CN113298113B - 基于列车车载卫星定位观测数据的轨道沿线环境分类方法 - Google Patents

基于列车车载卫星定位观测数据的轨道沿线环境分类方法 Download PDF

Info

Publication number
CN113298113B
CN113298113B CN202110365615.4A CN202110365615A CN113298113B CN 113298113 B CN113298113 B CN 113298113B CN 202110365615 A CN202110365615 A CN 202110365615A CN 113298113 B CN113298113 B CN 113298113B
Authority
CN
China
Prior art keywords
scene
azimuth
angle
observation data
satellite
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.)
Active
Application number
CN202110365615.4A
Other languages
English (en)
Other versions
CN113298113A (zh
Inventor
陆德彪
张涛
蔡伯根
王剑
上官伟
刘江
姜维
江舒娴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202110365615.4A priority Critical patent/CN113298113B/zh
Publication of CN113298113A publication Critical patent/CN113298113A/zh
Application granted granted Critical
Publication of CN113298113B publication Critical patent/CN113298113B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种基于列车车载卫星定位定位观测的轨道沿线环境分类方法，包括1.将铁路场景分为5类，构建每种铁路场景的特征向量，组成遮挡场景特征模型库；2.采集多模卫星定位接收机输出的观测数据，以历元为单位进行存储，得到观测数据集；3.对观测数据集进行数据清洗，得到清洗后的观测数据集；4.构建对应场景区段下的关键参数集合；5.构建场景区段特征向量；6.利用DTW算法将场景区段特征向量与模型库中的特征向量进行匹配，确定铁路全线场景分布情况。本发明不需要开展专门的列车运行环境场景采集。列车运行的随机性不影响数据采集过程和结果。5类场景间差异大，列车运行过程中卫星定位接收机采集的数据均能落入5类场景中。

