CN110488842B - 一种基于双向内核岭回归的车辆轨迹预测方法 - Google Patents

Abstract

本发明公开了一种基于双向内核岭回归的车辆轨迹预测方法，包括：步骤1，获取车辆行驶过程中在信号中断时间段之前的第一行驶姿态信息时间序列和之后的第二行驶姿态信息时间序列，并分别采用滑动窗口从中获取有关行驶姿态信息的前向训练数据和后向训练数据；步骤2，利用前向训练数据和后向训练数据，分别训练两个核岭回归模型，得到轨迹前向预测模型和轨迹后向预测模型；步骤3，使用轨迹前向预测模型和轨迹后向预测模型，分别从前向和后向对中断时间段内的行驶姿态信息进行滚动预测，得到前向预测序列和后向预测序列，最后整合得到中断时间段内的行驶姿态信息时间序列。本发明方法对车辆轨迹预测具有更好的精确度和鲁棒性。

Description

一种基于双向内核岭回归的车辆轨迹预测方法

技术领域

本发明涉及智能交通系统中的车辆位置轨迹预测技术，具体是指一种基于双向内核岭回归与GPS/OBD组合导航多源信息融合系统的车辆轨迹预测方法。

背景技术

现如今，随着社会经济的快速发展，汽车给我们的出行生活带来了许多便捷，但其保有量的增加也带来了一系列的问题，如城市交通，交通管理和环境保护等等。与此同时，在车载网络中也产生了大量的轨迹数据，这些轨迹数据具有重要的社会和应用价值，例如：为解决交通拥堵和改善交通服务提供了新的途径。因此，精确的大规模轨迹数据获取是首要任务。

众所周知，GPS(Global Positioning System，GPS)定位技术可通过持续获取准确的车辆位置，获得车辆轨迹信息。大多数情况下，它都能精准的提供实时的车辆位置信息。但在有些相对极端的交通环境下，比如当车辆行驶至GPS信号失效地方——高大的建筑物遮挡地、上下班拥塞、高架转弯处等，就可能无法持续提供可靠、精确的车辆位置信息。所以，怎样利用有效的方法来获取持续的、精确的车辆位置信息是现在亟需解决的问题。

发明内容

为了解决GPS信号失效导致车辆位置轨迹不完整、精度较低的技术问题，本发明提出了一种基于双向内核岭回归的车辆轨迹预测方法。

为实现上述技术目的，本发明采用如下技术方案：

一种基于双向内核岭回归的车辆轨迹预测方法，包括以下步骤：

步骤1，获取训练集数据；

获取车辆行驶过程中在信号中断时间段之前的第一行驶姿态信息时间序列和之后的第二行驶姿态信息时间序列，所述第一行驶姿态信息时间序列包括按固定频率采集到的n₁+l₁个数据点的行驶姿态信息，所述第二行驶姿态信息时间序列包括按固定频率采集到的n₂+l₂个数据点的行驶姿态信息；其中每个数据点的行驶姿态信息包括GPS信息；

采用宽为n₁+1、步长为1的滑动窗口，依次从第一行驶姿态信息时间序列中获取l₁组后向训练数据；

采用宽为n₂+1、步长为1的滑动窗口，依次从第二行驶姿态信息时间序列中获取l₂组前向训练数据；

步骤2，训练模型；

以每组后向训练数据的最后1个数据点的行驶姿态信息作为输出数据、其余n₁个数据点的行驶姿态信息组成输入数据，训练第一个核岭回归模型，得到轨迹后向预测模型；

以每组前向训练数据的最前1个数据点的行驶姿态信息作为输出数据、其余n₂个数据点的行驶姿态信息组成输入数据，训练第二个核岭回归模型，得到轨迹前向预测模型；

步骤3，预测信号中断时间段内的行驶姿态信息时间序列；

使用轨迹后向预测模型，并从利用信号中断时间段之前最近的n₁个数据点的行驶姿态信息开始，对中断时间段内的各数据点的行驶姿态信息从前向后依次进行滚动预测，得到中断时间段内的后向预测序列；

