CN117465509B - 一种有轨电车定位偏离智能校准方法 - Google Patents

Abstract

本发明涉及无线电定位校正技术领域，具体涉及一种有轨电车定位偏离智能校准方法，该方法首先结合电车定位点与电车轨道之间的距离，以及速度变化产生的距离与相邻电车定位点距离之间的差异，得到干扰可能性；根据干扰可能性结合时序电车定位点运行状态变化以及运动趋势偏离情况，得到异常可能性；根据正常情况下异常可能性存在连续统一的特征，结合时序相邻的各个电车定位点之间异常可能性的相似程度以及关联性，得到每个电车定位点的最终异常程度；根据最终异常程度影响DP轨迹压缩算法的误差阈值，进行电车定位偏离校准，使得对有轨电车定位偏离的校准能力更好。

Description

一种有轨电车定位偏离智能校准方法

技术领域

本发明涉及无线电定位校正技术领域，具体涉及一种有轨电车定位偏离智能校准方法。

背景技术

对有轨电车进行准确的定位有助于提高有轨电车系统的运行安全性，因此通常借助全球定位系统（Global Positioning System，GPS）等定位技术对有轨电车进行实时定位，但是考虑到有轨电车运行过程中产生的定位数据较多，因此为了方便储存和传输，通常需要对有轨电车运行过程中的定位数据进行压缩。现有技术通常采用能够保留定位数据关键特征且简单高效的DP轨迹压缩算法对有轨电车运行过程中产生的电车定位点数据进行压缩。

但是考虑到DP轨迹压缩算法在对电车定位点数据进行压缩时，对所有电车定位点的误差损失衡量标准一致，当误差损失阈值较大时，会导致异常的偏移定位损失程度大；当误差损失阈值较小时，会导致压缩效率较差；并且在电车意外出轨的情况下，可能由于噪声等外界干扰产生的定位偏移的影响，导致电车意外出轨对应的电车定位点出现在电车轨道上，使得无法准确的发现电车定位异常的情况，使得DP轨迹压缩算法压缩时无法精准的保留异常定位偏移，即现有技术采样DP轨迹压缩算法无法准确的保留有轨电车在轨定位点的异常定位偏离特征，对有轨电车定位偏离的校准能力较差。

发明内容

为了解决现有技术采样DP轨迹压缩算法无法准确的保留有轨电车在轨定位点的异常定位偏离特征，对有轨电车定位偏离的校准能力较差的技术问题，本发明的目的在于提供一种有轨电车定位偏离智能校准方法，所采用的技术方案具体如下：

本发明提出了一种有轨电车定位偏离智能校准方法，所述方法包括：

获取有轨电车在每个采样时刻下的电车定位点和电车速度；

根据相邻采样时刻之间的电车速度、采样时间间隔与对应的电车定位点之间距离的匹配情况，以及每个电车定位点与有轨电车轨道的距离，得到每个电车定位点的干扰可能性；根据所述干扰可能性，结合每个电车定位点与其时序相邻的电车定位点之间的运动状态连续情况，以及每个电车定位点的运动趋势偏离情况，得到每个电车定位点的异常可能性；

根据每个电车定位点与时序相邻的各个电车定位点之间的异常可能性的相似程度，以及每个电车定位点的时序相邻的各个电车定位点之间的关联性，得到每个电车定位点的最终异常程度；

根据所述最终异常程度，结合DP轨迹压缩算法进行电车定位偏离校准。

进一步地，所述干扰可能性的获取方法包括：

将每个电车定位点与有轨电车轨道之间的最小距离，作为每个电车定位点的轨道偏差距离；

将每个电车定位点的上个采样时刻的电车定位点，作为每个电车定位点的对比定位点；将每个电车定位点的电车速度与对应的对比定位点的电车速度之间的均值，作为每个电车定位点的参考平均速度；

将每个电车定位点与对应的对比定位点之间的欧氏距离，作为每个电车定位点的参考变化距离；

根据所述轨道偏差距离、所述参考平均速度、所述参考变化距离以及相邻采样时刻之间的时间间隔，构建干扰可能性计算模型；根据所述干扰可能性计算模型，得到每个电车定位点的干扰可能性。

进一步地，所述异常可能性的获取方法包括：

根据所有采样时刻下的电车定位点以时间顺序进行曲线拟合，得到电车轨迹二维曲线；在所有电车定位点中，将与有轨电车轨道之间距离小于预设误差阈值的电车定位点，作为在轨定位点；

