CN117471502B - 一种定位源参数异常检测和修正方法、系统及电子设备 - Google Patents
一种定位源参数异常检测和修正方法、系统及电子设备 Download PDFInfo
- Publication number
- CN117471502B CN117471502B CN202311429985.5A CN202311429985A CN117471502B CN 117471502 B CN117471502 B CN 117471502B CN 202311429985 A CN202311429985 A CN 202311429985A CN 117471502 B CN117471502 B CN 117471502B
- Authority
- CN
- China
- Prior art keywords
- positioning source
- predicted
- day
- source parameter
- time sequence
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000012937 correction Methods 0.000 title claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000005856 abnormality Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000006403 short-term memory 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
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
- G01S19/235—Calibration of receiver components
-
- 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
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供了一种定位源参数异常检测和修正方法、系统及电子设备，属于卫星定位领域，方法包括：获取待预测日前一天的定位源参数时间序列以及待预测日的真实定位源参数时间序列；根据待预测日前一天的定位源参数时间序列，采用定位源参数预测模型，确定待预测日的预测定位源参数时间序列；定位源参数预测模型为预先采用训练样本集对N‑Beats模型进行训练得到的；根据真实定位源参数时间序列及预测定位源参数时间序列，确定异常定位源参数；采用预测定位源参数时间序列对异常定位源参数进行修正，以得到待预测日修正后的定位源参数时间序列。本发明提高了定位源参数异常检测的精度及效率，进而提高了卫星定位的可靠性。
Description
技术领域
本发明涉及卫星定位领域，特别是涉及一种基于N-Beats的定位源参数异常检测和修正方法、系统及电子设备。
背景技术
卫星导航系统是现代社会中不可或缺的一部分，其在交通、通讯、军事、地理信息系统等领域的应用越来越广泛。卫星定位技术是卫星导航系统的核心技术之一，其准确性和可靠性对于满足各种应用需求具有重要意义。然而，在实际运行过程中，定位源参数可能受到太阳磁暴、单粒子翻转等空间天气因素的影响而出现异常，导致平台内所有仪器定位出现异常，定位精度会受到影响，异常的类型大致分为两种，一种是数据异常，另一种是时间异常。1988年，风云一号A星遭遇了“单粒子翻转”并姿态失控，仅工作了39天后就发生故障并最终失效。太阳磁暴会引起地球磁场的剧烈变化，导致卫星轨道的不稳定和偏移，使得定位源参数出现异常，从而影响卫星定位的准确性和可靠性。因此，定位源参数异常检测及修正任务成为了卫星导航领域的研究热点之一。
目前，针对卫星遥测数据异常检测已有大量研究。传统的异常检测及修正方法主要基于统计学原理，例如滑动窗口、卡尔曼滤波、最小二乘法等。Yang等人在2018年利用遥测数据相关性对卫星遥感数据进行异常检测。Sara等人在2019年提出基于优化极值学习机的卫星遥测异常检测方法。Chen等人在2020年首次将贝叶斯神经网络引入到卫星遥测数据异常检测领域。Sun等人在2021年采用一种融合主成分分析的相关概率模型方法进行多维遥测序列的异常检测。Yang等人在2021年将长短期记忆网络的高度非线性建模和预测能力与多尺度异常检测策略相结合，提高了检测性能。He等人在2022年针对遥测数据中的混合异常，提出了基于稀疏特征的异常检测方法。这些方法在一定程度上可以对定位源参数进行异常检测和修正，但会存在检测精度不高、修正速度较慢、可解释性差等问题。
