨迹曲线与实际路线接近，从而提高用户的使用体验。
根据本发明提供的第四实施例，如图7所示，
一种GPS轨迹优化系统，包括：
数据获取模块100，用于获取用户的GPS定位点的坐标数据；
数据处理模块200，用于对GPS定位点的坐标数据进行分析处理，删除 GPS定位点中的干扰点的坐标数据；
轨迹获取模块300，用于通过神经网络模型预测干扰点的坐标数据，得到 GPS轨迹曲线。
本实施例中的各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
根据本发明提供的第五实施例，如图8至图10所示，
一种GPS轨迹优化系统，包括：
数据获取模块100，用于获取用户的GPS定位点的坐标数据；
数据处理模块200，用于对GPS定位点的坐标数据进行分析处理，删除GPS定位点中的干扰点的坐标数据；
轨迹获取模块300，用于通过神经网络模型预测干扰点的坐标数据，得到 GPS轨迹曲线。
优选地，还包括：排序模块150，用于将GPS定位点按时间先后顺序进行排序；
如图9所示，轨迹获取模块300包括：
样本选取单元310，用于当第K个GPS定位点为待预测干扰点时，选取第 K个GPS定位点前的Y个GPS定位点的坐标数据作为训练样本；
划分单元320，用于在训练样本中选取相邻的T个GPS定位点坐标数据作为一个训练单元，得到n个训练单元，T＜Y；
模型训练单元330，用于通过n个训练单元训练神经网络模型，得到训练好的神经网络模型；
计算单元340，用于根据第K个GPS定位点前的相邻的T个GPS定位点的坐标数据和训练好的神经网络模型，计算得到待预测干扰点的坐标数据；
轨迹获取单元350，用于根据已删除干扰点的GPS定位点的坐标数据和待预测干扰点的坐标数据，得到GPS轨迹曲线。
优选地，如图10所示，模型训练单元330包括：
数据处理子单元331，用于对训练单元中的坐标数据进行归一化处理；
排序子单元332，用于将n个训练单元按训练单元中的第一个GPS定位点的时间先后顺序进行排序；
状态获取子单元333，用于输入第一个训练单元中的GPS定位点坐标数据，得到神经网络模型的初始状态值；
状态获取子单元333，还用于通过初始状态值和第二个训练单元迭代训练神经网络模型，得到神经网络模型的第二状态值；
状态获取子单元333，还用于通过第i-1状态值和第i个训练单元对神经网络模型进行迭代训练，得到神经网络模型的第i状态值，3≤i≤n；
计算单元340包括：
计算子单元，用于根据第K个GPS定位点前的相邻的T个GPS定位点的坐标数据和第i状态值，计算得到待预测干扰点的坐标数据。
优选地，数据处理模块200包括：
丢星检测单元，用于检测GPS定位点中是否存在丢星点；当检测到丢星点时，删除丢星点的坐标数据；
漂移检测单元，用于检测GPS定位点中是否存在漂移点；当检测到漂移点时，删除漂移点的坐标数据。
优选地，丢星检测单元包括：
丢星检测子单元，用于将当前GPS定位点的坐标数据与预设坐标数据进行比对，若当前GPS定位点的坐标数据与预设坐标数据一致时，标记当前GPS 定位点为丢星点，并删除当前GPS定位点的坐标数据；
漂移检测单元包括：
漂移检测子单元，用于当第m个GPS定位点不为干扰点时，计算第m+1 个GPS定位点与第m个GPS定位点之间的距离，当距离大于预设距离时，标记第m+1个GPS定位点为漂移点，并删除第m+1个GPS定位点的坐标数据；
漂移检测子单元，还用于当第m个GPS定位点为干扰点且距离第m个GPS 定位点最近的第m-i个GPS定位点不为干扰点时，计算第m+1个GPS定位点与第m-i个GPS定位点之间的距离，当距离大于1+i倍的预设距离时，标记第 m+1个GPS定位点为漂移点，并删除第m+1个GPS定位点的坐标数据，1≤i ＜m。
本实施例中的各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种GPS轨迹优化方法，其特征在于，包括以下步骤：
获取用户的GPS定位点的坐标数据；
对所述GPS定位点的坐标数据进行分析处理，删除所述GPS定位点中的干扰点的坐标数据；
通过神经网络模型预测所述干扰点的坐标数据，得到GPS轨迹曲线。
2.根据权利要求1所述的一种GPS轨迹优化方法，其特征在于，
在所述获取用户的GPS定位点的坐标数据之后，所述对所述GPS定位点的坐标数据进行分析处理，删除其中的干扰坐标数据之前还包括：
将所述GPS定位点按时间先后顺序进行排序；
所述通过神经网络模型预测所述干扰点的坐标数据，得到GPS轨迹曲线具体包括：
当第K个GPS定位点为待预测干扰点时，选取第K个GPS定位点前的Y个GPS定位点的坐标数据作为训练样本；
在所述训练样本中选取相邻的T个GPS定位点的坐标数据作为一个训练单元，得到n个训练单元，T＜Y；
通过n个所述训练单元训练神经网络模型，得到训练好的神经网络模型；
根据第K个GPS定位点前的相邻的T个GPS定位点的坐标数据和所述训练好的神经网络模型，计算得到所述待预测干扰点的坐标数据；
根据已删除干扰点的GPS定位点的坐标数据和所述待预测干扰点的坐标数据，得到GPS轨迹曲线。
3.根据权利要求2所述的一种GPS轨迹优化方法，其特征在于，所述通过n个所述训练单元训练神经网络模型，得到训练好的神经网络模型具体包括：