Description

基于列车车载卫星定位观测数据的轨道沿线环境分类方法
技术领域
本发明涉及基于卫星导航的列车定位领域，具体说是基于列车车载卫星定位观测数据的轨道沿线环境分类方法。
背景技术
我国铁路运输高度发展，在支撑铁路系统运行的众多技术中，位置服务起到越来越重要的作用，尤其是在对安全苛求的列车运行控制、调度指挥、安全预警等面向安全的应用中，要求准确、实时掌握列车位置与运行状态，并提供“故障-安全”服务。卫星导航系统因其全球性、高精度、全天候等优势引入列车定位系统中减少列车定位对地面设备的依赖，具有低成本和高自主等优势。
铁路线路地域跨度大，沿线环境复杂多变，高山、隧道、路堑等环境会对卫星信号产生遮挡、反射等效应，导致列车运行过程中卫星定位可用性及精度不一。卫星定位接收机周围环境开阔、遮挡少时，卫星受遮挡和反射少，卫星定位精度高；接收机周围受到路堑、高山等遮挡时，卫星受遮挡和反射较严重，导致卫星定位性能和精度下降，甚至部分区域出现无法定位的情况，给列车定位安全带来极大地威胁。
目前卫星导航系统在铁路领域尚未给出定位性能标准，尤其是近地表由于周围环境影响导致的性能降级水平。因此急需从卫星导航系统的性能指标出发，分析轨道沿线环境场景特征，进行环境分类，结合列车实际运行过程中的环境特点，实现基于卫星导航的列车定位性能评估。
综上所述，轨道沿线环境分类方法是列车车载卫星定位性能评估的关键技术，准确划分轨道沿线定位场景有助于有效评定基于卫星导航的列车定位精度，推进建立相关定位性能指标体系。
发明内容
针对现有技术中存在的不足，本发明的目的在于提供一种基于列车车载卫星定位观测数据的轨道沿线环境分类方法，利用观测数据进行场景分类，为后续定位性能指标评定提供依据。
为达到以上目的，本发明采取的技术方案是：
一种基于列车车载卫星定位观测数据的轨道沿线环境分类方法，包括：
S1.根据铁路沿线环境遮挡特征，将铁路场景分为5类，构建每种铁路场景的特征向量，组成遮挡场景特征模型库γ；
S2.采集列车车载多模卫星定位接收机输出的观测数据，采集的观测数据以历元为单位进行存储，得到观测数据集Ψ；
S3.根据判定指标对步骤S2得到的观测数据集Ψ进行数据清洗，将清洗后的数据重新排列，得到清洗后的观测数据集Ψcleaned；
S4.根据电子轨道地图将铁路沿线场景划分为若干等间距场景区段，对每个场景区段的所有历元的卫星信息进行提取，构建对应场景区段下的关键参数集合；
S5.根据步骤S4中的关键参数集合，在每个场景区段中划分方位角区域并提取可见卫星的可见高度角截止角，构建场景区段特征向量；
S6.基于动态规划算法将步骤S5中的场景区段特征向量与步骤S1中的遮挡场景特征模型库γ进行匹配，确定每个场景区段的类型，辨识出铁路场景，从而确定铁路全线的场景分布情况。
在上述技术方案的基础上，步骤S1中，5类铁路场景包括：无遮挡场景、两侧浅度遮挡场景、一侧深度遮挡场景、两侧深度遮挡场景和全遮挡场景；每种铁路场景的特征向量的构建方法为：
S11.方位角间隔为1°，无遮挡场景的高度角均设为15°；
S12.方位角间隔为1°，全遮挡场景的高度角均设为90°；
S13.方位角间隔为1°，两侧浅度遮挡场景、一侧深度遮挡场景和两侧深度遮挡场景的0°至90°方位角对应的高度角构造方程为：
其中，elei表示每个方位角对应的高度角，elemax表示卫星高度角的最大值，θi表示方位角；
根据场景的对称性构造出0°至360°方位角对应的高度角，作为每种铁路场景的特征向量；
S14.五类铁路场景的特征向量组成遮挡场景特征模型库γ。
在上述技术方案的基础上，步骤S2中，所述观测数据包括列车定位位置P(xlong,ylat)、可见卫星数SVnum、卫星高度角EL、卫星的方位角AZ和卫星信号信噪比SNR。