此外，在工程应用上更多采用的是传统人工监测结合阈值判断的方法和专家系统等方法进行定位源参数的异常检测。人工监测结合阈值设定的过程较为繁琐，难度较大，往往要依靠专家的多年经验来确定阈值。专家系统方法对于未知异常的检测能力较弱，只能不断更新规则库来增强系统的异常检测能力。这两种方法在应用中存在人工干预因素过多，监测成本高、持续性差、适应性差，可维护性不强的缺点。采用阈值的方式剔除异常值会有许多漏报情况，直接影响定位计算进而影响定位精度。并且定位源参数时序缺失时，无法进行有效定位。
发明内容
本发明的目的是提供一种定位源参数异常检测和修正方法、系统及电子设备，可提高定位源参数异常检测的精度及效率，进而提高卫星定位的可靠性。
为实现上述目的，本发明提供了如下方案：
一种定位源参数异常检测和修正方法，包括：
获取待预测日前一天的定位源参数时间序列以及待预测日的真实定位源参数时间序列；
根据所述待预测日前一天的定位源参数时间序列，采用定位源参数预测模型，确定所述待预测日的预测定位源参数时间序列；所述定位源参数预测模型为预先采用训练样本集，对N-Beats模型进行训练得到的；所述训练样本集中包括历史多天的定位源参数时间序列；
根据所述待预测日的真实定位源参数时间序列及所述待预测日的预测定位源参数时间序列，确定所述待预测日的异常定位源参数；
采用所述待预测日的预测定位源参数时间序列，对所述待预测日的异常定位源参数进行修正，以得到所述待预测日修正后的定位源参数时间序列。
可选地，所述待预测日前一天的定位源参数时间序列包括所述待预测日前一天内每秒的定位源参数；其中，定位源参数包括卫星在轨道上的位置信息、速度信息及卫星的姿态角信息。
可选地，N-Beats模型的训练过程包括：
获取历史多天的初步定位源参数时间序列；
对历史多天的初步定位源参数时间序列进行异常值替换处理，得到历史多天的定位源参数时间序列；
采用历史多天的定位源参数时间序列对N-Beats模型进行迭代训练，以得到定位源参数预测模型；所述定位源参数预测模型为训练好的N-Beats模型。
可选地，对历史多天的初步定位源参数时间序列进行异常值替换处理，得到历史多天的定位源参数时间序列，具体包括：
针对历史任一天的初步定位源参数时间序列，计算所述初步定位源参数时间序列的一阶差分，得到差分序列；
根据所述差分序列，确定高点阈值及低点阈值；所述高点阈值为所述差分序列的75％分位数加1.5倍四分位距，所述低点阈值为所述差分序列的25％分位数减1.5倍四分位距；
根据所述高点阈值及所述低点阈值，确定所述初步定位源参数时间序列中的异常值；
对所述初步定位源参数时间序列中的异常值进行线性插值处理，得到对应的定位源参数时间序列。
可选地，所述待预测日的预测定位源参数时间序列中包括所述待预测日内每秒的预测定位源参数；所述待预测日的真实定位源参数时间序列中包括所述待预测日内的多个真实定位源参数，每个真实定位源参数对应所述待预测日内的一秒。
可选地，根据所述待预测日的真实定位源参数时间序列及所述待预测日的预测定位源参数时间序列，确定所述待预测日的异常定位源参数，具体包括：
针对所述待预测日内的任一秒，判断所述待预测日的真实定位源参数时间序列中是否存在对应秒的真实定位源参数；
若不存在，则标记对应秒的真实定位源参数为异常定位源参数；
若存在，则判断所述待预测日的真实定位源时间序列中对应秒的真实定位源参数与所述待预测日的预测定位源参数时间序列中对应秒的预测定位源参数的差值是否大于设定阈值范围，若是，则标记对应秒的真实定位源参数为异常定位源参数，否则对应秒的真实定位源参数正常。
可选地，采用所述待预测日的预测定位源参数时间序列，对所述待预测日的异常定位源参数进行修正，具体包括：
针对任一异常定位源参数，采用所述待预测日的预测定位源参数时间序列中与所述异常定位源参数的时刻相同的预测定位源参数替换所述异常定位源参数。
为实现上述目的，本发明还提供了如下方案：
一种定位源参数异常检测和修正系统，包括：
参数获取模块，用于获取待预测日前一天的定位源参数时间序列以及待预测日的真实定位源参数时间序列；
参数预测模块，用于根据所述待预测日前一天的定位源参数时间序列，采用定位源参数预测模型，确定所述待预测日的预测定位源参数时间序列；所述定位源参数预测模型为预先采用训练样本集，对N-Beats模型进行训练得到的；所述训练样本集中包括历史多天的定位源参数时间序列；
异常检测模块，用于根据所述待预测日的真实定位源参数时间序列及所述待预测日的预测定位源参数时间序列，确定所述待预测日的异常定位源参数；
修正模块，用于采用所述待预测日的预测定位源参数时间序列，对所述待预测日的异常定位源参数进行修正，以得到所述待预测日修正后的定位源参数时间序列。
为实现上述目的，本发明还提供了如下方案：
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的定位源参数异常检测和修正方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明根据待预测日前一天的定位源参数时间序列，采用训练好的N-Beats模型，确定待预测日的预测定位源参数时间序列，提高了定位源参数异常检测的精度及效率，再根据真实定位源参数时间序列及预测定位源参数时间序列确定异常定位源参数，采用预测定位源参数时间序列对异常定位源参数进行修正，提高了卫星定位的可靠性。
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，下面将对实施例中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的定位源参数异常检测和修正方法的整体流程图；
图2为本发明提供的定位源参数异常检测和修正方法的详细流程图；
图3为卫星在ECI坐标系下X轴位置测试效果的时间-偏差子图；
图4为卫星在ECI坐标系下X轴速度测试效果的时间-偏差子图；
图5为卫星滚动角测试效果的时间-偏差子图；
图6为本发明提供的定位源参数异常检测和修正系统的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种定位源参数异常检测和修正方法、系统及电子设备，实时检测和修正定位源参数的异常，为卫星地理定位提供可靠的数据输入。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1和图2所示，本实施例提供了一种定位源参数异常检测和修正方法，包括：
步骤100：获取待预测日前一天的定位源参数时间序列以及待预测日的真实定位源参数时间序列。
具体地，所述待预测日前一天的定位源参数时间序列包括所述待预测日前一天内每秒的定位源参数。
所述待预测日的真实定位源参数时间序列中包括所述待预测日内的多个真实定位源参数，每个真实定位源参数对应所述待预测日内的一秒。
本发明涉及的定位源参数由两部分组成：一是在地心惯性坐标系(Earth-Centered Inertial Coordinate System，ECI)下，卫星在轨道上的位置信息和速度信息；二是卫星的姿态角信息，包括滚动角、俯仰角和偏航角。定位源参数以一秒为时间间隔，按天为单位存储。
其中，位置信息包括3个地心惯性坐标系下的位置分量参数(Position_ECI_X、Position_ECI_Y和Position_ECI_Z)。速度信息包括3个地心惯性坐标系下的速度分量参数(Velocity_ECI_X、Velocity_ECI_Y和Velocity_ECI_Z)。姿态角信息包括3个轨道坐标系下的角度分量参数(Roll angle、Pitch angle和Yaw angle)。其中，Position_ECI_X为卫星的X轴坐标，Position_ECI_Y为卫星的Y轴坐标，Position_ECI_Z为卫星的Z轴坐标，Velocity_ECI_X为卫星在X轴的速度，Velocity_ECI_Y为卫星在Y轴的速度，Velocity_ECI_Z为卫星在Z轴的速度，Roll angle为卫星的滚动角，Pitch angle为卫星的俯仰角，Yaw angle为卫星的偏航角。
步骤200：根据所述待预测日前一天的定位源参数时间序列，采用定位源参数预测模型，确定所述待预测日的预测定位源参数时间序列。具体地，将前一天的定位源参数输入到定位源参数预测模型中，按一秒间隔预测一天的定位源参数时间序列，总长度为86400。
定位源参数预测模型为预先采用训练样本集，对N-Beats模型进行训练得到的。所述训练样本集中包括历史多天的定位源参数时间序列。
N-Beats是一种基于神经网络的时间序列预测算法，其核心思想是通过多层全连接进行时间序列分解，将时间序列分解为一组基函数，以捕捉不同模式，通过学习基函数的线性组合，预测未来的时间序列值。这种方法使模型能在多个尺度上捕捉时间序列的动态特征，从而提高预测性能。
N-Beats模型由多个Stack组成，每个Stack又由多个Block组成。每个Block对输入的序列进行处理后，输出一个forecast(预测未来的序列)，以及一个backcast(预测过去的序列)。每个Block的输入是上一层Block的输入减上一层Block的输出。通过这种方式，模型每层需要处理的是上一层无法正确拟合的残差，最终将各个Block的输出相加得到预测结果。
N-Beats模型的训练过程包括：
(1)获取历史多天的初步定位源参数时间序列。本发明选取历史连续10天的初步定位源参数时间序列。
(2)对历史多天的初步定位源参数时间序列进行异常值替换处理，得到历史多天的定位源参数时间序列。
具体地，针对历史任一天的初步定位源参数时间序列，计算所述初步定位源参数时间序列的一阶差分，得到差分序列。
根据所述差分序列，确定高点阈值及低点阈值。所述高点阈值为所述差分序列的75％分位数加1.5倍四分位距，所述低点阈值为所述差分序列的25％分位数减1.5倍四分位距。
根据所述高点阈值及所述低点阈值，确定所述初步定位源参数时间序列中的异常值。
对所述初步定位源参数时间序列中的异常值进行线性插值处理，得到对应的定位源参数时间序列。
具体地，找出差分序列中大于高点阈值或小于低点阈值的索引，即异常点的索引。当有连续多个变化幅度过大的点时，记录异常点起始和结束的索引。根据异常起始索引和异常结束索引找到异常值前后的正常值，并对其进行线性插值，生成一个线性插值序列，用于替换异常值。