对所述训练单元中的坐标数据进行归一化处理；
将n个所述训练单元按所述训练单元中的第一个GPS定位点的时间先后顺序进行排序；
输入第一个所述训练单元中的GPS定位点的坐标数据，得到所述神经网络模型的初始状态值；
通过所述初始状态值和第二个所述训练单元迭代训练所述神经网络模型，得到所述神经网络模型的第二状态值；
通过第i-1状态值和第i个所述训练单元对所述神经网络模型进行迭代训练，得到所述神经网络模型的第i状态值，3≤i≤n；
所述根据第K个GPS定位点前的相邻的T个GPS定位点的坐标数据和所述训练好的神经网络模型，计算得到所述待预测干扰点的坐标数据具体包括：
根据第K个GPS定位点前的相邻的T个GPS定位点的坐标数据和所述第i状态值，计算得到所述待预测干扰点的坐标数据。
4.根据权利要求1-3任一项所述的一种GPS轨迹优化方法，其特征在于，所述对所述GPS定位点的坐标数据进行分析处理，删除其中的干扰坐标数据具体包括：
检测所述GPS定位点中是否存在丢星点；当检测到所述丢星点时，删除所述丢星点的坐标数据；
检测所述GPS定位点中是否存在漂移点；当检测到所述漂移点时，删除所述漂移点的坐标数据。
5.根据权利要求4所述的一种GPS轨迹优化方法，其特征在于，
所述检测所述GPS定位点中是否存在丢星点；当检测到所述丢星点时，删除所述丢星点的坐标数据具体包括：
将当前GPS定位点的坐标数据与预设坐标数据进行比对，若所述当前GPS定位点的坐标数据与所述预设坐标数据一致时，标记所述当前GPS定位点为丢星点，并删除所述当前GPS定位点的坐标数据；
所述检测所述GPS定位点中是否存在漂移点；当检测到所述漂移点时，删除所述漂移点的坐标数据具体包括：
当第m个GPS定位点不为干扰点时，计算第m+1个GPS定位点与所述第m个GPS定位点之间的距离，当所述距离大于预设距离时，标记所述第m+1个GPS定位点为漂移点，并删除所述第m+1个GPS定位点的坐标数据；
当第m个GPS定位点为干扰点且距离所述第m个GPS定位点最近的第m-i个GPS定位点不为干扰点时，计算第m+1个GPS定位点与所述第m-i个GPS定位点之间的距离，当所述距离大于1+i倍的预设距离时，标记所述第m+1个GPS定位点为漂移点，并删除所述第m+1个GPS定位点的坐标数据，1≤i＜m。
6.一种GPS轨迹优化系统，其特征在于，包括：
数据获取模块，用于获取用户的GPS定位点的坐标数据；
数据处理模块，用于对所述GPS定位点的坐标数据进行分析处理，删除所述GPS定位点中的干扰点的坐标数据；
轨迹获取模块，用于通过神经网络模型预测所述干扰点的坐标数据，得到GPS轨迹曲线。
7.根据权利要求6所述的一种GPS轨迹优化系统，其特征在于，还包括：排序模块，用于将所述GPS定位点按时间先后顺序进行排序；
所述轨迹获取模块包括：
样本选取单元，用于当第K个GPS定位点为待预测干扰点时，选取第K个GPS定位点前的Y个GPS定位点的坐标数据作为训练样本；
划分单元，用于在所述训练样本中选取相邻的T个GPS定位点坐标数据作为一个训练单元，得到n个训练单元，T＜Y；
模型训练单元，用于通过n个所述训练单元训练神经网络模型，得到训练好的神经网络模型；
计算单元，用于根据第K个GPS定位点前的相邻的T个GPS定位点的坐标数据和所述训练好的神经网络模型，计算得到所述待预测干扰点的坐标数据；
轨迹获取单元，用于根据已删除干扰点的GPS定位点的坐标数据和所述待预测干扰点的坐标数据，得到GPS轨迹曲线。
8.根据权利要求7所述的一种GPS轨迹优化系统，其特征在于，所述模型训练单元包括：
数据处理子单元，用于对所述训练单元中的坐标数据进行归一化处理；
排序子单元，用于将n个所述训练单元按所述训练单元中的第一个GPS定位点的时间先后顺序进行排序；
状态获取子单元，用于输入第一个所述训练单元中的GPS定位点坐标数据，得到所述神经网络模型的初始状态值；
状态获取子单元，还用于通过所述初始状态值和第二个所述训练单元迭代训练所述神经网络模型，得到所述神经网络模型的第二状态值；
状态获取子单元，还用于通过第i-1状态值和第i个所述训练单元对所述神经网络模型进行迭代训练，得到所述神经网络模型的第i状态值，3≤i≤n；
所述计算单元包括：
计算子单元，用于根据第K个GPS定位点前的相邻的T个GPS定位点的坐标数据和所述第i状态值，计算得到所述待预测干扰点的坐标数据。
9.根据权利要求6-8任一项所述的一种GPS轨迹优化系统，其特征在于，所述数据处理模块包括：
丢星检测单元，用于检测所述GPS定位点中是否存在丢星点；当检测到所述丢星点时，删除所述丢星点的坐标数据；
漂移检测单元，用于检测所述GPS定位点中是否存在漂移点；当检测到所述漂移点时，删除所述漂移点的坐标数据。
10.根据权利要求9所述的一种GPS轨迹优化系统，其特征在于，
所述丢星检测单元包括：
丢星检测子单元，用于将当前GPS定位点的坐标数据与预设坐标数据进行比对，若所述当前GPS定位点的坐标数据与所述预设坐标数据一致时，标记所述当前GPS定位点为丢星点，并删除所述当前GPS定位点的坐标数据；
所述漂移检测单元包括：
漂移检测子单元，用于当第m个GPS定位点不为干扰点时，计算第m+1个GPS定位点与所述第m个GPS定位点之间的距离，当所述距离大于预设距离时，标记所述第m+1个GPS定位点为漂移点，并删除所述第m+1个GPS定位点的坐标数据；