在上述技术方案的基础上，步骤S3中，所述数据清理方法具体为：
S31.设置判定指标C1:给定的历元下所有观测数据为空，若符合判定指标C1，则视为无效数据，将该历元的观测数据剔除；
S32.设置判定指标C2:SVnumi＜4，若符合判定指标C2，则视作无效定位，将该历元的观测数据筛除；
S33.设置判定指标C3：SNR＜20，若符合判定指标C3，则将该历元的该颗卫星的观测数据筛除。
在上述技术方案的基础上，步骤S4中，所述关键参数集合的构建方法具体为：
S41.根据列车运行的电子轨道地图，按照环境变化需求等分成若干场景区段Piecek，以每5米作为一个场景区段，从起始点开始进行编号k＝1，2，…,k,…,O，O为总场景区段数，其中第k个场景区段的中间点Pref|k设置为定位参考点；
S42.遍历所有有效历元的观测数据，对第i个有效历元的观测数据，提取对应的列车定位位置Pi(xlong|i,ylat|i)以及其对应的投影地理坐标Mi，找到距离Mi最近的Pref|k点，则该历元的观测数据对应第k个场景区段；
S43.提取每个场景区段内所有历元的清洗后的观测数据，构建对应场景区段下的关键参数集合Ωi：
Ωi＝{SVi,{ELij,AZij,SNRij|j＝1,2,…SVi}}。
在上述技术方案的基础上，步骤S5中，构建场景区段特征矩阵的具体过程为：
S51.划分天空图方位角区域；
由于卫星运行轨迹倾角的原因，在0°～30°方位角范围和330°～360°方位角范围内，接收机只能接收到高仰角的卫星，只对30°～330°方位角范围内的卫星进行提取，根据等分原则将天空图方位角按照每个区域角度范围为α，将天空图划分为SP＝300°/α个方位角区域，每一个方位角区域用h表示，h＝1,2,…,SP；根据环境刻画需求，取值为α＝30°，故SP＝10；
S52.确定各方位角区域的高度角截止角βh；
给定方位角区域h内所有可见卫星数目记为由此确定该方位角区域内的可见高度角截止角βh：
(1)若第h个方位角区域无可见卫星，视为该方位角区域内卫星信号被完全遮挡，则可见高度角截止角βh＝90°；
(2)若第h个方位角区域仅一颗可见卫星，该可见卫星的卫星高度角视为该方位角区域的遮挡阈值，当且仅当卫星高度角大于遮挡阈值的卫星信号才能被接收机接收，则可见高度角截止角βh＝ELij；
(3)若第h个方位角区域有不止一颗可见卫星，卫星编号为j，该方位角区域的遮挡阈值取所有可见卫星的卫星高度角的最小值，则可见高度角截止角
S53.构建场景区段特征向量
根据上述计算得到10个方位角区域内的场景区段特征向量Λk＝{βk1,βk2,…,βkh,…,βk10}，其中，βkh表示第k个场景区段的高度角截止角；对每个方位角区域以1°为间隔进行划分，每个方位角区域内的所有方位角对应的高度角截止角均等于βk1，得到一个长度为300的场景区段特征向量。
在上述技术方案的基础上，步骤S6的具体过程为：
(1)用欧式距离计算出每个场景区段特征向量Λk＝{βk1,βk2,…,βkh,…,βk10}和遮挡场景特征模型库γ中每个特征向量的点对点的距离，构成欧式距离表D；
(2)找出欧式距离表D中的最短路径；
(3)根据最短路径计算Λk＝{βk1,βk2,…,βkh,…,βkSP}与遮挡场景特征模型库γ的动态规划算法距离；
(4)根据动态规划算法距离，找到最匹配的铁路场景的特征向量，确定每个场景区段的类型；
(5)根据每个场景区段的类型，辨识出铁路场景，从而确定铁路全线的场景分布情况。
本发明所述的基于列车车载卫星定位观测数据的轨道沿线环境分类方法，具有以下有益效果：
1、本发明的分类方法采用列车运行过程中卫星定位接收机采集的数据，不需要开展专门的列车运行环境场景采集。