使用轨迹前向预测模型，并从利用信号中断时间段之后最近的n₂个数据点的行驶姿态信息开始，对中断时间段内的各数据点的行驶姿态信息从后向前依次进行滚动预测，得到中断时间段内的前向预测序列；

整合中断时间段内的前向预测序列和后向预测序列，得到中断时间段内的行驶姿态信息时间序列。

进一步地，每个数据点的行驶姿态信息还包括速度、加速度和/或转向角度。

进一步地，步骤2中训练第一个和第二个核岭回归模型时，均采用局部收缩粒子群优化算法计算核岭回归模型的系数。

进一步地，采用局部收缩粒子群优化算法计算核岭回归模型的系数的具体过程为：

步骤2.1，随机生成初始粒子群，每个粒子的位置向量代表核岭回归模型的一组系数解，第s个粒子的位置向量表示为T_s＝(T_s1,T_s2,...,T_sd,...T_sg)，d表示核岭回归模型的待求解的系数编号，g表示核岭回归模型的待求解的系数个数；

步骤2.2，遍历粒子群中所有粒子，计算每个粒子所代表的系数解的适应度，其中适应度函数为：

Fit(s)为第s个粒子的适应度值，y_d为第s个粒子中样本期望的输出值，

为第s个粒子中样本的输出值；

若当前迭代计算得到的适应度优于该粒子的个体最优解，则将该粒子的个体最优解更新为该粒子当前的位置向量；各粒子的个体最优解的初始值为其初始位置向量；

若当前迭代计算得到的适应度优于粒子群全局最优解，则将粒子群的全局最优解更新为该粒子当前的位置向量；粒子群中全局最优解的初始值为初始粒子群中的最优位置；

步骤2.3，按以下公式迭代更新粒子群中各个粒子的速度向量和位置向量：

式中，k表示迭代次数，

表示惯性权重，v表示粒子的速度向量，c₁和c₂表示不同的学习因子，H表示最大迭代次数，pg＝(pg₁,pg₂,...,pg_d,...,pg_n)表示粒子群当前的全局最优粒子，p_s＝(p_s1,p_s2,...,p_sd,...,p_sn)表示第s个粒子当前的个体最优解，rand(·)和Rand(·)表示两个介于(0,1)之间的随机数；

步骤2.4，判断是否达到最大迭代次数，若是则将粒子群的全局最优粒子的位置向量所对应的系数解作为核岭回归模型的最优系数；否则返回步骤2.2执行下一次迭代。

进一步地，根据权利要求1所述的方法，其特征在于，训练核岭回归模型的损失函数为：

式中，A·A表示正则化项，γ为正则化参数，且γ＞0，A＝(a₁,a₂,…,a_m)为核岭回归模型的系数向量，m表示系数的个数，

表示核岭回归模型根据输入数据X_i所预测得到的预测值，y_i表示与输入数据X_i对应的输出数据，n表示训练核岭回归模型的样本数量。

进一步地，n₁＝n₂＝15。

有益效果

本发明通过使用GPS信号中断前与恢复后的行驶姿态信息，针对信号中断时间段的前后分别训练两个核岭回归模型，得到轨迹前向预测模型和轨迹后向预测模型，从而可根据离中断时间段最近的行驶姿态信息预测中断时间段内的行驶姿态信息，分别得到中断时间段内的前向预测序列和后向预测序列，最终对该两个预测序列进行整合，得到中断时间段内的最终预测轨迹。

由于GPS信号中断时间段内，行驶姿态信息都是与历史轨迹相临近的有特别大的关联，因此本发明利用GPS信号中断前后的行驶姿态信息分别进行前后双向预测，相比于只使用其中一端的行驶姿态信息进行预测，可以减少中断后期的累积误差问题，并且在处理现有复杂的交通环境下的车辆位置定位和轨迹预测效率更高更可靠，更能符合真实场景下车辆位置预测应用和大规模的车辆轨迹收集。

本发明使用局部收缩粒子群优化算法寻优核岭回归模型的系数，在迭代过程中动态调整粒子群更新的惯性权重，在迭代前期采用更大的惯性权重来加速全局搜索能力，在迭代后期采用更小的惯性权重以提高搜索的准确性，从而得到最优的系数解，进而提高得到的轨迹前向预测模型的预测精度。

另外，本发明在选择训练核岭回归模型时，利用核函数将低维空间的非线性问题映射到高维的线性空间中进行解决，从而使求解核岭回归模型的系数解变得更简单，将结构风险最小化，具有良好的泛化性和精准性。

附图说明

图1为双向基于KRR的预测算法流程图；

图2为基于LS-PSO-SVR的预测算法算法流程图；

图3直线路段中五种算法的预测轨迹与实际GPS轨迹对比；

图4低速路段中五种算法的预测轨迹与实际GPS轨迹对比；

图5高速路段中五种算法的预测轨迹与实际GPS轨迹对比；

图6弯道路段中五种算法的预测轨迹与实际GPS轨迹对比；

图7五种预测算法的均方根误差RMSE(m)。

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。

本发明基于双向核岭回归的车辆轨迹预测方法，其基本流程为：当GPS信号在未中断情况下，即此时能获取到准确的GPS信息，此时车辆上的GPS设备正常工作，按照固定频率获取GPS信息；然后利用正常采集到的时间最近的若干个GPS信息作为训练数据，同时训练获得前向轨迹预测模型和后向轨迹预测模型；最后，使用前向轨迹预测模型和后向轨迹预测模型，对GPS信号中断时间段内的GPS信息进行前向和后向同时预测，并进行数据整合，得到GPS信号中断时间段内的车辆轨迹。如图1、2所示，具体包括以下步骤：

步骤1，获取训练数据；

步骤1.1，在GPS信号中断之前，获取车辆行驶过程中按固定频率采n₁+l₁个时间点的行驶姿态信息，形成第一行驶姿态信息时间序列；在GPS信号中断时间段内，GPS设备无法采集到车辆行驶过程中的GPS信息，使得行驶姿态信息不完整；在GPS信号恢复之后，获取车辆行驶过程中按固定频率采集到的n₂+l₂个时间点的行驶姿态信息，形成第二行驶姿态信息时间序列。

每个时间点采集的数据即为1个数据点，每个数据点的行驶姿态信息包括GPS信息和行驶状态信息，行驶状态信息可以为速度、加速度和/或转向角度信息等。

步骤1.2，采用宽为n₁+1、步长为1的滑动窗口，依次从第一行驶姿态信息时间序列中获取l₁组后向训练数据；采用宽为n₂+1、步长为1的滑动窗口，依次从第二行驶姿态信息时间序列中获取l₂组前向训练数据；

其中，第i组后向训练数据的最后1个数据点的行驶姿态信息作为输出数据y_i、其余n₁个数据点的行驶姿态信息组成输入数据X_i，所有l₁组后向训练数据构成后向训练集

第i组前向训练数据的最前1个数据点的行驶姿态信息作为输出数据y′_i、其余n₂个数据点的行驶姿态信息组成输入数据X′_i，所有l₂组前向训练数据构成前向训练集

步骤2，训练模型；

一方面，训练得到轨迹后向预测模型；

以每组后向训练数据的最后1个数据点的行驶姿态信息作为输出数据、其余n₁个数据点的行驶姿态信息组成输入数据，从而组成一个训练样本，然后采用局部收缩粒子群优化算法计算第一个核岭回归模型的系数，即训练第一个核岭回归模型，得到轨迹后向预测模型。

训练第一个核岭回归模型的后向训练集为

其中

Rⁿ¹为输入数据集，R为输出数据集，n₁表示每组输入数据的维度。

在训练核岭回归模型的过程中，先自适应判断后向训练集中的输入数据X_i与输出数据y_i是否为线性关系，根据判断结果进行相应的处理方法，分别如下所述：

1)线性关系：

若后向训练集中的输入数据X_i与输出数据y_i是线性关系，则在核岭回归模型内部，无需对输入数据X_i进行处理，可将岭回归模型可写成为以下线性回归方程公式(1)：

式中，A＝(a₁,a₂,…,a_m)为线性回归方程的系数向量，

表示核岭回归模型根据输入数据X_i所预测得到的预测值，A·X_i表示系数向量A与输入数据X_i的内积；

为求解线性回归方程中的A和a，引入公式(2)所示损失函数，并使损失函数值Q达到最小：

但是如果在损失函数最小的原则下求解A和a，将会得到病态方程。所以为解决这个问题，本实施例通过引入正则化项A·A得到公式(3)所示的新的损失函数L(A,A)，以控制求解得到的轨迹后向预测模型具有更好的泛化性能和稳定性；

l(A,A)＝γA·A+Q (3)；

其中，γ＞0为正则化参数，A·A为正则化项，Q为拟合损失项。随后，将新的损失函数变成公式(4)所示的矩阵表达形式：

L(A)＝γAA^T+(Y-AX)(Y-AX)^T (4)；

此时X＝[X₁,X₂…X_n]，A＝(a₁,a₂,…a_n)，

其中，对参数A求偏导数，使其为0，可以求解核岭回归的模型待定系数：

A＝(XX^T+γI)^-1XY^T (5)；

此时，I为单位矩阵。由上述可知，核岭回归算法引入正则化项，使求解得到的线性回归方程，即训练得到的轨迹后向预测模型拥有好的泛化能力和稳定性。

2)非线性关系：

若后向训练集中的输入数据X_i与输出数据y_i是非线性关系，则采用核函数对非线性的输入数据进行预处理，转换到高维特征空间得到与输出数据呈线性关系的预处理输入数据；然后再基于预处理输入数据与输出数据对第一个核岭回归模型进行训练。

设核函数为φ()，其可将输入数据X_i映射为φ(X_i)，从而在高维特征空间F中进行岭回归，可表示为：

则与前述线性关系相同，为避免求解得到病态方程，使训练得到的轨迹后向预测模型拥有更好的泛化性能和稳定性，本实施例加入正则化项，得到新的如下公式(7)所示的损失函数形式为：

L(A,a)＝γA·A+Q (7)；

再将损失函数形式转化为矩阵形式：

L(A)＝γAA^T+(Y-AX）（Y-AX)^T (8)；

此时X＝[φ(X₁),φ(X₂),…,φ(X_l1）]，A＝(a₁,a₂,…,a_n)，对公式(7)中的A求偏导，使其为0，得到：

γA+X^TAX＝X^TY (9)；

将公式(9)改写成如下形式：

A＝γ^-1X^T(Y-AX)＝X^Tα (10)；

其中，将X^T(Y-AX)表示为α，将A变成数据的线性组合，则α可改写成为：

α＝(XX^T+γI)^-1Y＝(K+γI)^-1Y (11)；

式中，K为核矩阵，k_ij＝φ(X_i)·φ(X_j)为核函数，也就是K(X_i,X_j)为核矩阵K的第i行第j列的元素。

使用后向训练集

训练第一个核岭回归模型，使用所有输入数据与输出数据呈线性关系的样本数据按上述第1)种线性关系求解线性回归方程的系数，使用所有输入数据与输出数据呈非线性关系的样本数据按上述第2)种非线性关系在高维空间求解线性回归方程的系数，即是求解得到上述岭回归方程的系数向量A，从而得到核岭回归模型的预测函数。

在本实施例的后向训练集中，取n₁＝15，即每组输入数据X_i包括连续15个时间点的GPS信息以及同时刻的车辆状态信息(如速度，加速度转向角度等数据信息)，而输出数据则取输入数据X_i的下一个时间点的GPS信息。

具体地，本实施例采用局部收缩粒子群优化算法计算核岭回归模型的系数，首先初始化为一群随机粒子(即随机解)，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己；第一个就是粒子本身所找到的最优解，这个解称为个体极值；另一个极值是整个种群目前找到的最优解，这个极值是全局极值。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。具体包括以下步骤：

步骤2.1，随机生成初始粒子群(PSO初始化为一群随机解)，每个粒子的位置向量代表核岭回归模型的一组系数解，第s个粒子的位置向量表示为T_s＝(T_s1,T_s2,...,T_sd,...,T_sg)，T_sd表示第s个粒子所代表的一组系数解中的第d个待求解的系数，d表示核岭回归模型的待求解的系数编号，g表示PSO算法搜索空间的维度，即核岭回归模型的待求解的系数个数，因此一般来说g越大的话系统预测的结果越准确。

步骤2.2，遍历粒子群中所有粒子，计算每个粒子所代表的系数解的适应度，其中适应度函数为：

Fit(s)为第s个粒子的适应度值，y_d为第s个粒子中样本期望的输出值，

为第s个粒子中样本的输出值；

若当前迭代计算得到的适应度优于该粒子的个体最优解，则将该粒子的个体最优解更新为该粒子当前的位置向量；各粒子的个体最优解的初始值为其初始位置向量；

若当前迭代计算得到的适应度优于粒子群全局最优解，则将粒子群的全局最优解更新为该粒子当前的位置向量；粒子群中全局最优解的初始值为初始粒子群中的最优位置向量；

步骤2.3，按以下公式迭代更新粒子群中各个粒子的速度向量和位置向量：

式中，k表示迭代次数，ω表示惯性权重，v表示粒子的速度向量，c₁和c₂表示不同的学习因子，其中rand(·)和Rand(·)表示两个介于(0,1)之间的随机数，H表示最大迭代次数，pg＝(pg₁,pg₂,...,pg_d,...,pg_n)表示粒子群当前的全局最优粒子，p_s＝(p_s1,p_s2,...,p_sd,...,p_sn)表示第s个粒子当前的个体最优解，公式第二项

描述了认知部分，它通过研究自己历史的最佳信息来表明粒子具有强大的局部搜索能力，第三项

是社会部分，它反映了粒子之间共享的协作和信息；

步骤2.4，判断是否达到最大迭代次数，若是则将粒子群的全局最优粒子的位置向量所对应的系数解作为核岭回归模型的最优系数解；否则返回步骤2.2执行下一次迭代。

所以，通过采用上述局部收缩粒子群优化算法，来同时循环更新核岭回归模型的最优参数，得到轨迹前向预测模型，即得到核岭回归的预测函数为：

另一方面，训练得到轨迹前向预测模型；

以每组前向训练数据的最前1个数据点的行驶姿态信息作为输出数据、其余n₂个数据点的行驶姿态信息组成输入数据，采用局部收缩粒子群优化算法计算核岭回归模型的系数训练第二个核岭回归模型，得到轨迹前向预测模型。

轨迹前向预测模型与轨迹后向预测模型的训练方法相同，区别仅在于输入数据与输出数据的获取方向不同：每组后向训练数据，是从信号中断前的第一行驶姿态信息时间序列中获取，且输出数据是输入数据的下一个时间点的行驶姿态信息；而每组前向训练数据，是从信号恢复后的第二行驶姿态信息时间序列中获取，且输出数据是输入数据的上一个时间点的行驶姿态信息。具体轨迹后向预测模型的训练过程在此不现赘述。

在本实施例的前向训练集中，取n₂＝15，即每组输入数据X_i′包括连续15个时间点的行驶姿态信息，而输出数据则取输入数据X_i′的上一个时间点的行驶姿态信息。

步骤3，预测信号中断时间段内的行驶姿态信息时间序列；

步骤3.1，使用轨迹后向预测模型，并从利用信号中断时间段之前最近的15个行驶姿态信息开始，对中断时间段内的行驶姿态信息进行滚动预测，得到中断时间段内的后向预测序列。

具体地，首先使用宽为15的滑动窗口，取信号中断时间段之前最近的15个行驶姿态信息，并输入至轨迹后向预测模型，得到中断时间段内第1个时间点的行驶姿态信息预测数据；然后将滑动窗口向后移动一个时间点，获取下一组15个行驶姿态信息，并输入至轨迹后向预测模型，得到中断时段内第2个时间点的行驶姿态信息；依此类推，直到后向滚动获取输入数据并预测得到中断时段内所有时间点的行驶姿态信息，记通过轨迹后向预测模型预测得到的所有行驶姿态信息组成后向预测序列。

步骤3.2，使用轨迹前向预测模型，并从利用信号中断时间段之后最近的15个行驶姿态信息开始，对中断时间段内的行驶姿态信息进行滚动预测，得到中断时间段内的前向预测序列；其中该步骤3.2与步骤3.1没有时间先后顺序。

具体地，首先使用宽为15的滑动窗口，取信号恢复之后最近的15个行驶姿态信息，并输入至轨迹前向预测模型，得到信号中断时间段内最后1个时间点的行驶姿态信息；然后将滑动窗口向前移动一个时间点，获取下一组15个行驶姿态信息，并输入至轨迹前向预测模型，得到中断时段内倒数第2个时间点的行驶姿态信息；依此类推，直到前向滚动获取输入数据并预测得到中断时段内所有时间点的行驶姿态信息，记通过轨迹前向预测模型预测得到的所有行驶姿态信息组成前向预测序列。

步骤3.3，整合中断时间段内的前向预测序列和后向预测序列，得到中断时间段内的行驶姿态信息时间序列。

在本实施例中，取后向预测序列的前半段子序列和前向预测序列的后半段子序列，然后拼合为中断时间段内的行驶姿态信息时间序列。当然，在其他方案中也可对完整的后向预测序列和前向预测预测取均值整合得到中断时间段内的行驶姿态信息时间序列。

由于行驶姿态信息包括GPS信息，因此可得中断时间段内的GPS信息时间序列，再将该中断时间段内的GPS信息时间序列，添加到中断时间之前的GPS信息时间序列与中断恢复之后的GPS信息时间序列之间，即可得到车辆行驶过程中的完整轨迹。

以下针对简单道路和复杂道路的场景模式进行仿真。

为验证本发明所提出基于双向KRR的预测算法对车辆轨迹预测的实用性和可靠性，为直观展示其在极端城市交通环境下进行车辆位置预测的准确性和鲁棒性，将其与LS_PSO_SVR算法、GPR算法、BPNN算法及PLSR算法的预测结果进行精确度的比较，结果误差图如图7所示。

实验仿真参数设定：

在简单实验路线中，车辆行驶持续了293秒，采集的数据每秒采集一次，主要考虑车辆处于高速、低速、直线和弯道这四种行驶状态下，分别对其进行时长不等(持续时间大约为29-40s)的人为GPS信号失效，这实验主要考虑了这四种行驶状态下的算法车辆估计性能，分别如图3-6所示。

实验仿真显示：

简单实验中，五种算法的经纬度预测误差结果如图7所示，由图可以很清晰地看出，较于其他四种预测算法，无论在哪种车辆行驶路段，基于双向KRR的预测算法对经纬度的预测误差更小。

综上所述的仿真结果显示，基于双向KRR的预测算法的车辆位置预测精确度比GPR、LS-PSO-SVR、BPNN和PLSR四种算法提高了许多，不管是直线、弯道、高架、高速还是低速行驶路段，还是无GPS信号路段的场景，基于双向KRR预测算法根据车辆历史行驶轨迹信息建立了非常精确的模型关系，从而得到了更为精确的车辆位置。较于其他预测算法，无论是预测的准确性还是实时性均呈现了优越的预测结果。

以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (5)

1.一种基于双向内核岭回归的车辆轨迹预测方法，其特征在于，包括以下步骤：

步骤1，获取训练集数据；

获取车辆行驶过程中在信号中断时间段之前的第一行驶姿态信息时间序列和之后的第二行驶姿态信息时间序列，所述第一行驶姿态信息时间序列包括按固定频率采集到的n₁+l₁个数据点的行驶姿态信息，所述第二行驶姿态信息时间序列包括按固定频率采集到的n₂+l₂个数据点的行驶姿态信息；其中每个数据点的行驶姿态信息包括GPS信息；

采用宽为n₁+1、步长为1的滑动窗口，依次从第一行驶姿态信息时间序列中获取l₁组后向训练数据；

采用宽为n₂+1、步长为1的滑动窗口，依次从第二行驶姿态信息时间序列中获取l₂组前向训练数据；

步骤2，训练模型；

以每组后向训练数据的最后1个数据点的行驶姿态信息作为输出数据、其余n₁个数据点的行驶姿态信息组成输入数据，训练第一个核岭回归模型，得到轨迹后向预测模型；

以每组前向训练数据的最前1个数据点的行驶姿态信息作为输出数据、其余n₂个数据点的行驶姿态信息组成输入数据，训练第二个核岭回归模型，得到轨迹前向预测模型；

步骤2中训练第一个和第二个核岭回归模型时，均采用局部收缩粒子群优化算法计算核岭回归模型的系数；

步骤3，预测信号中断时间段内的行驶姿态信息时间序列；

使用轨迹后向预测模型，并从利用信号中断时间段之前最近的n₁个数据点的行驶姿态信息开始，对中断时间段内的各数据点的行驶姿态信息从前向后依次进行滚动预测，得到中断时间段内的后向预测序列；

使用轨迹前向预测模型，并从利用信号中断时间段之后最近的n₂个数据点的行驶姿态信息开始，对中断时间段内的各数据点的行驶姿态信息从后向前依次进行滚动预测，得到中断时间段内的前向预测序列；

整合中断时间段内的前向预测序列和后向预测序列，得到中断时间段内的行驶姿态信息时间序列。

2.根据权利要求1所述的方法，其特征在于，每个数据点的行驶姿态信息还包括速度、加速度和/或转向角度。

3.根据权利要求1所述的方法，其特征在于，采用局部收缩粒子群优化算法计算核岭回归模型的系数的具体过程为：

步骤2.1，随机生成初始粒子群，每个粒子的位置向量代表核岭回归模型的一组系数解，第s个粒子的位置向量表示为T_s＝(T_s1,T_s2,...,T_sd,...T_sg)，d表示核岭回归模型的待求解的系数编号，g表示核岭回归模型的待求解的系数个数；

步骤2.2，遍历粒子群中所有粒子，计算每个粒子所代表的系数解的适应度，其中适应度函数为：

Fit(s)为第s个粒子的适应度值，y_d为第s个粒子中样本期望的输出值，

为第s个粒子中样本的输出值；

若当前迭代计算得到的适应度优于该粒子的个体最优解，则将该粒子的个体最优解更新为该粒子当前的位置向量；各粒子的个体最优解的初始值为其初始位置向量；

若当前迭代计算得到的适应度优于粒子群全局最优解，则将粒子群的全局最优解更新为该粒子当前的位置向量；粒子群中全局最优解的初始值为初始粒子群中的最优位置；

步骤2.3，按以下公式迭代更新粒子群中各个粒子的速度向量和位置向量：

式中，k表示迭代次数，

表示惯性权重，v表示粒子的速度向量，c₁和c₂表示不同的学习因子，H表示最大迭代次数，pg＝(pg₁,pg₂,...,pg_d,...,pg_n)表示粒子群当前的全局最优粒子，p_s＝(p_s1,p_s2,...,p_sd,...,p_sn)表示第s个粒子当前的个体最优解，rand(·)和Rand(·)表示两个介于(0,1)之间的随机数，v_sd表示第s个粒子所示系数组的第d个系数的速度向量；

步骤2.4，判断是否达到最大迭代次数，若是则将粒子群的全局最优粒子的位置向量所对应的系数解作为核岭回归模型的最优系数；否则返回步骤2.2执行下一次迭代。

4.根据权利要求1所述的方法，其特征在于，根据权利要求1所述的方法，其特征在于，训练核岭回归模型的损失函数为：

式中，A·A表示正则化项，γ为正则化参数，且γ＞0，A＝(a₁,a₂,…,a_m)为核岭回归模型的系数向量，Q为拟合损失项，m表示系数的个数，

表示核岭回归模型根据输入数据X_i所预测得到的预测值，y_i表示与输入数据X_i对应的输出数据，n表示训练核岭回归模型的样本数量。

5.根据权利要求1所述的方法，其特征在于，n₁＝n₂＝15。

Images