每个初步定位源参数时间序列的长度理想是有86400个数据，但实际会有一些异常值和缺失值，在经过数据预处理后会形成一天86400个数据的秒间隔的时间序列。
(3)采用历史多天的定位源参数时间序列对N-Beats模型进行迭代训练，以得到定位源参数预测模型。所述定位源参数预测模型为训练好的N-Beats模型。
具体地，首先设置N-Beats模型的超参数：预测长度H、每个Block输入时间序列长度N×H、学习率lr和损失函数L，N是一个整数倍数(一般选2～7之间的整数)。然后将历史多天的定位源参数时间序列划分成多个N×H长度的时间序列，按次序输入到每个Block中进行预测。
步骤(3)具体包括：
a)初始化神经网络参数，包括权重和偏置项。
b)将输入的时间序列传递给神经网络，得到基本模式和预测定位源参数。
c)根据真实定位源参数和与预测定位源参数计算损失函数。
d)使用梯度下降法更新神经网络参数。
e)重复步骤b)至步骤d)，直到满足收敛条件。
本发明将历史多天的定位源参数时间序列按照9:1的比例划分为训练集和测试集。测试集为一天的数据，长度为86400，将测试集前一天的时间序列输入N-Beats模型，预测出长度为86400的序列。预测序列作为预测值，测试集中与其时间相同的序列作为真实值。采用平均绝对误差和均方根误差评估模型的性能，若两个指标均达到预期数值，则保存模型。否则，调整权重和偏置项。
其中，采用公式计算平均绝对误差MAE，采用公式计算均方根误差RMSE；其中，M为样本数，即预测序列中的定位源参数数量，/>为预测值，yi为真实值。
进一步根据前次N-Beats模型的评估结果，调整超参数并重新训练N-Beats模型。
步骤300：根据所述待预测日的真实定位源参数时间序列及所述待预测日的预测定位源参数时间序列，确定所述待预测日的异常定位源参数。
所述待预测日的预测定位源参数时间序列中包括所述待预测日内每秒的预测定位源参数。
具体地，步骤300包括：
针对所述待预测日内的任一秒，判断所述待预测日的真实定位源参数时间序列中是否存在对应秒的真实定位源参数。
若不存在，则标记对应秒的真实定位源参数为异常定位源参数。
若存在，则判断所述待预测日的真实定位源时间序列中对应秒的真实定位源参数与所述待预测日的预测定位源参数时间序列中对应秒的预测定位源参数的差值是否大于设定阈值范围，若是，则标记对应秒的真实定位源参数为异常定位源参数，否则对应秒的真实定位源参数正常。
即本发明以预测定位源参数时间序列为基准，将当天真实定位源参数缺失的时间标记为异常，将真实定位源参数与预测定位源参数偏差超过给定阈值范围的也标记为异常。
步骤400：采用所述待预测日的预测定位源参数时间序列，对所述待预测日的异常定位源参数进行修正，以得到所述待预测日修正后的定位源参数时间序列。
具体地，针对任一异常定位源参数，采用所述待预测日的预测定位源参数时间序列中与所述异常定位源参数的时刻相同的预测定位源参数替换所述异常定位源参数。
综上，本发明提供的定位源参数异常检测和修正方法包括模型训练和应用两个阶段。在训练阶段，首先对历史多天的初步定位源参数时间序列进行预处理，接着使用预处理后的定位源参数时间序列训练N-Beats模型，并调整关键参数以优化模型。在应用阶段，将前一天的定位源参数时间序列输入训练好的N-Beats模型(定位源参数预测模型)，预测当天的定位源参数时间序列，然后将预测结果与真实值进行比较，检测异常并标记。最后，用预测值替换异常的真实值，得到修正后的定位源参数。
N-Beats模型通过学习大量历史数据，能够捕捉到潜在的时间序列模式和趋势，从而实现对未来定位源参数的高精度预测，并且，N-Beats模型具有较强的泛化能力，可以应用于不同类型的定位源参数数据。N-Beats模型在处理大规模时间序列数据方面表现出高效性，能将时间序列分解为基础函数的线性组合，提高可解释性，同时具备处理缺失值和异常值的鲁棒性。此外，N-Beats模型在多个时间序列预测竞赛中表现优异，具有较高的预测准确性。本发明采用N-Beats模型对定位源参数时间序列进行预测，提高了卫星地理定位的可靠性。
为了验证本发明的准确性和有效性，将本发明提供的定位源参数异常检测和修正方法与经典的时间序列预测方法ARIMA进行了对比。二者均使用2022年11月18日至11月27日共10天的数据用于模型训练，使用2022年11月28日至-11月29日共2天的数据来评测模型应用的效果。
以2022年11月28日一天内卫星在ECI坐标系下的X轴坐标为例进行测试，测试结果表明真实数据的分布曲线和N-Beats模型的预测曲线更为接近，而ARIMA模型的预测数据和真实数据在波峰和波谷处存在明显不重合现象。ARIMA的偏差随预测时间的增长明显增大，而N-Beats模型的预测偏差始终保持在一个较小的稳定水平。N-beats模型的预测误差在这个数据量级是可以接受的，说明N-beats模型很适合对定位源参数的异常数据进行检测和修正。
再以2022年11月29日一天内卫星在ECI坐标系下的X轴坐标、X轴速度和卫星的滚动角为例进行测试，图3至图5展示了N-Beats模型异常检测和修正后的效果。真实的定位源数据中有异常值和大段缺失的部分，经过异常检测和修正后的数据，既用预测值替换了异常值也补全了缺失值。在时间-偏差子图中，可以看出当偏差值不为0时，都标记为异常点，当偏差不存在时说明此段时间存在数据缺失。
在卫星地理定位任务中，当定位源参数出现大段时序缺失时，无法对该时段数据进行有效定位，而本发明可以解决此问题。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种定位源参数异常检测和修正系统。
如图6所示，本实施例提供的定位源参数异常检测和修正系统包括：参数获取模块1、参数预测模块2、异常检测模块3及修正模块4。
其中，参数获取模块1用于获取待预测日前一天的定位源参数时间序列以及待预测日的真实定位源参数时间序列。
参数预测模块2用于根据所述待预测日前一天的定位源参数时间序列，采用定位源参数预测模型，确定所述待预测日的预测定位源参数时间序列。所述定位源参数预测模型为预先采用训练样本集，对N-Beats模型进行训练得到的；所述训练样本集中包括历史多天的定位源参数时间序列。
异常检测模块3用于根据所述待预测日的真实定位源参数时间序列及所述待预测日的预测定位源参数时间序列，确定所述待预测日的异常定位源参数。
修正模块4用于采用所述待预测日的预测定位源参数时间序列，对所述待预测日的异常定位源参数进行修正，以得到所述待预测日修正后的定位源参数时间序列。
相对于现有技术，本实施例提供的定位源参数异常检测和修正系统与实施例一提供的定位源参数异常检测和修正方法的有益效果相同，在此不再赘述。
实施例三
本实施例提供一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例一的定位源参数异常检测和修正方法。
可选地，上述电子设备可以是服务器。
另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的定位源参数异常检测和修正方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种定位源参数异常检测和修正方法，其特征在于，所述定位源参数异常检测和修正方法包括：
获取待预测日前一天的定位源参数时间序列以及待预测日的真实定位源参数时间序列；
根据所述待预测日前一天的定位源参数时间序列，采用定位源参数预测模型，确定所述待预测日的预测定位源参数时间序列；所述定位源参数预测模型为预先采用训练样本集，对N-Beats模型进行训练得到的；所述训练样本集中包括历史多天的定位源参数时间序列；
根据所述待预测日的真实定位源参数时间序列及所述待预测日的预测定位源参数时间序列，确定所述待预测日的异常定位源参数；
采用所述待预测日的预测定位源参数时间序列，对所述待预测日的异常定位源参数进行修正，以得到所述待预测日修正后的定位源参数时间序列。
2.根据权利要求1所述的定位源参数异常检测和修正方法，其特征在于，所述待预测日前一天的定位源参数时间序列包括所述待预测日前一天内每秒的定位源参数；其中，定位源参数包括卫星在轨道上的位置信息、速度信息及卫星的姿态角信息。
3.根据权利要求1所述的定位源参数异常检测和修正方法，其特征在于，N-Beats模型的训练过程包括：
获取历史多天的初步定位源参数时间序列；
对历史多天的初步定位源参数时间序列进行异常值替换处理，得到历史多天的定位源参数时间序列；
采用历史多天的定位源参数时间序列对N-Beats模型进行迭代训练，以得到定位源参数预测模型；所述定位源参数预测模型为训练好的N-Beats模型。
4.根据权利要求3所述的定位源参数异常检测和修正方法，其特征在于，对历史多天的初步定位源参数时间序列进行异常值替换处理，得到历史多天的定位源参数时间序列，具体包括：
针对历史任一天的初步定位源参数时间序列，计算所述初步定位源参数时间序列的一阶差分，得到差分序列；
根据所述差分序列，确定高点阈值及低点阈值；所述高点阈值为所述差分序列的75％分位数加1.5倍四分位距，所述低点阈值为所述差分序列的25％分位数减1.5倍四分位距；
根据所述高点阈值及所述低点阈值，确定所述初步定位源参数时间序列中的异常值；
对所述初步定位源参数时间序列中的异常值进行线性插值处理，得到对应的定位源参数时间序列。
5.根据权利要求1所述的定位源参数异常检测和修正方法，其特征在于，所述待预测日的预测定位源参数时间序列中包括所述待预测日内每秒的预测定位源参数；所述待预测日的真实定位源参数时间序列中包括所述待预测日内的多个真实定位源参数，每个真实定位源参数对应所述待预测日内的一秒。
6.根据权利要求5所述的定位源参数异常检测和修正方法，其特征在于，根据所述待预测日的真实定位源参数时间序列及所述待预测日的预测定位源参数时间序列，确定所述待预测日的异常定位源参数，具体包括：
针对所述待预测日内的任一秒，判断所述待预测日的真实定位源参数时间序列中是否存在对应秒的真实定位源参数；
若不存在，则标记对应秒的真实定位源参数为异常定位源参数；
若存在，则判断所述待预测日的真实定位源时间序列中对应秒的真实定位源参数与所述待预测日的预测定位源参数时间序列中对应秒的预测定位源参数的差值是否大于设定阈值范围，若是，则标记对应秒的真实定位源参数为异常定位源参数，否则对应秒的真实定位源参数正常。
7.根据权利要求5所述的定位源参数异常检测和修正方法，其特征在于，采用所述待预测日的预测定位源参数时间序列，对所述待预测日的异常定位源参数进行修正，具体包括：
针对任一异常定位源参数，采用所述待预测日的预测定位源参数时间序列中与所述异常定位源参数的时刻相同的预测定位源参数替换所述异常定位源参数。
8.一种定位源参数异常检测和修正系统，其特征在于，所述定位源参数异常检测和修正系统包括：
参数获取模块，用于获取待预测日前一天的定位源参数时间序列以及待预测日的真实定位源参数时间序列；
参数预测模块，用于根据所述待预测日前一天的定位源参数时间序列，采用定位源参数预测模型，确定所述待预测日的预测定位源参数时间序列；所述定位源参数预测模型为预先采用训练样本集，对N-Beats模型进行训练得到的；所述训练样本集中包括历史多天的定位源参数时间序列；
异常检测模块，用于根据所述待预测日的真实定位源参数时间序列及所述待预测日的预测定位源参数时间序列，确定所述待预测日的异常定位源参数；
修正模块，用于采用所述待预测日的预测定位源参数时间序列，对所述待预测日的异常定位源参数进行修正，以得到所述待预测日修正后的定位源参数时间序列。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至7中任一项所述的定位源参数异常检测和修正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311429985.5A CN117471502B (zh) | 2023-10-31 | 2023-10-31 | 一种定位源参数异常检测和修正方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311429985.5A CN117471502B (zh) | 2023-10-31 | 2023-10-31 | 一种定位源参数异常检测和修正方法、系统及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117471502A CN117471502A (zh) | 2024-01-30 |
| CN117471502B true CN117471502B (zh) | 2024-04-02 |
Family
ID=89626854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311429985.5A Active CN117471502B (zh) | 2023-10-31 | 2023-10-31 | 一种定位源参数异常检测和修正方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117471502B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108776694A (zh) * | 2018-06-05 | 2018-11-09 | 哈尔滨工业大学 | 一种时间序列异常点检测方法及装置 |
| CN110346821A (zh) * | 2019-07-17 | 2019-10-18 | 贵州理工学院 | 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统 |
| CN111766644A (zh) * | 2020-06-29 | 2020-10-13 | 北京华云星地通科技有限公司 | 基于rest服务的多源卫星数据接收处理方法 |
| CN112101636A (zh) * | 2020-08-26 | 2020-12-18 | 北京航空航天大学 | 一种基于gru和garch的卫星长周期异方差退化预测评估方法 |
| CN113219499A (zh) * | 2021-04-07 | 2021-08-06 | 中铁第四勘察设计院集团有限公司 | 位置时间序列的异常探测方法、装置及计算机存储介质 |
| CN113391622A (zh) * | 2021-06-22 | 2021-09-14 | 中国人民解放军国防科技大学 | 利用多元多步预测技术的航天器姿态系统异常检测方法 |
| CN113902334A (zh) * | 2021-10-28 | 2022-01-07 | 上海众源网络有限公司 | 一种事件异常波动检测方法、系统、电子设备及存储介质 |
| CN114004383A (zh) * | 2020-07-14 | 2022-02-01 | 华为技术有限公司 | 时间序列预测模型的训练方法、时间序列预测方法及装置 |
| CN114297264A (zh) * | 2021-12-30 | 2022-04-08 | 中冶赛迪重庆信息技术有限公司 | 一种时序信号异常片段检测方法及系统 |
| CN114298411A (zh) * | 2021-12-28 | 2022-04-08 | 人木咨询(北京)有限公司 | 一种基于n-beats的gdp预测方法 |
| CN114648156A (zh) * | 2022-03-02 | 2022-06-21 | 贵州电网有限责任公司 | 一种基于卷积神经网络的时间序列负荷预测方法 |
| WO2022156480A1 (zh) * | 2021-01-25 | 2022-07-28 | 华为技术有限公司 | 钟差预报方法和装置 |
| CN115600725A (zh) * | 2022-09-09 | 2023-01-13 | 河北工业大学（Cn） | 一种基于ceemdan-igwo-n-beats的风电场超短期风向预测方法 |
| CN115617867A (zh) * | 2022-09-22 | 2023-01-17 | 南京上铁电子工程有限公司 | 时间序列的预测方法、电子设备和存储介质 |
| CN116451848A (zh) * | 2023-03-29 | 2023-07-18 | 北京信息科技大学 | 一种基于时空注意力机制的卫星遥测数据预测方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4803212B2 (ja) * | 2008-05-28 | 2011-10-26 | ソニー株式会社 | データ処理装置、データ処理方法、及びプログラム |
| US20230244947A1 (en) * | 2022-01-28 | 2023-08-03 | Salesforce, Inc. | Systems and methods for time series forecasting |
-
2023
- 2023-10-31 CN CN202311429985.5A patent/CN117471502B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108776694A (zh) * | 2018-06-05 | 2018-11-09 | 哈尔滨工业大学 | 一种时间序列异常点检测方法及装置 |
| CN110346821A (zh) * | 2019-07-17 | 2019-10-18 | 贵州理工学院 | 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统 |
| CN111766644A (zh) * | 2020-06-29 | 2020-10-13 | 北京华云星地通科技有限公司 | 基于rest服务的多源卫星数据接收处理方法 |
| CN114004383A (zh) * | 2020-07-14 | 2022-02-01 | 华为技术有限公司 | 时间序列预测模型的训练方法、时间序列预测方法及装置 |
| CN112101636A (zh) * | 2020-08-26 | 2020-12-18 | 北京航空航天大学 | 一种基于gru和garch的卫星长周期异方差退化预测评估方法 |
| WO2022156480A1 (zh) * | 2021-01-25 | 2022-07-28 | 华为技术有限公司 | 钟差预报方法和装置 |
| CN113219499A (zh) * | 2021-04-07 | 2021-08-06 | 中铁第四勘察设计院集团有限公司 | 位置时间序列的异常探测方法、装置及计算机存储介质 |
| CN113391622A (zh) * | 2021-06-22 | 2021-09-14 | 中国人民解放军国防科技大学 | 利用多元多步预测技术的航天器姿态系统异常检测方法 |
| CN113902334A (zh) * | 2021-10-28 | 2022-01-07 | 上海众源网络有限公司 | 一种事件异常波动检测方法、系统、电子设备及存储介质 |
| CN114298411A (zh) * | 2021-12-28 | 2022-04-08 | 人木咨询(北京)有限公司 | 一种基于n-beats的gdp预测方法 |
| CN114297264A (zh) * | 2021-12-30 | 2022-04-08 | 中冶赛迪重庆信息技术有限公司 | 一种时序信号异常片段检测方法及系统 |
| CN114648156A (zh) * | 2022-03-02 | 2022-06-21 | 贵州电网有限责任公司 | 一种基于卷积神经网络的时间序列负荷预测方法 |
| CN115600725A (zh) * | 2022-09-09 | 2023-01-13 | 河北工业大学（Cn） | 一种基于ceemdan-igwo-n-beats的风电场超短期风向预测方法 |
| CN115617867A (zh) * | 2022-09-22 | 2023-01-17 | 南京上铁电子工程有限公司 | 时间序列的预测方法、电子设备和存储介质 |
| CN116451848A (zh) * | 2023-03-29 | 2023-07-18 | 北京信息科技大学 | 一种基于时空注意力机制的卫星遥测数据预测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| "GNSS定位定时中的对流层延迟模型优化研究";苏行;《中国博士论文全文数据库》;20230215;全文 * |
| "基于改进N-Beats网络的短期电力负荷预测方法研究";李永博;《中国优秀硕士论文全文数据库》;20230715;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117471502A (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107622308B (zh) | 一种基于dbn网络的发电设备参数预警方法 | |
| EP3349126B1 (en) | Method, device, storage medium, and apparatus for automatically discovering fuel station poi | |
| CN108074015B (zh) | 一种风电功率超短期预测方法及系统 | |
| CN111024124B (zh) | 一种多传感器信息融合的组合导航故障诊断方法 | |
| CN116032557A (zh) | 一种网络安全异常检测中深度学习模型的更新方法与装置 | |
| CN111366156A (zh) | 基于神经网络辅助的变电站巡检机器人导航方法及系统 | |
| CN111458661A (zh) | 一种配电网线变关系诊断方法、装置及系统 | |
| CN111913175A (zh) | 一种传感器短暂失效下带补偿机制的水面目标跟踪方法 | |
| CN114035550B (zh) | 一种基于eso的自主式水下机器人执行机构故障诊断方法 | |
| CN111680398A (zh) | 一种基于Holt-Winters模型的单机性能退化预测方法 | |
| CN117471502B (zh) | 一种定位源参数异常检测和修正方法、系统及电子设备 | |
| CN113887119A (zh) | 一种基于sarima-lstm的河流水质预测方法 | |
| CN115755131A (zh) | 一种卫星定位的方法、装置及介质 | |
| CN116026325A (zh) | 一种基于神经过程与卡尔曼滤波的导航方法及相关装置 | |
| CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
| CN106874531B (zh) | 一种大气数据系统在故障时的异常测量值数据自恢复方法 | |
| CN115236772A (zh) | 一种漂流观测仪数据质量控制系统及其方法 | |
| Lu et al. | Aero engine gas path performance tracking based on multi-sensor asynchronous integration filtering approach | |
| CN114255616A (zh) | 一种无动力船舶轨迹预测方法、装置、设备及存储介质 | |
| CN110928269A (zh) | 一种基于惯导平台的退化加速试验优化设计方法及系统 | |
| CN113804188B (zh) | 一种基于随机分布节点的水下机器人导航方法 | |
| CN113742326B (zh) | 功率优化器及其功率缺失值填充方法、装置 | |
| Liu et al. | Research on combined location method of dual rail inspection vehicle based on adaptive Kalman filter | |
| Feng et al. | Sequential fault-tolerant fusion estimation for multisensor time-varying systems | |
| CN108332776B (zh) | Mems陀螺随机误差组合预测模型的构建方法 |
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 |