2、列车运行的随机性不影响数据采集过程和采集结果，列车动态和静态的数据均可用于场景分类。
3、得到的5类场景特征之间具有较大差异，列车运行过程中卫星定位接收机采集的数据均能落入5类场景中。
附图说明
为更清楚地说明本发明实施例地技术方案，下面将对本实施例描述中所需要地附图进行简单介绍，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，在不付出创造型劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种的卫星定位接收机观测数据的数据清洗方法的流程图；
图2是本发明实施例提供的一种的环境特征构建与场景划分方法的流程图；
图3是本发明实施例提供的一种基于卫星定位的轨道沿线环境分类方法的流程图。
具体实施方式
依据本发明所述的基于列车车载卫星定位观测数据的轨道沿线环境分类方法，通过车载多模卫星定位接收机观测数据实现，并通过电子轨道地图作为参考系统进行验证。对于本发明提出的环境分类方法，结合附图和实例作进一步详细说明。
如图1～3所示，本发明所述的基于列车车载卫星定位观测数据的轨道沿线场景分类方法，包括如下步骤：
S1.根据铁路沿线环境遮挡特征，将铁路场景分为5类，构建每种铁路场景的特征向量，组成遮挡场景特征模型库γ；
模型库中所有场景的方位角间隔为1°，无遮挡场景的高度角均设为15°,全遮挡场景的高度角均设为90°；两侧浅度遮挡场景、一侧深度遮挡场景和两侧深度遮挡场景包含直线型边界，本文设计了几何模型生成直线型边界的参数，模型中方位角范围在0°至90°内，通过对称性构造场景的特征向量。
其中，elei表示每个方位角对应的高度角，elemax表示卫星高度角的最大值，θi表示方位角；
S2：采集列车车载多模卫星定位接收机输出的观测数据，采集的观测数据以历元为单位进行存储，得到观测数据集Ψ；
将天线安装在列车车顶进行卫星信号采集，并通过馈线连接至车厢内，利用多模接收机解算得到观测数据，包括列车定位位置P(xlong,ylat)、可见卫星数SVnum、卫星高度角EL、卫星的方位角AZ、卫星信号信噪比SNR等信息。
S3：根据判定指标对步骤S2得到的观测数据集Ψ中的观测数据进行数据清洗，将清洗后的数据重新排列，得到清洗后的观测数据集Ψcleaned；
在受限环境下，卫星信号受轨道沿线山体或建筑物遮挡无法有效传播至用户，列车车载多模卫星定位接收机输出的观测数据可能存在无效信息，需预先根据判定指标对观测数据集进行清洗。
数据清理方法如下：
1、列车车载多模卫星定位接收机输出的观测数据中可能存在数据丢失情况，这种情况下给定历元的有效信息可能为空。设置判定指标C1:给定的历元下所有观测数据为空，若符合判定指标C1，则视为无效观测数据，将该历元的观测数据剔除。
2、根据卫星定位基本原理，参与定位解算的卫星数目必须大于等于4颗，否则不满足定位有效性。设置判定指标C2:SVnumi＜4，若符合判定指标C2，则视作无效定位，将该历元的观测数据筛除。
3、所有卫星信号的信噪比必须大于阈值，设置判定指标C3：SNR＜20，若符合判定指标C3，则将该历元的该颗卫星的观测数据筛除。
S4：根据轨道电子地图将铁路沿线场景划分为若干等间距场景区段，对每个场景区段的所有历元的卫星信息进行提取，构建对应场景区段下的关键参数集合；
对于给定轨道线路，沿线环境随地理位置发生变化，将列车运行的轨道地图按照等分原则划分为若干片段，并提取各片段的关键参数集合。
S41.根据列车运行的电子轨道地图，按照环境变化需求等分成若干场景区段Piecek，以每5米作为一个场景区段，从起始点开始进行编号k＝1，2，…,k,…,O，O为总场景区段数，其中第k个场景区段的中间点Pref|k设置为定位参考点；