所述漂移检测子单元，还用于当第m个GPS定位点为干扰点且距离所述第m个GPS定位点最近的第m-i个GPS定位点不为干扰点时，计算第m+1个GPS定位点与所述第m-i个GPS定位点之间的距离，当所述距离大于1+i倍的预设距离时，标记所述第m+1个GPS定位点为漂移点，并删除所述第m+1个GPS定位点的坐标数据，1≤i＜m。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810756005.5A CN108873030A (zh) | 2018-07-11 | 2018-07-11 | 一种gps轨迹优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810756005.5A CN108873030A (zh) | 2018-07-11 | 2018-07-11 | 一种gps轨迹优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108873030A true CN108873030A (zh) | 2018-11-23 |
Family
ID=64300735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810756005.5A Pending CN108873030A (zh) | 2018-07-11 | 2018-07-11 | 一种gps轨迹优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108873030A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110519693A (zh) * | 2019-09-29 | 2019-11-29 | 东北大学 | 一种面向智能移动终端的融合定位方法 |
| CN111538052A (zh) * | 2020-04-30 | 2020-08-14 | 西安大唐电信有限公司 | 一种基于obd的北斗/gps的轨迹优化方法 |
| CN113759400A (zh) * | 2021-08-04 | 2021-12-07 | 江苏怀业信息技术股份有限公司 | 卫星定位轨迹的平滑化方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106548475A (zh) * | 2016-11-18 | 2017-03-29 | 西北工业大学 | 一种适用于空间非合作自旋目标运动轨迹的预测方法 |
| CN107122798A (zh) * | 2017-04-17 | 2017-09-01 | 深圳市淘米科技有限公司 | 基于深度卷积网络的引体向上计数检测方法及装置 |
| CN107861132A (zh) * | 2017-10-27 | 2018-03-30 | 上海斐讯数据通信技术有限公司 | 一种gps轨迹优化方法及装置 |
-
2018
- 2018-07-11 CN CN201810756005.5A patent/CN108873030A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106548475A (zh) * | 2016-11-18 | 2017-03-29 | 西北工业大学 | 一种适用于空间非合作自旋目标运动轨迹的预测方法 |
| CN107122798A (zh) * | 2017-04-17 | 2017-09-01 | 深圳市淘米科技有限公司 | 基于深度卷积网络的引体向上计数检测方法及装置 |
| CN107861132A (zh) * | 2017-10-27 | 2018-03-30 | 上海斐讯数据通信技术有限公司 | 一种gps轨迹优化方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| PHIL KIM: "《深度学习：基于MATLAB的设计实例》", 30 April 2018, pages: 41 - 42 * |
| 窦兆一 刘建军: "人工神经网络在通量观测资料插补中的应用", 《西北林学院学报》, 31 December 2009 (2009-12-31), pages 58 - 62 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110519693A (zh) * | 2019-09-29 | 2019-11-29 | 东北大学 | 一种面向智能移动终端的融合定位方法 |
| CN110519693B (zh) * | 2019-09-29 | 2020-11-03 | 东北大学 | 一种面向智能移动终端的融合定位方法 |
| CN111538052A (zh) * | 2020-04-30 | 2020-08-14 | 西安大唐电信有限公司 | 一种基于obd的北斗/gps的轨迹优化方法 |
| CN113759400A (zh) * | 2021-08-04 | 2021-12-07 | 江苏怀业信息技术股份有限公司 | 卫星定位轨迹的平滑化方法和装置 |