在时间顺序上，将每个电车定位点之前时间间隔最小的在轨定位点，作为每个电车定位点的第一在轨定位点；将每个电车定位点之后时间间隔最小的在轨定位点，作为每个电车定位点的第二在轨定位点；

在所述电车轨迹二维曲线上，将所述第一在轨定位点的切线斜率与所述第二在轨定位点的切线斜率之间的均值，作为每个电车定位点的参考斜率；将每个电车定位点对应的第一在轨定位点与第二在轨定位点之间的所有电车定位点，作为每个电车定位点的干扰参考定位点；

在所述电车轨迹二维曲线上，根据每个电车定位点的切线斜率与所述参考斜率之间的差异，结合根据每个电车定位点的干扰可能性以及对应的各个邻接参考定位点的速度变化情况，构建异常可能性计算模型；根据所述异常可能性计算模型，得到每个电车定位点的异常可能性。

进一步地，所述最终异常程度的获取方法包括：

获取采样时间间隔；将每个电车定位点的预设邻域窗口内其余各个电车定位点，作为每个电车定位点的邻域定位点；根据每个邻域定位点的电车速度、所述采样时间间隔，以及每个电车定位点预设邻域窗口内的轨道路径长度和对应的异常可能性，得到每个电车定位点的干扰影响程度；

根据每个电车定位点对应的各个邻域定位点之间异常可能性的差异，以及各个邻域定位点的干扰影响程度的整体分布情况，构建最终异常程度计算模型，根据所述最终异常程度计算模型，得到每个电车定位点的最终异常程度。

进一步地，所述根据所述最终异常程度，结合DP轨迹压缩算法进行电车定位偏离校准的方法包括：

获取DP轨迹压缩过程中每个电车定位点的初始轨迹损失值；将所述初始轨迹损失值与所述最终异常程度的乘积，作为DP轨迹压缩过程中每个电车定位点的修正轨迹损失值，根据每个电车定位点的修正轨迹损失值和DP轨迹压缩算法的预设损失阈值进行DP轨迹压缩，得到修正路径数据；根据所述修正路径数据进行电车定位偏离校准。

进一步地，所述干扰可能性计算模型包括：

其中，为第个电车定位点的干扰可能性，为第个 电车定位点的轨道偏差距离， 为第 个电车定位点的参考平均速度， 为相邻采样 时刻之间的时间间隔，为第个电车定位点的参考变化距离。

进一步地，所述异常可能性计算模型包括：

其中，为第个电车定位 点的异常可能性， 为第个电车定位点的干扰可能性， 为第个电车定位点的参 考斜率，为每个电车定位点在电车轨迹二维曲线上的切线斜率；为第个电车定 位点对应的干扰参考定位点的数量；为第个电车定位点对应的第个干扰参考定位 点的电车速度；为第个电车定位点对应的第个干扰参考定位点的电车速 度； 为绝对值符号； 为归一化函数。

进一步地，所述干扰影响程度的获取方法包括：

将每个电车定位点预设邻域窗口内的轨道路径长度，作为每个电车定位点的邻域轨道长度；将每个邻域定位点的电车速度与所述采样时间间隔的乘积，作为每个邻域定位点的局部参考路程；将所有邻域定位点的局部参考路程的累加和，作为每个电车定位点的参考行驶路程；

将所述轨道路径长度与所述参考行驶路程之间的差异，作为每个电车定位点的参考路径误差；根据所述参考路径误差与所述异常可能性，得到每个电车定位点的干扰影响程度，所述参考路径误差和所述异常可能性均与所述干扰影响程度呈正相关关系。

进一步地，所述最终异常程度计算模型包括：

其中，为第个电车定位点的 最终异常程度，为第个电车定位点对应的所有邻域定位点的干扰影响程度的方差；为第个电车定位点对应的邻域定位点的数量；为第个电车定位点对应的 第个邻域定位点的异常可能性；为第个电车定位点对应的第个邻域 定位点的异常可能性；为绝对值符号。

进一步地，所述根据所述参考路径误差与所述异常可能性，得到每个电车定位点的干扰影响程度的方法包括：

将所述参考路径误差与所述异常可能性的乘积，作为每个电车定位点的干扰影响程度。

本发明具有如下有益效果：

对于有轨电车而言，正常行驶过程中对应的位置一定在轨道上，因此当电车定位点与轨有轨电车轨道的距离越远时，对应的电车定位点受到干扰的可能性越大。并且在有轨电车的具体运行环境中，其速度通常较为稳定，且速度变化通常较为缓慢，当根据瞬时速度计算出的距离与两个电车定位点之间的实际距离相差较大时，说明电车定位点受到干扰的可能性越大，因此根据相邻采样时刻之间的电车速度、采样时间间隔与对应的电车定位点之间距离的匹配情况，以及每个电车定位点与有轨电车轨道的距离，得到每个电车定位点的干扰可能性。但是考虑到可能出现电车意外事故导致脱轨的情况，在电车脱轨后，其对应的速度变化和轨道路径变化会与正常情况存在较为明显的差异，因此进一步地在干扰可能性的基础上，结合每个电车定位点与其时序相邻的电车定位点之间的运动状态连续情况，以及每个电车定位点的运动趋势偏离情况，得到每个电车定位点的异常可能性。又考虑到可能存在受到干扰的电车定位点恰好出现在轨道上的情况，因此仅通过异常可能性判断异常特征可能存在少许误差，考虑到正常情况下，时序连续的电车定位点之间的关联性较高，而出现异常的电车定位点时，会由于连续性带来的影响滞后性，导致异常的电车定位点时序相邻的电车定位点之间的关联性被破坏，对应的时序相邻的电车定位点之间的异常可能性的统一性也会受到影响，因此进一步地结合异常可能性以及各个电车定位点之间的关联性，得到每个电车定位点的最终异常程度。进一步地根据最终异常程度，结合DP轨迹压缩算法进行电车定位偏离校准，增大异常定位偏移的在轨定位点与正常的定位点之间的区别，使得DP轨迹压缩算法对有轨电车定位点数据进行压缩时对异常定位偏离特征的损失更小，对有轨电车定位偏离的校准能力更好。

附图说明

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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种有轨电车定位偏离智能校准方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种有轨电车定位偏离智能校准方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种有轨电车定位偏离智能校准方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种有轨电车定位偏离智能校准方法流程图，该方法包括：

步骤S1：获取有轨电车在每个采样时刻下的电车定位点和电车速度。

本发明实施例旨在提供一种有轨电车定位偏离智能校准方法，用于根据有轨电车的电车定位点和电车速度进行分析，通过分析得到的最终异常程度结合DP轨迹压缩算法进行电车定位偏离校准，增大异常定位偏移的在轨定位点与正常的定位点之间的区别，使得DP轨迹压缩算法对有轨电车定位点数据进行压缩时对异常定位偏离特征的损失更小，对有轨电车定位偏离的校准能力更好。

因此首先需要获取有轨电车在每个采样时刻下的电车定位点和电车速度，具体地：本发明实施例通过GPS定位系统采集有轨电车在二维地面坐标系中每个采样时刻下的电车定位点，并且通过轮速传感器同步采集有轨电车在每个采样时刻下的电车速度，也即有轨电车在每个采样时刻下对应一个电车定位点，并且每个有轨电车在电车定位点处都有对应的电车速度。在本发明实施例中，采样频率设置为每秒采集一次，实施者可根据具体实施环境自行调整采集频率的大小。需要说明的是，二维地面坐标系是与地图类似的不考虑高度维度的坐标系，实施者也可根据具体实施环境采用三维空间坐标系进行采集，但是需要保证后续计算过程中能够获取准确的距离数据；除GPS定位系统外，实施者也可根据具体实施环境通过其他定位系统采集电车定位点；除轮速传感器外，实施者也可根据具体实施环境通过其他瞬时速度采集设备或方法采集电车速度，在此不做进一步赘述。

步骤S2：根据相邻采样时刻之间的电车速度、采样时间间隔与对应的电车定位点之间距离的匹配情况，以及每个电车定位点与有轨电车轨道的距离，得到每个电车定位点的干扰可能性；根据干扰可能性，结合每个电车定位点与其时序相邻的电车定位点之间的运动状态连续情况，以及每个电车定位点的运动趋势偏离情况，得到每个电车定位点的异常可能性。

对于有轨电车而言，正常行驶过程中对应的位置一定在轨道上，因此可根据电车定位点与轨有轨电车轨道的距离，进一步地电车定位点受到干扰的可能性。并且在有轨电车的具体运行环境中，其速度通常较为稳定，且速度变化通常较为缓慢，因此根据瞬时速度计算出的距离与两个电车定位点之间的实际距离进行对比，进一步地表征电车定位点受到干扰的可能性，因此本发明实施例根据相邻采样时刻之间的电车速度、采样时间间隔与对应的电车定位点之间距离的匹配情况，以及每个电车定位点与有轨电车轨道的距离，得到每个电车定位点的干扰可能性。