S42.遍历所有有效历元的观测数据，对第i个有效历元的观测数据，提取对应的列车定位位置Pi(xlong|i,ylat|i)以及其对应的投影地理坐标Mi，找到距离Mi最近的Pref|k点，则该历元的观测数据对应第k个场景区段；
S43.提取每个场景区段内所有历元的清洗后的观测数据，构建对应场景区段下的关键参数集合Ωi：
Ωi＝{SVi,{ELij,AZij,SNRij|j＝1,2,…SVi}}。
S5：根据步骤S4中的关键参数集合，在每个场景区段中划分方位角区域并提取可见卫星的可见高度角截止角，构造场景区段特征向量特征；
1、划分天空图方位角区域。
由于卫星运行轨迹倾角的原因，在0°～30°方位角范围和330°～360°方位角范围内，接收机只能接收到高仰角的卫星，只对30°～330°方位角范围内的卫星进行提取，根据等分原则将天空图方位角按照每个区域角度范围为α，将天空图划分为SP＝300°/α个方位角区域，每一个方位角区域用h表示，h＝1,2,…,SP；根据环境刻画需求，取值为α＝30°，故SP＝10；
S52.确定各方位角区域的高度角截止角βh；
给定方位角区域h内所有可见卫星数目记为由此确定该方位角区域内的可见高度角截止角βh：
(1)若第h个方位角区域无可见卫星，视为该方位角区域内卫星信号被完全遮挡，则可见高度角截止角βh＝90°；
(2)若第h个方位角区域仅一颗可见卫星，该可见卫星的卫星高度角视为该方位角区域的遮挡阈值，当且仅当卫星高度角大于遮挡阈值的卫星信号才能被接收机接收，则可见高度角截止角βh＝ELij；
(3)若第h个方位角区域有不止一颗可见卫星，卫星编号为j，该方位角区域的遮挡阈值取所有可见卫星的卫星高度角的最小值，则可见高度角截止角
S53.构建场景区段特征向量
根据上述计算得到10个方位角区域内的场景区段特征向量Λk＝{βk1,βk2,…,βkh,…,βk10}，其中，βkh表示第k个场景区段的高度角截止角；对每个方位角区域以1°为间隔进行划分，每个方位角区域内的所有方位角对应的高度角截止角均等于βk1，得到一个长度为300的场景区段特征向量。
S6：利用动态规划算法将步骤S5中的场景区段特征向量与步骤S1中的遮挡场景特征模型库γ进行匹配，确定每个场景区段的类型，辨识出铁路场景，从而确定铁路全线的场景分布情况。具体如下：
(1)用欧式距离计算出每个场景区段特征向量Λk＝{βk1,βk2,…,βkh,…,βk10}和遮挡场景特征模型库γ中每个特征向量的点对点的距离，构成欧式距离表D；
(2)找出欧式距离表D中的最短路径；
(3)根据最短路径计算Λk＝{βk1,βk2,…,βkh,…,βkSP}与遮挡场景特征模型库γ的动态规划算法距离；
(4)根据动态规划算法距离，找到最匹配的铁路场景的特征向量，确定每个场景区段的类型；
(5)根据每个场景区段的类型，辨识出铁路场景，从而确定铁路全线的场景分布情况。
本发明各个实施例均采用递进的方式描述，各实施例之间相同或相似的部分相互关联。本发明可适用于不同线路的铁路沿线环境中，对列车静态及动态运行状态具有通用性，工程应用价值显著。
以上所述均为本发明比较具体的实现形式，但本发明的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可以轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此。本发明的保护范围应该以权利要求的保护范围为准。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (2)