| CN113759400B (zh) * | 2021-08-04 | 2024-02-27 | 江苏怀业信息技术股份有限公司 | 卫星定位轨迹的平滑化方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jin et al. | Environmental boundary tracking and estimation using multiple autonomous vehicles | |
| CN103201754B (zh) | 数据处理设备和数据处理方法 | |
| Lermusiaux et al. | Science of autonomy: Time-optimal path planning and adaptive sampling for swarms of ocean vehicles | |
| CN108621159A (zh) | 一种基于深度学习的机器人动力学建模方法 | |
| CN108873030A (zh) | 一种gps轨迹优化方法及系统 | |
| Cao et al. | Target search control of AUV in underwater environment with deep reinforcement learning | |
| Wang et al. | Efficient metropolitan traffic prediction based on graph recurrent neural network | |
| CN106714110A (zh) | 一种Wi‑Fi位置指纹地图自动构建方法及系统 | |
| CN112365708B (zh) | 基于多图卷积网络的景区交通量预测模型建立和预测方法 | |
| CN111080029A (zh) | 基于多路段时空相关的城市交通路段速度预测方法及系统 | |
| CN106231609A (zh) | 一种基于重点目标区域的水下传感器网络优化部署方法 | |
| Hajian et al. | Application of soft computing and intelligent methods in geophysics | |
| CN111242344A (zh) | 一种基于循环神经网络和卷积神经网络的智能水位预测方法 | |
| CN104090262B (zh) | 一种基于多采样率多模型融合估计的移动目标跟踪方法 | |
| CN115829171B (zh) | 一种联合时空信息和社交互动特征的行人轨迹预测方法 | |
| CN111339449A (zh) | 一种用户运动轨迹的预测方法、装置、设备及存储介质 | |
| CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
| CN110320919A (zh) | 一种未知地理环境中的巡回机器人路径优化方法 | |
| CN114461931A (zh) | 一种基于多关系融合分析的用户轨迹预测方法和系统 | |
| Hasan et al. | Automatic estimation of inertial navigation system errors for global positioning system outage recovery | |
| CN113887789A (zh) | 一种基于循环神经网络的改进船舶轨迹预测方法及其装置 | |
| CN117076893B (zh) | 一种基于长短期记忆神经网络的声速分布预报方法 | |
| CN110726416A (zh) | 一种基于障碍区域扩张策略的强化学习路径规划方法 | |
| US20040024721A1 (en) | Adaptive decision engine | |
| Uysal et al. | Monthly streamflow estimation using wavelet-artificial neural network model: a case study on Çamlıdere dam basin, Turkey |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201209 Address after: Room 10242, No. 260, Jiangshu Road, Xixing street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Hangzhou Jiji Intellectual Property Operation Co., Ltd Address before: 201616 No. 3666 Sixian Road, Songjiang District, Shanghai Applicant before: Phicomm (Shanghai) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |