CN111083233A - 一种电动车定位方法及定位服务器 - Google Patents

Abstract

本申请公开了一种电动车定位方法及定位服务器。服务器接收来自移动终端对电动车的绑定请求，使所述移动终端对应账户与所述电动车进行绑定；接收来自所述电动车上的远程通信终端T‑box对所述电动车的定位数据；在所述移动终端的定位信号有效的情况下，接收来自所述移动终端对所述电动车的定位数据；将所述T‑box对所述电动车的定位数据，与所述移动终端对所述电动车的定位数据，进行合并；将合并后的定位数据，进行曲线拟合，得到曲线路径图，根据所述曲线路径图确定所述电动车的定位信息。本发明在没有提高电动车T‑box成本的情况下，使普通用户也可以获取高精度定位服务，利于推广和使用。

Description

一种电动车定位方法及定位服务器

技术领域

本申请涉及电动车定位技术领域，尤其涉及一种通过手机辅助电动车定位的方法及定位服务器。

背景技术

目前，电动车，尤其是低速的两轮或三轮电动车，定位主要是通过安装远程通信终端(Telematics Box，T-box)来实现。但是由于很多情况下要对电动车的成本价格进行控制，普通的T-box产品受限于此，定位精度一般比较低。而具有高精度定位功能的T-box成本较高，所以大部分电动车没有配置这种高精度定位功能的T-box电动车。因此，具有高精度定位功能，且成本低的电动车是亟待解决的重要问题。

发明内容

本申请实施例提供了一种电动车定位方法及定位服务器，以解决现有电动车定位精度低，或者成本高的问题。

一方面，本申请实施例提供了一种电动车定位方法。服务器接收来自移动终端对电动车的绑定请求，使移动终端对应账户与电动车进行绑定；绑定请求包括以下任意一项或多项：移动终端的账户、密码、电动车标识；接收来自电动车上的远程通信终端T-box对电动车的定位数据；在移动终端的定位信号有效的情况下，接收来自移动终端对电动车的定位数据；将所述T-box对电动车的定位数据，与移动终端对电动车的定位数据，进行合并；将合并后的定位数据，进行曲线拟合，得到曲线路径图，根据所述曲线路径图确定所述电动车的定位信息。

在一个示例中，所述T-box对电动车的定位数据，与移动终端对电动车的定位数据，进行合并，具体包括：根据所述远程通信终端T-box对电动车的定位数据，得到电动车的第一定位集合，第一定位集合包括多个定位点的经纬度坐标和时间信息；并且根据移动终端对电动车的定位数据，得到电动车的第二定位集合，第二定位集合包括多个定位点的经纬度坐标和时间信息；其中，第二定位集合的移动终端对电动车的定位精度，高于第一定位集合中所述T-box对电动车的定位精度；将第一定位集合与第二定位集合中的各定位数据进行合并。在一个示例中，将第一定位集合与第二定位集合中的各定位数据进行合并，根据合并后的定位数据进行曲线拟合，得到曲线路径图，具体包括：将第一定位集合{a1(ta1),a2(ta2),....aN(tan)}与第二定位集合{b1(tb1),b2(tb2),....bN(tbn)}取并集，得到第三定位集合；其中，aN为来自移动终端的第n个定位点的经纬度定位坐标，tan为移动终端在aN位置的时间信息，bN为来自所述T-box的第n个定位点经纬度定位坐标，tbn为所述T-box在bN位置的时间信息；根据第三定位集合中各定位数据的时间信息，按照时间先后顺序，将与时间信息对应的经纬度坐标，通过电子地图进行曲线拟合，得到电子地图上的曲线路径图，曲线路径图至少包括电动车的多个定位点的经纬度坐标。

在一个示例中，在确定移动终端定位信号无效的情况下，方法还包括：根据以下公式确定所述电动车的定位信息：

其中，X(0)为在移动终端定位信号有效的结束时刻的经度坐标；Y(0)为在移动终端定位信号有效的结束时刻的纬度坐标；D(t)为从t-1时刻到t时刻电动车行驶距离；θ(t)为从t-1时刻到t时刻电动车的方位角。

在一个示例中，行驶距离D(t)通过电动车的里程计或移动终端运动传感器或所述T-box获得；方位角θ(t)通过电动车运动传感器或移动终端运动传感器或所述T-box获得。

在一个示例中，一种电动车定位方法还包括：服务器确定同一路径不同电动车的曲线路径图，以及确定不同路径相同电动车的曲线路径图，将得到的各个曲线路径图进行拟合，确定预设区域内的曲线路径图；预设区域内的曲线路径图至少包括各个定位点的经纬度坐标和时间信息。

在一个示例中，一种电动车定位方法还包括：在预设时间段内容未接收到移动终端对电动车的定位数据的情况下，根据所述T-box对电动车的定位数据，确定电动车所处位置；根据电动车所处位置以及预设区域内的曲线路径图，确定电动车的定位信息。在一个示例中，根据合并后的定位数据进行曲线拟合，得到曲线路径图，具体包括：建立人工智能模型，人工智能模型的输入至少包括以下任意一项或多项：天气状况、路况、所处区域，人工智能模型的样本包括多个电动车的定位数据；将当前电动车合并后的定位数据，与人工智能模型输出的置信区间进行对比；确定在置信区间内的定位数据为有效数据；将置信区间内的有效数据，进行曲线拟合，得到曲线路径图。

在一个示例中，建立人工智能模型，具体包括：接收多个移动终端对电动车的历史定位数据，生成第一样本集合；以及接收多个电动车的T-box对电动车的历史定位数据，生成第二样本集合；将第一样本集合、第二样本集合分别进行离散性分析，得到定位数据的平均值和定位数据的标准差；根据离散分布原理，确定置信度要求，并得到电动车定位数据的置信区间。

另一方面，本申请实施例提供了一种电动车定位服务器。服务器包括接收器、处理器。该接收器用于接收来自移动终端对电动车的绑定请求，使移动终端对应账户与电动车进行绑定；绑定请求包括以下任意一项或多项：移动终端的账户、密码、电动车标识；以及用于接收来自电动车上的远程通信终端T-box对电动车的定位数据；并用于在移动终端的定位信号有效的情况下，接收来自移动终端对电动车的定位数据。该处理器用于将T-box对所述电动车的定位数据，与移动终端对电动车的定位数据，进行合并；以及用于根据合并后的定位数据进行曲线拟合，得到曲线路径图，根据曲线路径图确定电动车的定位信息。

本发明实施例将移动终端的定位数据与电动车T-box的定位数据通过曲线路径图进行矫正，得到更精确的定位结果，在没有提高电动车T-box成本的情况下，有效提高电动车行驶时的定位精度。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的通过移动终端定位辅助电动车定位的系统示意图；

图2为本申请实施例提供的一种通过移动终端定位辅助电动车定位的方法流程图；

图3为本申请实施例提供的经拟合后的曲线路径图在电子地图上的展示方式；

图4为本申请实施例提供的根据多个电动车得到的一个路段以及全路网的定位曲线的方法流程图；

图5为本申请实施例提供的另一种通过移动终端定位辅助电动车定位的工作流程图；

图6为本申请实施例提供的一种建立人工智能模型的方法流程图；

图7为本申请实施例提供的一种电动车定位服务器系统示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的通过移动终端定位辅助电动车定位的系统示意图。

如图1所示，移动终端定位辅助电动车定位系统包括：移动终端110、电动车120、服务器130。电动车120至少包括：控制器121、T-box122。

需要说明的是，本申请实施例中的电动车是指低速两轮、三轮电动车或者四轮低速电动车，目前电动车国际要求最高行车速度是25km/h。

移动终端110如手机终端，用于收集定位数据上传到服务器130，并可以下载、使用APP。

移动终端110相对应的用户下载并注册APP账号后，在APP上绑定用户电动车，包括绑定移动终端的账户、密码、所述电动车标识等。在APP上绑定用户电动车后，移动终端APP经过用户授权，通过与服务器130交互可以为移动终端对应的用户提供绑定电动车的位置查看、轨迹查询、状态查询、报警信息显示等功能，并且通过每日签到、积分奖励等方式吸引移动终端对应的用户使用，并且在开启后会常驻服务器主动搜集手机上的定位数据，接着通过Wifi或者蜂窝网将数据发送到后台服务器130。

电动车上的T-box122启动后，每隔一段时间，通过无线信号自动向服务器130发送其定位数据。根据移动终端110和电动车的定位数据，服务器130获得更高精度的定位信息。服务器130与移动终端APP及电动车T-box进行通信交互，在移动终端110的定位信号有效的情况下，将会接收来自移动终端110对电动车的定位数据，将T-box122对电动车的定位数据，与移动终端110对电动车的定位数据，进行合并。服务器130根据合并后的定位数据会进行曲线拟合，然后得到曲线路径图，根据曲线路径图确定电动车的定位信息。其中，该定位信息包括电动车的经纬度数据。

图2为本申请实施例提供的一种通过移动终端定位辅助电动车定位的方法流程图。

步骤201、基于用户的对移动终端操作，开启移动终端对应的电动车定位APP,完成关于用户信息的注册，并激活绑定电动车T-box。

步骤202、移动终端APP在开启状态时，移动终端向服务器发送定位数据，即发送电动车的定位数据。

步骤203、服务器根据移动终端发送的对应电动车的定位数据，对所述定位数据进行格式转换，得到有关电动车的第一定位集合{a1(ta1),a2(ta2),....aN(tan)}。

其中，第一定位集合{a1(ta1),a2(ta2),....aN(tan)}是按照时间排列的定位数据集合，其中，aN为来自移动终端的第n个定位点的经纬度定位坐标，tan为移动终端在aN位置的时间信息。

并且电动车T-box在启动后，其通过无线信号定时向服务器发送定位数据。

服务器根据电动车发送的定位数据，对该定位数据进行格式转换，得到有关电动车的第二定位集合{b1(tb1),b2(tb2),....bN(tbn)}。

其中，第二定位集合{b1(tb1),b2(tb2),....bN(tbn)}也是按照时间排列的定位数据集合，其中，bN为来自电动车T-box的第n个定位点经纬度定位坐标，tbn为来自电动车T-box在所述bN位置的时间信息。

步骤204、服务器将来自移动终端与来自电动车T-box对电动车定位的时间序列数据，进行合并，得到第三定位集合。其中，第三定位集合为经纬度坐标数据{a1,b1,b2,b3,a2,b4,b5,b6,a3......}和定位数据中的时间标签{ta1,tb1,tb2,tb3,ta2......}。

由于采样精度和采样时间精度不同，需要对第一定位集合数据与第二定位集合数据进行曲线拟合。

下面详细介绍如何进行曲线拟合。

步骤205、服务器对合并后的第三定位集合，按照时间先后顺序，将与时间信息对应的经纬度坐标，通过电子地图进行曲线拟合，得到电子地图上的曲线路径图。

该曲线路径图包括电动车的多个定位信息，该曲线路径图即为有效样本。某一时刻，曲线路径图上对应的点可作为优化后的定位点。

图3是经拟合后的曲线路径图在电子地图上的展示方式，实际上，本申请实施例不限于此，该曲线路径图可以通过其他方式展示。

如图3所示，一个应用场景中，电动车由起点1到达终点22，此行驶路段经过多个定位点，包括定位点2、定位点3……，由此构成了该电动车在此路段的曲线路径图。一种可能的实现方式中，移动终端的将其获取的定位数据发送服务器，服务器得到了相应定位点的经纬度坐标，例如图3中的定位点1、定位点2、定位点4、定位点6、定位点7、定位点9、定位点11、定位点13、定位点15、定位点16、定位点18、定位点19、定位点20、定位点22的定位点坐标。电动车T-box将其获取的定位数据发送服务器，服务器得到相应定位点的经纬度坐标，例如，定位点1、定位点3、定位点4、定位点5、定位点8、定位点10、定位点12、定位点14、定位点17、定位点19、定位点20、定位点21、定位点22。服务器按照所有得到的定位点经纬度坐标的时间先后顺序，在电子地图上进行排列，从而得到上述曲线路径图。

需要说明的是，所述曲线路径图中至少包括各个定位点的经纬度坐标和时间信息，未在图片中展示，电动车对应的用户可以通过在所述曲线路径图中点击某一定位点，从而曲线路径图便会弹出该定位点的经纬度坐标和时间信息。

此外，在移动终端所处位置没有通信信号覆盖，即信号无效的情况下，本申请实施例可通过得到的上述曲线路径图，以及电动车T-box中的定位数据，得到高精度的电动车定位信息。或者仅通过上述曲线路径图也能得到电动车的定位信息。例如，当电动车骑行在无信号区域时(如：隧道)，移动终端定位信号无效，根据曲线路径图可以对电动车进行轨迹预测。

服务器将曲线路径图上的点作为输入，确定对t时刻第k个定位点。

其中，X(0)为在移动终端信号有效的结束时刻的经度坐标，Y(0)为在移动终端定位信号有效的结束时刻的纬度坐标；D(t)为从t-1时刻到t时刻电动车行驶距离；θ(t)为从t-1时刻到t时刻电动车的方位角。

其中，X(0)为曲线路径图上的点，Y(0)为曲线路径图上的点。

本领域技术人员可以理解的是，移动终端信号有效的结束时刻即为信号无效的开始时刻。因此，X(0)为在移动终端信号有效的结束时刻的经度坐标，亦为移动终端信号无效的开始时刻的经度坐标。Y(0)为在移动终端定位信号有效的结束时刻的纬度坐标，亦为移动终端信号无效的开始时刻的纬度坐标。

在本申请的一个实施例中，行驶距离D(t)由电动车的本地里程计上传至服务器而获得。

在本申请的另一个实施例中，行驶距离D(t)是通过电动车T-box定位数据计算。

在本申请的又一个实施例中,行驶距离D(t)是移动终端的运动传感器定位数据计算。例如，移动终端运动传感器为移动终端陀螺仪。

本申请的一个实施例中，方位角是电动车运动传感器本地上传。例如，移动终端运动传感器为电动车陀螺仪。

在本申请的另一个实施例中，方位角是移动终端运动传感器上传，例如，移动终端运动传感器为移动终端陀螺仪。

在本申请的又一个实施例中，方位角是通过电动车T-box定位数据计算。

需要说明的是，本申请实施例中行驶距离D(t)与方位角并不限于以上实施方式，还包括；任意其他可提供所需行驶距离D(t)数据的设备和服务与其他可提供所需方位角数据的设备和服务。

此外，本申请实施例还提供了根据多个用户对同一路段的坐标拟合，从而得到该路段的曲线路径图，以及根据各路段的曲线路径图得到相应行政区域(例如某市)的曲线路径图，甚至是全网路段的曲线路径图。

此外，本申请实施例又提供了根据相同用户对多条路段的坐标拟合，从而得到各用户在各路段的曲线路径图。

图4为本申请实施例提供的根据多个电动车得到的一个路段以及全路网的定位曲线的方法流程图。

步骤401、当不同用户在同一路径骑行时，服务器获取移动终端app与电动车T-box对于用户相对应的电动车的定位数据。根据移动终端app与电动车T-box对于用户相对应的电动车的定位数据，服务器对来自不同用户的定位数据进行拟合，得到该路段的曲线路径图。

步骤402、当相同用户在不同路径骑行时，服务器获取移动终端app与电动车T-box对于用户相对应的电动车的定位数据。根据移动终端app与电动车T-box对于用户相对应的电动车的定位数据，服务器对来自用户在各路径的定位数据进行拟合，得到用户在各路段的曲线路径图。

需要说明的是，本申请实施例不限于先执行步骤401，再执行步骤402，可以同时执行401和402，也可以先执行步骤402再执行步骤401。

步骤403、服务器将同一路径不同电动车和不同路段相同电动车拟合曲线路径图和不同路段相同电动车的拟合曲线路径图，再次进行拟合，得到各个电动车在各路段上的曲线路径图，进而得到全路段、城市、全路网以及更大范围的曲线路径图。其中，该曲线路径图包括各定位点的经纬度信息以及相应时间信息。

因此，本申请实施例可以根据全网路段的曲线路径图，计算得出各路段以及各地理坐标间的平均速度、最大速度、最小速度等信息。

具体地，服务器根据各个电动车在各路段上的曲线路径图，确定各定位点的经纬度坐标以及时间信息，从而得到各个电动车在各路段上的速度信息，如平均速度、最大速度或者最小速度。

具体举例如下：

在用户到达一个从未行驶过的路段，其周围有多条十字路口，以及一所学校的情况下，服务器获取本路段上的曲线路径图，根据该曲线路径图可知该路段电动车最大速度为20km/h，而用户在本路段上的行驶速度为21km/h，根据本路段上的曲线路径图最大速度，服务器控制电动车将其行驶速度调整至18km/h，避免由于速度过快造成意外事故。

此外，在用户未开启手机终端app的情况下，服务器接收到电动车T-box的定位数据，并未接收到移动终端对电动车的定位数据。此时，服务器通过电动车T-box上传的低精度定位信息和速度信息，根据全网路段的曲线路径图，从而得到电动车高精度的定位信息。

图5为本申请实施例的另一种通过移动终端定位辅助电动车定位的工作流程图。

步骤501、在移动终端app开启后，通过用户授权，会主动搜集手机上的定位数据。

步骤502、移动终端app通过Wi-Fi或者蜂窝网将电动车的定位数据发送到服务器。

步骤503、服务器与移动终端app进行通信，并根据人工智能模型，对来自移动终端app的定位数据进行筛选，用来判定接收到的相对应的电动车的定位数据是否有效。

步骤504、当服务器判定移动终端app相对应的电动车的定位数据有效时，服务器便会输出定位数据a，其中，定位数据a为有效的移动终端app的定位数据。

步骤505、当服务器判定移动终端app相对应的电动车的定位数据无效时，服务器便会将移动终端app的定位数据丢弃。

步骤506、电动车T-box启动后，会主动搜集电动车的定位数据。

步骤507、电动车T-box通过无线信号定时将电动车的定位数据发送到服务器。

步骤508、服务器与电动车T-box进行通信，并根据人工智能模型，对来自电动车T-box的定位数据进行筛选，用来判定接收到的相对应的电动车的定位数据是否有效。

需要说明的是，本申请实施例不限于先执行步骤501-505，再执行步骤506-510，可以同时执行步骤501-505与506-510，还可以先执行步骤506-510，再执行步骤501-505。

步骤509、当服务器接收到来自电动车T-box的定位数据后，判定电动车T-box相对应的电动车的定位数据有效时，服务器便会输出定位数据b，其中，定位数据b为有效的电动车T-box的定位数据。

步骤510、判定电动车T-box相对应的电动车的定位数据无效时，服务器便会将电动车T-box相对应的电动车的定位数据丢弃。

步骤511、服务器对于输出的移动终端app的定位数据a和电动车T-box的定位数据b,进行差值处理，从而判断z＝(a-b)是否在阈值内。

步骤512、服务器通过判断z是否在阈值内，若是，则同时输入移动终端的定位数据a和电动车T-box的定位数据b，根据曲线路径图，计算得到更准确的电动车的定位信息。

步骤513、若否，则输入电动车T-box的定位数据b，根据曲线路径，得到电动车的更准确的定位信息。

步骤514、服务器将本次确定的电动车的准确的定位信息进行保存以及显示。

步骤515、服务器向移动终端下发本次确定的电动车的准确的定位信息的结果，从而移动终端app显示电动车的定位信息。

本申请实施例中“通过人工智能建模的方法，引入环境因素(包括但不限于：天气、路况、区域)，分析每个因素在特定环境下对最终定位结果的影响，其建模方法包括但不限于：人工神经网络建模。引入环境因素的模型对拟合曲线进行纠正，使得最终结果精度更高。

具体可通过如下方式实现：

(1)服务器确定模型输入变量：包括但不限于天气情况、路况、区域。

(2)服务器确定数据来源：包括但不限于网络信息、电动车本地信息。

(3)服务器确定期望的模型结果类型：包括但不限于定位数据的筛选条件。

(4)服务器确定建模方法：包括但不限于人工神经网络建模。

(5)服务器确定被试对象(样本)：包括但不限于接入远程控制平台的电动车用户、使用同样定位产品的用户。

(6)服务器建立模型。图6为本申请实施例提供的一种建立人工智能模型的方法流程图，过程如下：

步骤601、服务器获取当前条件下样本用户的电动车历史定位信息，并生成第一样本集合。

步骤602、服务器获取当前条件下样本用户的手机历史定位信息，并生成第二样本集合。

步骤603、服务器将第一样本集合和第二样本集合的结果分别进行数据离散性分析，计算平均值和定位数据的标准差。

步骤604、服务器根据离散分布原理，确定电动车定位数据的置信度要求。

步骤605、服务器引入满足置信度要求的新的定位信息，并持续更新智能模型数据，得到电动车定位数据的置信区间。

步骤606、重复上述步骤，从而得到不同条件下的电动车定位数据的置信区间。

(7)应用模型：服务器将当前条件下接收到的电动车定位数据与历史条件下模型输出的电动车定位数据的置信区间进行比对，在置信区间内的电动车定位数据确认为有效数据，在置信区间外的电动车定位数据为无效数据。通过对电动车定位数据进行筛选，服务器将电动车定位数据进行曲线拟合，从而进一步提高定位结果的准确性。

图7为本申请实施例提供的一种电动车定位服务器系统示意图。

如图7所示，电动车定位服务器700至少包括：接收器710、处理器720。

接收器710用于接收来自移动终端对电动车的绑定请求，使移动终端对应账户与所述电动车进行绑定。绑定请求包括以下任意一项或多项：移动终端的账户、密码、电动车标识，以及用于接收来自电动车上的远程通信终端T-box对电动车的定位数据。并用于在移动终端的定位信号有效的情况下，接收来自移动终端对所述电动车的定位数据。

处理器720用于将电动车T-box对电动车的定位数据，与移动终端对电动车的定位数据，进行合并。以及用于根据合并后的定位数据进行曲线拟合，得到曲线路径图，根据曲线路径图确定电动车的定位信息。

综上所述，随着智能手机性能不断提高，定位优化算法不断升级，手机定位精度越来越高，甚至已经超过了电动车T-box的定位精度。另外，手机高精度定位的实现也是多种数据矫正优化后的效果，其数据来源包括但不仅限于GNSS(全球导航卫星系统)、蜂窝网、蓝牙、Wi-Fi、惯性传感器、陀螺仪等。

本申请实施例在不影响原来T-box定位的基础上，扩展了电动车定位数据来源，有效降低了电动车定位数据缺失、更新不及时的风险；充分利用了智能手机的高精度定位数据及多种数据来源，结合电动车T-box定位数据，经过算法计算后，使得电动车行驶时的定位精度更加精准；在没有提高电动车T-box成本的情况下，使得普通用户也可以获取高精度定位服务，利于推广和使用。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种电动车定位方法，其特征在于，所述方法包括：

服务器接收来自移动终端对电动车的绑定请求，使所述移动终端对应账户与所述电动车进行绑定；所述绑定请求包括以下任意一项或多项：所述移动终端的账户、密码、所述电动车标识；

接收来自所述电动车上的远程通信终端T-box对所述电动车的定位数据；

在所述移动终端的定位信号有效的情况下，接收来自所述移动终端对所述电动车的定位数据；

将所述T-box对所述电动车的定位数据，与所述移动终端对所述电动车的定位数据，进行合并；

将合并后的定位数据，进行曲线拟合，得到曲线路径图，根据所述曲线路径图确定所述电动车的定位信息。

2.根据权利要求1所述的方法，其特征在于，所述将所述T-box对所述电动车的定位数据，与所述移动终端对所述电动车的定位数据，进行合并，具体包括：

根据所述远程通信终端T-box对所述电动车的定位数据，得到所述电动车的第一定位集合，所述第一定位集合包括多个定位点的经纬度坐标和时间信息；并且根据所述移动终端对所述电动车的定位数据，得到所述电动车的第二定位集合，所述第二定位集合包括多个定位点的经纬度坐标和时间信息；

其中，所述第二定位集合的移动终端对所述电动车的定位精度，高于所述第一定位集合中所述T-box对所述电动车的定位精度；将所述第一定位集合与所述第二定位集合中的各定位数据进行合并。

3.根据权利要求2所述的方法，其特征在于，将所述第一定位集合与所述第二定位集合中的各定位数据进行合并，根据合并后的定位数据进行曲线拟合，得到曲线路径图，具体包括：

将所述第一定位集合{a1(ta1),a2(ta2),....aN(tan)}与所述第二定位集合{b1(tb1),b2(tb2),....bN(tbn)}取并集，得到第三定位集合；其中，所述aN为来自移动终端的第n个定位点的经纬度定位坐标，所述tan为所述移动终端在所述aN位置的时间信息，所述bN为来自T-box的第n个定位点经纬度定位坐标，所述tbn为所述T-box在所述bN位置的时间信息；

根据所述第三定位集合中各定位数据的时间信息，按照时间先后顺序将与时间信息对应的经纬度坐标，通过电子地图进行曲线拟合，得到电子地图上的曲线路径图，所述曲线路径图至少包括所述电动车的多个定位点的经纬度坐标。

4.根据权利要求1所述的方法，其特征在于，在确定所述移动终端定位信号无效的情况下，所述方法还包括：

根据以下公式确定所述电动车的定位信息：

其中，所述X(0)为在所述移动终端定位信号有效的结束时刻的经度坐标，；所述Y(0)为在所述移动终端定位信号有效的结束时刻的纬度坐标；所述D(t)为从t-1时刻到t时刻电动车行驶距离；所述θ(t)为从t-1时刻到t时刻电动车的方位角。

5.根据权利要求4所述的方法，其特征在于，所述行驶距离D(t)通过所述电动车的里程计或移动终端运动传感器或所述T-box获得；所述方位角θ(t)通过所述电动车运动传感器或所述移动终端运动传感器或所述T-box获得。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

服务器确定同一路径不同电动车的曲线路径图，以及确定不同路径相同电动车的曲线路径图，将得到的各个曲线路径图进行拟合，确定预设区域内的曲线路径图；所述预设区域内的曲线路径图至少包括各个定位点的经纬度坐标和时间信息。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

在预设时间段内容未接收到所述移动终端对所述电动车的定位数据的情况下，根据所述T-box对所述电动车的定位数据，确定所述电动车所处位置；

根据所述电动车所处位置以及所述预设区域内的曲线路径图，确定所述电动车的定位信息。

8.根据权利要求1所述的方法，其特征在于，将合并后的定位数据进行曲线拟合，得到曲线路径图，具体包括：

建立人工智能模型，所述人工智能模型的输入至少包括以下任意一项或多项：天气状况、路况、所处区域，所述人工智能模型的样本包括多个电动车的定位数据；

将当前电动车的所述合并后的定位数据，与所述人工智能模型输出的置信区间进行对比；

确定在所述置信区间内的定位数据为有效数据；

将所述置信区间内的有效数据，进行曲线拟合，得到所述曲线路径图。

9.根据权利要求1所述的方法，其特征在于，所述建立人工智能模型，具体包括：

接收多个移动终端对电动车的历史定位数据，生成第一样本集合；以及接收多个电动车的T-box对电动车的历史定位数据，生成第二样本集合；

将所述第一样本集合、第二样本集合分别进行离散性分析，得到定位数据的平均值和定位数据的标准差；

根据离散分布原理，确定置信度要求，并得到电动车定位数据的置信区间。

10.一种电动车定位服务器，其特征在于，包括：

接收器，用于接收来自移动终端对电动车的绑定请求，使所述移动终端对应账户与所述电动车进行绑定；所述绑定请求包括以下任意一项或多项：所述移动终端的账户、密码、所述电动车标识；以及用于接收来自所述电动车上的远程通信终端T-box对所述电动车的定位数据；并用于在所述移动终端的定位信号有效的情况下，接收来自所述移动终端对所述电动车的定位数据；

处理器，用于将所述T-box对所述电动车的定位数据，与所述移动终端对所述电动车的定位数据，进行合并；以及用于根据合并后的定位数据进行曲线拟合，得到曲线路径图，根据所述曲线路径图确定所述电动车的定位信息。

Images