1.一种基于列车车载卫星定位观测数据的轨道沿线环境分类方法，其特征在于，包括如下步骤：
S1.根据铁路沿线环境遮挡特征，将铁路场景分为5类，构建每种铁路场景的特征向量，组成遮挡场景特征模型库γ；
S2.采集列车车载多模卫星定位接收机输出的观测数据，采集的观测数据以历元为单位进行存储，得到观测数据集Ψ；
S3.根据判定指标对步骤S2得到的观测数据集Ψ进行数据清洗，将清洗后的数据重新排列，得到清洗后的观测数据集Ψcleaned；
S4.根据电子轨道地图将铁路沿线场景划分为若干等间距场景区段，对每个场景区段的所有历元的卫星信息进行提取，构建对应场景区段下的关键参数集合；
S5.根据步骤S4中的关键参数集合，在每个场景区段中划分方位角区域并提取可见卫星的可见高度角截止角，构建场景区段特征向量；
S6.基于动态规划算法将步骤S5中的场景区段特征向量与步骤S1中的遮挡场景特征模型库γ进行匹配，确定每个场景区段的类型，辨识出铁路场景，从而确定铁路全线的场景分布情况；
步骤S1中，5类铁路场景包括：无遮挡场景、两侧浅度遮挡场景、一侧深度遮挡场景、两侧深度遮挡场景和全遮挡场景；每种铁路场景的特征向量的构建方法为：
S11.方位角间隔为1°，无遮挡场景的高度角均设为15°；
S12.方位角间隔为1°，全遮挡场景的高度角均设为90°；
S13.方位角间隔为1°，两侧浅度遮挡场景、一侧深度遮挡场景和两侧深度遮挡场景的0°至90°方位角对应的高度角构造方程为：
其中，elei表示每个方位角对应的高度角，elemax表示卫星高度角的最大值，θi表示方位角；
根据场景的对称性构造出0°至360°方位角对应的高度角，作为每种铁路场景的特征向量；
S14.五类铁路场景的特征向量组成遮挡场景特征模型库γ；
步骤S2中，所述观测数据包括列车定位位置P(xlong,ylat)、可见卫星数SVnum、卫星高度角EL、卫星的方位角AZ和卫星信号信噪比SNR；
步骤S3中，所述数据清理方法具体为：
S31.设置判定指标C1:给定的历元下所有观测数据为空，若符合判定指标C1，则视为无效数据，将该历元的观测数据剔除；
S32.设置判定指标C2:SVnumi＜4，若符合判定指标C2，则视作无效定位，将该历元的观测数据筛除；
S33.设置判定指标C3：SNR＜20，若符合判定指标C3，则将该历元的该颗卫星的观测数据筛除；
步骤S4中，所述关键参数集合的构建方法具体为：
S41.根据列车运行的电子轨道地图，按照环境变化需求等分成若干场景区段Piecek，以每5米作为一个场景区段，从起始点开始进行编号k＝1，2，…,k,…,O，O为总场景区段数，其中第k个场景区段的中间点Pref|k设置为定位参考点；
S42.遍历所有有效历元的观测数据，对第i个有效历元的观测数据，提取对应的列车定位位置Pi(xlong|i,ylat|i)以及其对应的投影地理坐标Mi，找到距离Mi最近的Pref|k点，则该历元的观测数据对应第k个场景区段；
S43.提取每个场景区段内所有历元的清洗后的观测数据，构建对应场景区段下的关键参数集合Ωi：
Ωi＝{SVi,{ELij,AZij,SNRij|j＝1,2,…SVi}}；
步骤S5中，构建场景区段特征向量的具体过程为：
S51.划分天空图方位角区域；
只对30°～330°方位角范围内的卫星进行提取，根据等分原则将天空图方位角按照每个区域角度范围为α，将天空图划分为SP＝300°/α个方位角区域，每一个方位角区域用h表示，h＝1,2,…,SP；根据环境刻画需求，取值为α＝30°，故SP＝10；
S52.确定各方位角区域的高度角截止角βh；
给定方位角区域h内所有可见卫星数目记为由此确定该方位角区域内的可见高度角截止角βh：
(1)若第h个方位角区域无可见卫星，视为该方位角区域内卫星信号被完全遮挡，则可见高度角截止角βh＝90°；
(2)若第h个方位角区域仅一颗可见卫星，该可见卫星的卫星高度角视为该方位角区域的遮挡阈值，当且仅当卫星高度角大于遮挡阈值的卫星信号才能被接收机接收，则可见高度角截止角βh＝ELij；
(3)若第h个方位角区域有不止一颗可见卫星，卫星编号为j，该方位角区域的遮挡阈值取所有可见卫星的卫星高度角的最小值，则可见高度角截止角/>
S53.构建场景区段特征向量
根据上述计算得到10个方位角区域内的场景区段特征向量Λk＝{βk1,βk2,…,βkh,…,βk10}，其中，βkh表示第k个场景区段的高度角截止角；对每个方位角区域以1°为间隔进行划分，每个方位角区域内的所有方位角对应的高度角截止角均等于βk1，得到一个长度为300的场景区段特征向量。
2.如权利要求1所述的基于列车车载卫星定位观测数据的轨道沿线环境分类方法，其特征在于，步骤S6具体为：
(1)用欧式距离计算出每个场景区段特征向量Λk＝{βk1,βk2,…,βkh,…,βk10}和遮挡场景特征模型库Υ中每个特征向量的点对点的距离，构成欧式距离表D；
(2)找出欧式距离表D中的最短路径；
(3)根据最短路径计算Λk＝{βk1,βk2,…,βkh,…,βkSP}与遮挡场景特征模型库Υ的动态规划算法距离；
(4)根据动态规划算法距离，找到最匹配的铁路场景的特征向量，确定每个场景区段的类型；
(5)根据每个场景区段的类型，辨识出铁路场景，从而确定铁路全线的场景分布情况。
CN202110365615.4A 2021-04-06 2021-04-06 基于列车车载卫星定位观测数据的轨道沿线环境分类方法 Active CN113298113B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110365615.4A CN113298113B (zh) 2021-04-06 2021-04-06 基于列车车载卫星定位观测数据的轨道沿线环境分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110365615.4A CN113298113B (zh) 2021-04-06 2021-04-06 基于列车车载卫星定位观测数据的轨道沿线环境分类方法