优选地，干扰可能性的获取方法包括：

将每个电车定位点与有轨电车轨道之间的最小距离，作为每个电车定位点的轨道偏差距离。由于借助GPS等其他定位系统对有轨电车的位置进行定位时，所产生的定位点通常会存在一定的误差，并且该误差的大小在一定程度上会受到信号干扰等外界环境的影响，因此轨道偏差距离越大时，说明电车定位点受到干扰的可能性越大。

将每个电车定位点的上个采样时刻的电车定位点，作为每个电车定位点的对比定位点；将每个电车定位点的电车速度与对应的对比定位点的电车速度之间的均值，作为每个电车定位点的参考平均速度；将每个电车定位点与对应的对比定位点之间的欧氏距离，作为每个电车定位点的参考变化距离。由于有轨电车轨道的速度通常较为稳定，且速度变化通常较为缓慢，因此在正常情况下根据相邻两个采样时刻的瞬时速度结合采样时间间隔所计算出的理论距离，与两个电车定位点的实际距离之间通常较为接近；而在受到干扰时，则两个距离之间的匹配情况会受到影响，且理论距离与实际距离之间的差异越大，受到干扰的可能性越大。

因此根据轨道偏差距离、参考平均速度、参考变化距离以及相邻采样时刻之间的时间间隔，构建干扰可能性计算模型；根据干扰可能性计算模型，得到每个电车定位点的干扰可能性。

优选地，干扰可能性计算模型包括：

其中，为第个电车定位点的干扰可能性，为 第个电车定位点的轨道偏差距离，为第个电车定位点的参考平均速度；为相邻采 样时刻之间的时间间隔，也即采样周期，本发明实施例中的采样周期为1秒；为第个 电车定位点的参考变化距离。对于而言，所表征的含义为第个电车定位点与其 上个采样时刻的电车定位点之间的平均电车速度，结合采样周期所计算出的距离即在理论 情况下，第个电车定位点对应的采样时刻与前一个采样时刻之间电车的理论行进距离； 而则是通过定位的方法所得到的电车实际定位变化距离；因此越大，说 明第个电车定位点的运行距离偏差越大，也即受到干扰的影响越大，并且以作为分 母保证计算出数值的量纲范围，具有一定的适应性。而轨道偏差距离越大时，电车定位点受 到干扰的可能性越大，所以进一步通过加法的方式结合轨道偏差距离与，使得得 到的干扰可能性更加准确。

干扰可能性仅根据电车定位点与轨道之间的距离偏差，以及电车速度变化拟合出的理论距离与电车定位点之间的变化距离进行对比得到的，没有考虑到电车意外事故导致电车出轨的情况，因此还要结合电车的运动与速度的状态进行进一步地分析。对于有轨电车而言，其对应的运动状态是连续的，当出现电车出轨的情况时，其对应的连续运动状态一定会被影响，该影响通常体现在运动速度以及轨迹上。因此本发明实施例根据干扰可能性，结合每个电车定位点与其时序相邻的电车定位点之间的运动状态连续情况，以及每个电车定位点的运动趋势偏离情况，得到每个电车定位点的异常可能性。

优选地，异常可能性的获取方法包括：

根据所有采样时刻下的电车定位点以时间顺序进行曲线拟合，得到电车轨迹二维曲线；在所有电车定位点中，将与有轨电车轨道之间距离小于预设误差阈值的电车定位点，作为在轨定位点；在时间顺序上，将每个电车定位点之前时间间隔最小的在轨定位点，作为每个电车定位点的第一在轨定位点；将每个电车定位点之后时间间隔最小的在轨定位点，作为每个电车定位点的第二在轨定位点；在电车轨迹二维曲线上，将第一在轨定位点的切线斜率与第二在轨定位点的切线斜率之间的均值，作为每个电车定位点的参考斜率。对于每个电车定位点而言，在轨定位点通常表征的是正常情况下或受到干扰较小的情况下电车的定位点，其对应的切线斜率能够在一定程度上表征电车的运动状态，当电车定位点的切线斜率与所计算出的参考斜率之间的差异越大，说明电车的运动状态变化越大，越可能对应异常的情况，也即异常可能性越大。

将每个电车定位点对应的第一在轨定位点与第二在轨定位点之间的所有电车定位点，作为每个电车定位点的干扰参考定位点。当干扰参考定位点的数量越多时，说明电车定位点的时间邻域内的在轨定位点的时间间隔越大，越可能出现异常。并且考虑到正常情况下电车的运动状态具有一定的连续性，其对应的速度变化通常较小；因此第一在轨定位点与第二在轨定位点之间的各个电车定位点的时序速度变化越大时，对应的出现异常的可能性越大。

并且电车定位点的干扰可能性越大能够在一定程度上表征对应的异常受干扰程度，因此干扰可能性越大时，对应的异常可能性越大，所以本发明实施例在电车轨迹二维曲线上，根据每个电车定位点的切线斜率与参考斜率之间的差异，结合根据每个电车定位点的干扰可能性以及对应的各个邻接参考定位点的速度变化情况，构建异常可能性计算模型；根据异常可能性计算模型，得到每个电车定位点的异常可能性。

优选地，异常可能性计算模型包括：

其中，为第个电车定位 点的异常可能性，为第个电车定位点的干扰可能性，为第个电车定位点的参考 斜率，为每个电车定位点在电车轨迹二维曲线上的切线斜率；为第个电车定位 点对应的干扰参考定位点的数量；为第个电车定位点对应的第个干扰参考定位点 的电车速度；为第个电车定位点对应的第个干扰参考定位点的电车速度； 为绝对值符号；为归一化函数，在本发明实施例中，所有归一化方法采用线 性归一化，实施者可根据具体实施环境自行选择归一化方法，在此不做进一步赘述。

对于异常可能性计算模型，由于第一在轨定位点与第二在轨定位点之间的各个电 车定位点的时序速度变化越大时，对应的出现异常的可能性越大，因此通过相邻时刻的速 度变化的累加值，表征整体的电车速度变化情况，对应的累加值越小，说 明第个电车定位点对应的运动状态连续性越好，受到的异常影响的可能性也就越小，因 此与异常可能性呈正相关关系。进一步地根据电车定位点的 切线斜率与所计算出的参考斜率之间的差异越大，干扰可能性越大时，对应异常可能性越 大的特征，通过乘积的方式结合干扰可能性，第个电车定位点的切线斜率与对应参 考斜率之间的差异，以及表征运动状态连续性的，并 通过归一化限定其取值范围。

步骤S3：根据每个电车定位点与时序相邻的各个电车定位点之间的异常可能性的相似程度，以及每个电车定位点的时序相邻的各个电车定位点之间的关联性，得到每个电车定位点的最终异常程度。

在得到各个电车定位点的异常可能性后，需要考虑到可能存在异常干扰的定位点刚好出现在轨道上的情况，因此通过异常可能性判断异常特征可能存在少许误差，考虑到正常情况下，时序连续的电车定位点之间的关联性较高，而出现异常的电车定位点时，会由于连续性带来的影响滞后性，导致异常的电车定位点时序相邻的电车定位点之间的关联性被破坏，对应的时序相邻的电车定位点之间的异常可能性的统一性也会受到影响，因此本发明实施例根据每个电车定位点与时序相邻的各个电车定位点之间的异常可能性的相似程度，以及每个电车定位点的时序相邻的各个电车定位点之间的关联性，得到每个电车定位点的最终异常程度。

优选地，最终异常程度的获取方法包括：

获取采样时间间隔；将每个电车定位点的预设邻域窗口内其余各个电车定位点，作为每个电车定位点的邻域定位点。对于每个电车定位点而言，其对应的邻域窗口内根据车辆速度得到的距离与轨道长度之间的差异越大，说明该电车定位点受到干扰影响的程度越大，因此本发明实施例根据每个邻域定位点的电车速度、采样时间间隔，以及每个电车定位点预设邻域窗口内的轨道路径长度和对应的异常可能性，得到每个电车定位点的干扰影响程度。在本发明实施例中，预设邻域窗口设置为5×5大小的窗口，单位为米，实施者可根据具体实施环境自行调整预设邻域窗口的大小，在此不做进一步地限定和赘述。

优选地，干扰影响程度的获取方法包括：

将每个电车定位点预设邻域窗口内的轨道路径长度，作为每个电车定位点的邻域轨道长度；将每个邻域定位点的电车速度与采样时间间隔的乘积，作为每个邻域定位点的局部参考路程；将所有邻域定位点的局部参考路程的累加和，作为每个电车定位点的参考行驶路程；将轨道路径长度与参考行驶路程之间的差异，作为每个电车定位点的参考路径误差。

局部参考路程为每个邻域定位点根据对应的电车速度行驶得到的路程，因此所有邻域定位点的局部参考路程的累加和，即参考行驶路程即理论上电车定位点在该预设邻域窗口内应当行驶的路程。在受到干扰较小时，其对应的参考行驶路程与邻域轨道长度应该非常接近；因此轨道路径长度与参考行驶路程之间的差异越小，即参考路径误差越小时，对应的电车定位点受到的干扰影响越小，也即干扰影响程度越小。而异常可能性表征电车定位点受到干扰出现异常的可能性，因此异常可能性越大时，对应的干扰影响程度越大。因此进一步地根据参考路径误差与异常可能性，得到每个电车定位点的干扰影响程度，参考路径误差和异常可能性均与干扰影响程度呈正相关关系。

在本发明实施例中，依次将每个电车定位点作为第个电车定位点，则第个电 车定位点的干扰影响程度的获取方法在公式上表现为：其中，为第个电车定位点的干扰影响 程度，为第个电车定位点的异常可能性，为第个电车定位点的邻域轨道长度，为第个电车定位点对应的邻域定位点的数量，为第个电车定位点对应的第个邻域定位点的电车速度，为采样时间间隔，即相邻采样时刻之间的时间间隔，也即 采样周期；为绝对值符号；为第个电车定位点的参考路径 误差。

优选地，根据参考路径误差与异常可能性，得到每个电车定位点的干扰影响程度的方法包括：

本发明实施例将参考路径误差与异常可能性的乘积，作为每个电车定位点的干扰影响程度。需要说明的是，实施者也可根据具体实施环境通过其他方法根据参考路径误差和异常可能性得到干扰影响程度，例如将参考路径误差与异常可能性之间和值的归一化值作为干扰影响程度等等，在此不做进一步赘述。

进一步地根据干扰影响程度，结合正常情况下时序连续的电车定位点之间的关联性较高，而出现异常的电车定位点时，会由于连续性带来的影响滞后性，导致异常的电车定位点时序相邻的电车定位点之间的关联性被破坏，并且时序相邻的电车定位点之间的干扰影响程度的连续性也会受到影响；因此本发明实施例根据每个电车定位点对应的各个邻域定位点之间异常可能性的差异，以及各个邻域定位点的干扰影响程度的整体分布情况，构建最终异常程度计算模型，根据最终异常程度计算模型，得到每个电车定位点的最终异常程度。

优选地，最终异常程度计算模型包括：其中，为第个电车定位点的最终异常 程度，为第个电车定位点对应的所有邻域定位点的干扰影响程度的方差；为第个电车定位点对应的邻域定位点的数量；为第个电车定位点对应的第个邻 域定位点的异常可能性；为第个电车定位点对应的第个邻域定位点的异 常可能性；为绝对值符号。

其中，通过第个电车定位点对应的所有邻域定位点的干扰影响程度的方差，能 够体现第个电车定位点的邻域窗口内各个邻域定位点之间的相关性被破坏程度，对应的 干扰影响程度的方差越大，说明各个邻域定位点之间的相关性越差，说明个电车定位点 的异常程度越大。对于，当个电车定位点不存在异常或 异常程度较低，其对应的邻域定位点之间的表征运动状态的连续性的异常可能性通常较为 接近，也即统一性较高，当第个电车定位点出现异常干扰时，异常可能性对应的统一性会 被破坏，从而导致 计算出的数值较大，也即 越大时，统一性越差，异常程度也就越大。因此进一步地 通过乘积的形式根据和 得到第个电车定位点的最 终异常程度。

步骤S4：根据最终异常程度，结合DP轨迹压缩算法进行电车定位偏离校准。

在得到每个电车定位点的最终异常程度后，最后根据最终异常程度，结合DP轨迹压缩算法进行电车定位偏离校准。

优选地，根据最终异常程度，结合DP轨迹压缩算法进行电车定位偏离校准的方法包括：

获取DP轨迹压缩过程中每个电车定位点的初始轨迹损失值；将初始轨迹损失值与最终异常程度的乘积，作为DP轨迹压缩过程中每个电车定位点的修正轨迹损失值，根据每个电车定位点的修正轨迹损失值和DP轨迹压缩算法的预设损失阈值进行DP轨迹压缩，得到修正路径数据；根据修正路径数据进行电车定位偏离校准。也即最终异常程度越大时，对应的修正轨迹损失值越大。而根据DP轨迹压缩算法的原理，以起始电车定位点开始遍历，连接起始电车定位点与遍历到的每个其余电车定位点，将其余电车定位点作为遍历电车定位点；以任意一个遍历电车定位点为例：将起始电车定位点与遍历电车定位点之间的连线，作为损失连线；计算起始电车定位点与遍历电车定位点之间每个电车定位点到损失连线上的距离，即为每个电车定位点在该损失连线上的初始轨迹损失值，当损失连线上的初始轨迹损失值的累加值小于预设损失阈值时，继续向后进行遍历；当损失连线上的初始轨迹损失值的累加值大于或等于预设损失阈值时，停止遍历，以该损失直线作为起始电车定位点与该遍历电车定位点的局部修正路径数据；并继续以该遍历电车定位点作为起始电车定位点进行进一步地遍历。因此当电车定位点的异常程度越大时，对初始轨迹损失值加权后得到的修正轨迹损失值越大，则越容易被分段，也即保留最终异常程度越大的电车定位点，对应的异常定位偏移越可能被保留，使得DP轨迹压缩算法对有轨电车定位点数据进行压缩时对异常定位偏离特征的损失更小，对有轨电车定位偏离的校准能力更好。在本发明实施例中，预设损失阈值设置为50米，实施者可根据具体实施环境自行调整。

在本发明实施例中，第个电车定位点的修正误差阈值的获取方法在公式上表现 为：其中，为第个电车定位点的修正误差阈 值，为第个电车定位点的最终异常程度，为第个电车定位点的初始误差阈 值，为归一化函数，本发明实施例中归一化方法采样线性归一化，实施者可 根据具体实施环境自行调整归一化方法，在此不做进一步赘述。

综上所述，本发明首先结合电车定位点与电车轨道之间的距离，以及速度变化产生的距离与相邻电车定位点距离之间的差异，得到干扰可能性；根据干扰可能性结合时序电车定位点运行状态变化以及运动趋势偏离情况，得到异常可能性；根据正常情况下异常可能性存在连续统一的特征，结合时序相邻的各个电车定位点之间异常可能性的相似程度以及关联性，得到每个电车定位点的最终异常程度；根据最终异常程度影响DP轨迹压缩算法的误差阈值，进行电车定位偏离校准，使得对有轨电车定位偏离的校准能力更好。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (7)

1.一种有轨电车定位偏离智能校准方法，其特征在于，所述方法包括：

获取有轨电车在每个采样时刻下的电车定位点和电车速度；

根据相邻采样时刻之间的电车速度、采样时间间隔与对应的电车定位点之间距离的匹配情况，以及每个电车定位点与有轨电车轨道的距离，得到每个电车定位点的干扰可能性；根据所述干扰可能性，结合每个电车定位点与其时序相邻的电车定位点之间的运动状态连续情况，以及每个电车定位点的运动趋势偏离情况，得到每个电车定位点的异常可能性；

根据每个电车定位点与时序相邻的各个电车定位点之间的异常可能性的相似程度，以及每个电车定位点的时序相邻的各个电车定位点之间的关联性，得到每个电车定位点的最终异常程度；

根据所述最终异常程度，结合DP轨迹压缩算法进行电车定位偏离校准；

所述干扰可能性的获取方法包括：

将每个电车定位点与有轨电车轨道之间的最小距离，作为每个电车定位点的轨道偏差距离；

将每个电车定位点的上个采样时刻的电车定位点，作为每个电车定位点的对比定位点；将每个电车定位点的电车速度与对应的对比定位点的电车速度之间的均值，作为每个电车定位点的参考平均速度；

将每个电车定位点与对应的对比定位点之间的欧氏距离，作为每个电车定位点的参考变化距离；

根据所述轨道偏差距离、所述参考平均速度、所述参考变化距离以及相邻采样时刻之间的时间间隔，构建干扰可能性计算模型；根据所述干扰可能性计算模型，得到每个电车定位点的干扰可能性；

所述根据所述最终异常程度，结合DP轨迹压缩算法进行电车定位偏离校准的方法包括：

获取DP轨迹压缩过程中每个电车定位点的初始轨迹损失值；将所述初始轨迹损失值与所述最终异常程度的乘积，作为DP轨迹压缩过程中每个电车定位点的修正轨迹损失值，根据每个电车定位点的修正轨迹损失值和DP轨迹压缩算法的预设损失阈值进行DP轨迹压缩，得到修正路径数据；根据所述修正路径数据进行电车定位偏离校准；

所述干扰可能性计算模型包括：

其中，为第/>个电车定位点的干扰可能性，/>为第/>个电车定位点的轨道偏差距离，为第/>个电车定位点的参考平均速度，/>为相邻采样时刻之间的时间间隔，/>为第/>个电车定位点的参考变化距离。

2.根据权利要求1所述的一种有轨电车定位偏离智能校准方法，其特征在于，所述异常可能性的获取方法包括：

根据所有采样时刻下的电车定位点以时间顺序进行曲线拟合，得到电车轨迹二维曲线；在所有电车定位点中，将与有轨电车轨道之间距离小于预设误差阈值的电车定位点，作为在轨定位点；

在时间顺序上，将每个电车定位点之前时间间隔最小的在轨定位点，作为每个电车定位点的第一在轨定位点；将每个电车定位点之后时间间隔最小的在轨定位点，作为每个电车定位点的第二在轨定位点；

在所述电车轨迹二维曲线上，将所述第一在轨定位点的切线斜率与所述第二在轨定位点的切线斜率之间的均值，作为每个电车定位点的参考斜率；将每个电车定位点对应的第一在轨定位点与第二在轨定位点之间的所有电车定位点，作为每个电车定位点的干扰参考定位点；

在所述电车轨迹二维曲线上，根据每个电车定位点的切线斜率与所述参考斜率之间的差异，结合根据每个电车定位点的干扰可能性以及对应的各个邻接参考定位点的速度变化情况，构建异常可能性计算模型；根据所述异常可能性计算模型，得到每个电车定位点的异常可能性。

3.根据权利要求1所述的一种有轨电车定位偏离智能校准方法，其特征在于，所述最终异常程度的获取方法包括：

获取采样时间间隔；将每个电车定位点的预设邻域窗口内其余各个电车定位点，作为每个电车定位点的邻域定位点；根据每个邻域定位点的电车速度、所述采样时间间隔，以及每个电车定位点预设邻域窗口内的轨道路径长度和对应的异常可能性，得到每个电车定位点的干扰影响程度；

根据每个电车定位点对应的各个邻域定位点之间异常可能性的差异，以及各个邻域定位点的干扰影响程度的整体分布情况，构建最终异常程度计算模型，根据所述最终异常程度计算模型，得到每个电车定位点的最终异常程度。

4.根据权利要求2所述的一种有轨电车定位偏离智能校准方法，其特征在于，所述异常可能性计算模型包括：

其中，为第/>个电车定位点的异常可能性，/>为第/>个电车定位点的干扰可能性，/>为第/>个电车定位点的参考斜率，/>为每个电车定位点在电车轨迹二维曲线上的切线斜率；为第/>个电车定位点对应的干扰参考定位点的数量；/>为第/>个电车定位点对应的第/>个干扰参考定位点的电车速度；/>为第/>个电车定位点对应的第/>个干扰参考定位点的电车速度；/>为绝对值符号；/>为归一化函数。

5.根据权利要求3所述的一种有轨电车定位偏离智能校准方法，其特征在于，所述干扰影响程度的获取方法包括：

将每个电车定位点预设邻域窗口内的轨道路径长度，作为每个电车定位点的邻域轨道长度；将每个邻域定位点的电车速度与所述采样时间间隔的乘积，作为每个邻域定位点的局部参考路程；将所有邻域定位点的局部参考路程的累加和，作为每个电车定位点的参考行驶路程；

将所述轨道路径长度与所述参考行驶路程之间的差异，作为每个电车定位点的参考路径误差；根据所述参考路径误差与所述异常可能性，得到每个电车定位点的干扰影响程度，所述参考路径误差和所述异常可能性均与所述干扰影响程度呈正相关关系。

6.根据权利要求3所述的一种有轨电车定位偏离智能校准方法，其特征在于，所述最终异常程度计算模型包括：

其中，为第/>个电车定位点的最终异常程度，/>为第/>个电车定位点对应的所有邻域定位点的干扰影响程度的方差；/>为第/>个电车定位点对应的邻域定位点的数量；/>为第/>个电车定位点对应的第/>个邻域定位点的异常可能性；/>为第/>个电车定位点对应的第/>个邻域定位点的异常可能性；/>为绝对值符号。

7.根据权利要求5所述的一种有轨电车定位偏离智能校准方法，其特征在于，所述根据所述参考路径误差与所述异常可能性，得到每个电车定位点的干扰影响程度的方法包括：

将所述参考路径误差与所述异常可能性的乘积，作为每个电车定位点的干扰影响程度。