Publications (2)

Publication Number Publication Date
CN113298113A CN113298113A (zh) 2021-08-24
CN113298113B true CN113298113B (zh) 2023-09-26

Family

ID=77319376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110365615.4A Active CN113298113B (zh) 2021-04-06 2021-04-06 基于列车车载卫星定位观测数据的轨道沿线环境分类方法

Country Status (1)

Country Link
CN (1) CN113298113B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116819581B (zh) * 2023-08-29 2023-11-21 北京交通大学 基于Informer的自主卫星定位精度预测方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106908770A (zh) * 2017-01-24 2017-06-30 上海卫星工程研究所 高分辨率微波成像卫星星地一体化仿真方法
CN108761497A (zh) * 2018-03-06 2018-11-06 北京交通大学 一种列车卫星定位局域完好性监测方法及系统
KR101915171B1 (ko) * 2017-07-26 2019-01-07 (주)에이디테크 사물인터넷기반의 정거장 상황인지 정보 수집 및 제공시스템
CN109725333A (zh) * 2018-12-17 2019-05-07 中国空间技术研究院 一种场景自适应的卫星信号接收及处理方法
CN112164116A (zh) * 2020-09-27 2021-01-01 西南交通大学 一种基于改进fcm算法的列车定位方法及系统
CN112529755A (zh) * 2021-01-16 2021-03-19 江苏江凌测控科技股份有限公司 高铁动车智能运维管理系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106908770A (zh) * 2017-01-24 2017-06-30 上海卫星工程研究所 高分辨率微波成像卫星星地一体化仿真方法
KR101915171B1 (ko) * 2017-07-26 2019-01-07 (주)에이디테크 사물인터넷기반의 정거장 상황인지 정보 수집 및 제공시스템
CN108761497A (zh) * 2018-03-06 2018-11-06 北京交通大学 一种列车卫星定位局域完好性监测方法及系统
CN109725333A (zh) * 2018-12-17 2019-05-07 中国空间技术研究院 一种场景自适应的卫星信号接收及处理方法
CN112164116A (zh) * 2020-09-27 2021-01-01 西南交通大学 一种基于改进fcm算法的列车定位方法及系统
CN112529755A (zh) * 2021-01-16 2021-03-19 江苏江凌测控科技股份有限公司 高铁动车智能运维管理系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GLONASS历书解算与卫星可见性预测;崔莹莹;吕凌欧;包亮;梁圣杰;王磊;;航天控制(第06期);全文 *
Vertical Profiling of Aerosol and Aerosol Types Using Space-Borne Lidar;Alaa Mhawish 等;SpringerLink;全文 *
广深港高铁沿线环境综合整治策略;王京元;郑圣旺;曾敏;;现代城市轨道交通(第10期);全文 *
铁路场景下卫星定位可用性评估及预测方法研究;谭俊;中国优秀硕士论文全文数据库;全文 *

Also Published As

Publication number Publication date
CN113298113A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN107976697B (zh) 一种基于北斗/gps组合的列车安全定位方法及系统
US7211994B1 (en) Lightning and electro-magnetic pulse location and detection for the discovery of land line location
CN107808552B (zh) 航班行为检测方法和装置
US20130229298A1 (en) Threaded Track Method, System, and Computer Program Product
CN108061889A (zh) Ais与雷达角度系统偏差的关联方法
CN109444904B (zh) 定位测试数据的生成方法、装置、设备及存储介质
CN112394372B (zh) 一种基于ads-b记录数据评估多点定位性能的方法及系统
CN110018450A (zh) Ais与雷达角度系统偏差的关联校准方法
CN102565766A (zh) 一种空管监视雷达飞行校验方法
CN112230247B (zh) 一种用于城市复杂环境下gnss完好性监测方法
CN102508279B (zh) 卫星导航系统gnss定姿测量值的处理方法及gnss定姿测量仪
EP3329212B1 (en) System and method for detecting ground position changes
CN108592903B (zh) 一种基于路网地磁基准库的车辆地磁匹配定位方法
CN113298113B (zh) 基于列车车载卫星定位观测数据的轨道沿线环境分类方法
CN112612044B (zh) 一种用于漂移点过滤的方法及系统
CN106601032A (zh) 一种基于下视传感器的多路径地形完整性检测方法
CN110411499B (zh) 传感器检测识别能力的评估方法及评估系统
CN110728309B (zh) 一种基于铁路信号与北斗定位的行车轨迹聚类方法
CN109525947B (zh) 一种无人机运动轨迹记录方法及装置
Simwanda et al. Evaluating global positioning system accuracy for forest biomass transportation tracking within varying forest canopy
Hassani et al. Analytical and empirical navigation safety evaluation of a tightly integrated LiDAR/IMU using return-light intensity
CN109064743B (zh) 交通管理信息自动采集平台
RU2668597C1 (ru) Способ выявления неисправностей и отказов бортовых измерителей параметров движения и спутниковых навигационных систем движущихся объектов
CN107588760B (zh) 适用于固定翼无人机跟踪道路的定高高精度航迹生成方法
JP5127748B2 (ja) 質問信号送信方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant