CN117572470B - 应用于人工智能的北斗系统定位更新方法及系统 - Google Patents

应用于人工智能的北斗系统定位更新方法及系统 Download PDF

Info

Publication number
CN117572470B
CN117572470B CN202410055066.4A CN202410055066A CN117572470B CN 117572470 B CN117572470 B CN 117572470B CN 202410055066 A CN202410055066 A CN 202410055066A CN 117572470 B CN117572470 B CN 117572470B
Authority
CN
China
Prior art keywords
space
time
positioning
current
description
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
CN202410055066.4A
Other languages
English (en)
Other versions
CN117572470A (zh
Inventor
李华栈
苏鑫煌
蔡升沿
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.)
Guangdong Bangsheng Beidou Technology Co ltd
Original Assignee
Guangdong Bangsheng Beidou Technology Co ltd
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 Guangdong Bangsheng Beidou Technology Co ltd filed Critical Guangdong Bangsheng Beidou Technology Co ltd
Priority to CN202410055066.4A priority Critical patent/CN117572470B/zh
Publication of CN117572470A publication Critical patent/CN117572470A/zh
Application granted granted Critical
Publication of CN117572470B publication Critical patent/CN117572470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • 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
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/396—Determining accuracy or reliability of position or pseudorange measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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"
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0283—Filters characterised by the filter structure
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明涉及数据处理技术领域，具体涉及应用于人工智能的北斗系统定位更新方法及系统，首先获取了历史和当前的时空定位数据，并使用第一目标定位算法确定了他们各自的热力关系图，以直观地反映出数据的分布特征。接着，计算了历史和当前热力关系图之间的训练误差，这一步有助于量化预测结果与实际结果的差异。最后，依据这两个训练误差对第一目标定位算法进行调试，得到AI北斗系统定位预测算法。整个过程中，不断优化模型，提高预测的准确性，使得北斗系统可以更精确地进行时空定位预测。同时，该方案能够应对不同的时空数据变化，具有很好的适应性和稳定性。

Description

应用于人工智能的北斗系统定位更新方法及系统
技术领域
本发明涉及数据处理技术领域，特别涉及一种应用于人工智能的北斗系统定位更新方法及系统。
背景技术
当前，人工智能（AI）已被广泛应用于各种领域，包括物联网、智慧城市等。其中，位置信息的获取和处理是许多应用的关键环节。北斗系统作为全球卫星导航系统之一，其提供的精准定位服务在这些领域中发挥着重要作用。然而，由于地理环境、气候变化、硬件设备的性能等因素的影响，北斗系统在实时定位过程中可能会出现误差，这就需要不断更新和优化定位算法以提高定位预测的精度。
传统的北斗系统定位方法通常使用固定的算法对历史和当前的时空定位数据进行处理，但这种方法往往忽略了历史数据和当前数据之间可能存在的复杂关系，比如热力关系图之间的偏差。因此，这种方法在面对复杂环境下的定位预测时，可能会出现预测结果偏离真实值的情况，从而影响到物联网、智慧城市等场景中的定位预测应用。
此外，现有技术中也存在一种根据历史时空定位节点的热力关系图确定当前时空定位轨迹段的热力关系图的方法，然而这种方法在评估偏差时，往往只考虑了从历史到当前的一种情况，而忽视了从当前到历史的另一种情况，这可能会导致评估结果不够全面和准确，进而影响到定位算法的优化和调试。
因此，急需一种能全面、合理地评估历史和当前时空定位节点热力关系图之间偏差的方法，以便进行更准确的定位预测，并降低预测结果存在偏移的概率，从而提高物联网、智慧城市等场景中北斗系统定位预测的精度和效率。
发明内容
为改善相关技术中存在的技术问题，本发明提供了一种应用于人工智能的北斗系统定位更新方法及系统。
第一方面，本发明实施例提供了一种应用于人工智能的北斗系统定位更新方法，应用于北斗系统定位更新系统，所述方法包括：
获取第一历史时空定位数据和第一当前时空定位数据，所述第一历史时空定位数据和所述第一当前时空定位数据的定位区域一致，所述第一历史时空定位数据包括多个第一历史时空定位节点，所述第一当前时空定位数据包括多个第一当前时空定位轨迹段；
利用第一目标定位算法确定所述第一历史时空定位数据包括的各个第一历史时空定位节点的热力关系图，所述第一历史时空定位节点的热力关系图用于表征所述第一历史时空定位节点且满足预设热力条件；
利用所述第一目标定位算法确定所述第一当前时空定位数据包括的各个第一当前时空定位轨迹段的热力关系图，所述第一当前时空定位轨迹段的热力关系图用于表征所述第一当前时空定位轨迹段且满足所述预设热力条件；
确定从所述各个第一历史时空定位节点的热力关系图到所述各个第一当前时空定位轨迹段的热力关系图的第一时空描述训练误差以及从所述各个第一当前时空定位轨迹段的热力关系图到所述各个第一历史时空定位节点的热力关系图的第二时空描述训练误差；
依据所述第一时空描述训练误差和所述第二时空描述训练误差对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法，所述AI北斗系统定位预测算法用于依据待处理时空定位数据生成时空定位预测结果。
在一些方案下，所述利用第一目标定位算法确定所述第一历史时空定位数据包括的各个第一历史时空定位节点的热力关系图，包括：
利用所述第一目标定位算法对所述第一历史时空定位数据进行时空图像描述挖掘，得到所述各个第一历史时空定位节点的历史时空图像描述向量；
利用所述第一目标定位算法对所述各个第一历史时空定位节点的历史时空图像描述向量进行热力特征转换，得到所述各个第一历史时空定位节点的热力关系图。
在一些方案下，所述方法还包括：
依据所述各个第一历史时空定位节点的热力关系图和所述各个第一当前时空定位轨迹段的热力关系图，对所述各个第一历史时空定位节点和所述各个第一当前时空定位轨迹段进行匹配，得到各个第一历史时空定位节点对应第一当前时空定位轨迹段的第一个数；
依据所述各个第一历史时空定位节点的历史时空图像描述向量，确定各个第一历史时空定位节点对应第一当前时空定位轨迹段的第二个数；
确定所述各个第一历史时空定位节点对应第一当前时空定位轨迹段的第一个数和第二个数之间的统计训练误差；
所述依据所述第一时空描述训练误差和所述第二时空描述训练误差对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法，包括：
依据所述统计训练误差、所述第一时空描述训练误差和所述第二时空描述训练误差对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法。
在一些方案下，所述利用所述第一目标定位算法确定所述第一当前时空定位数据包括的各个第一当前时空定位轨迹段的热力关系图，包括：
对所述第一当前时空定位数据进行时空图像描述挖掘，得到所述各个第一当前时空定位轨迹段的当前时空图像描述向量；
利用所述第一目标定位算法对所述各个第一当前时空定位轨迹段的当前时空图像描述向量进行热力特征转换，得到所述各个第一当前时空定位轨迹段的热力关系图。
在一些方案下，所述第一当前时空定位数据为第一先验时空定位更新数据或者所述第一先验时空定位更新数据的推演结果，所述第一目标定位算法包括第一时空描述识别组件；
所述方法还包括：
通过所述第一时空描述识别组件对所述各个第一当前时空定位轨迹段的当前时空图像描述向量进行识别，得到第一当前时空定位预测数据；
确定所述第一先验时空定位更新数据和所述第一当前时空定位预测数据之间的第一定位预测训练误差；
所述依据所述第一时空描述训练误差和所述第二时空描述训练误差对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法，包括：
依据所述第一定位预测训练误差、所述第一时空描述训练误差和所述第二时空描述训练误差，对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法。
在一些方案下，所述第一时空描述识别组件包括第一特征调整节点、至少两个第一滑动滤波节点和第一定位预测节点，任一个第一滑动滤波节点包括至少两个相同膨胀因子不同滑动滤波窗口大小的滑动滤波算子，不同第一滑动滤波节点的滑动滤波算子对应不同膨胀因子；
所述通过所述第一时空描述识别组件对所述各个第一当前时空定位轨迹段的当前时空图像描述向量进行识别，得到第一当前时空定位预测数据，包括：
通过所述第一特征调整节点将所述各个第一当前时空定位轨迹段的当前时空图像描述向量调整成第一特征维度的时空图像描述调整向量；
通过第一个第一滑动滤波节点包括的各个滑动滤波算子，对所述第一特征维度的时空图像描述调整向量进行膨胀滑动滤波，得到各个滑动滤波算子对应的膨胀滑动滤波向量，将所述各个滑动滤波算子对应的膨胀滑动滤波向量进行求和，得到所述第一个第一滑动滤波节点的中间描述向量；
对于除所述第一个第一滑动滤波节点以外的任一个第一滑动滤波节点，通过所述任一个第一滑动滤波节点包括的各个滑动滤波算子，对上一个第一滑动滤波节点的中间描述向量进行膨胀滑动滤波，得到各个滑动滤波算子对应的膨胀滑动滤波向量，将所述各个滑动滤波算子对应的膨胀滑动滤波向量进行求和，得到所述任一个第一滑动滤波节点的中间描述向量；
通过所述第一定位预测节点将末尾的第一滑动滤波节点的中间描述向量调整成所述第一当前时空定位预测数据。
在一些方案下，所述依据所述第一时空描述训练误差和所述第二时空描述训练误差对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法，包括：
依据所述第一时空描述训练误差和所述第二时空描述训练误差改进所述第一目标定位算法的算法变量，得到第二目标定位算法，所述第二目标定位算法包括时空描述向量处理组件和第二时空描述识别组件；
获取第二当前时空定位数据，所述第二当前时空定位数据为第二先验时空定位更新数据或者所述第二先验时空定位更新数据的推演结果，所述第二当前时空定位数据包括多个第二当前时空定位轨迹段；
对所述第二当前时空定位数据进行时空图像描述挖掘，得到各个第二当前时空定位轨迹段的当前时空图像描述向量；
通过所述第二时空描述识别组件对所述各个第二当前时空定位轨迹段的当前时空图像描述向量进行识别，得到第二当前时空定位预测数据；
确定所述第二先验时空定位更新数据和所述第二当前时空定位预测数据之间的第二定位预测训练误差；
依据所述第二定位预测训练误差改进所述第二时空描述识别组件的算法变量，得到第三时空描述识别组件；
依据所述时空描述向量处理组件和所述第三时空描述识别组件，确定所述AI北斗系统定位预测算法。
在一些方案下，所述方法还包括：
获取第二历史时空定位数据，所述第二历史时空定位数据和所述第二当前时空定位数据的定位区域一致，所述第二历史时空定位数据包括多个第二历史时空定位节点；
通过所述时空描述向量处理组件确定所述第二历史时空定位数据包括的各个第二历史时空定位节点的热力关系图，对所述各个第二当前时空定位轨迹段的当前时空图像描述向量进行热力特征转换，得到所述各个第二当前时空定位轨迹段的热力关系图；
确定从所述各个第二历史时空定位节点的热力关系图到所述各个第二当前时空定位轨迹段的热力关系图的第三时空描述训练误差以及从所述各个第二当前时空定位轨迹段的热力关系图到所述各个第二历史时空定位节点的热力关系图的第四时空描述训练误差；
所述依据所述第二定位预测训练误差改进所述第二时空描述识别组件的算法变量，得到第三时空描述识别组件，包括：
依据所述第三时空描述训练误差、所述第四时空描述训练误差和所述第二定位预测训练误差改进所述第二时空描述识别组件的算法变量，得到第三时空描述识别组件。
在一些方案下，所述依据所述时空描述向量处理组件和所述第三时空描述识别组件，确定所述AI北斗系统定位预测算法，包括：
获取第三当前时空定位数据，所述第三当前时空定位数据为第三先验时空定位更新数据或者所述第三先验时空定位更新数据的推演结果，所述第三当前时空定位数据包括多个第三当前时空定位轨迹段；
对所述第三当前时空定位数据进行时空图像描述挖掘，得到各个第三当前时空定位轨迹段的当前时空图像描述向量；
通过所述第三时空描述识别组件对所述各个第三当前时空定位轨迹段的当前时空图像描述向量进行识别，得到第三当前时空定位预测数据；
通过第四时空描述识别组件对所述各个第三当前时空定位轨迹段的当前时空图像描述向量进行识别，得到第四当前时空定位预测数据，所述第四时空描述识别组件的组件变量数小于所述第三时空描述识别组件的组件变量数；
依据所述第三当前时空定位预测数据和所述第四当前时空定位预测数据之间的第三定位预测训练误差；
依据所述第三定位预测训练误差改进所述第四时空描述识别组件的组件变量，得到目标时空描述识别组件；
依据所述时空描述向量处理组件和所述目标时空描述识别组件，确定所述AI北斗系统定位预测算法。
在一些方案下，所述目标时空描述识别组件包括目标特征调整节点、至少两个目标滑动滤波节点和目标定位预测节点，任一个目标滑动滤波节点包括至少两个相同膨胀因子不同滑动滤波窗口大小的滑动滤波算子，不同目标滑动滤波节点的滑动滤波算子对应不同膨胀因子；
所述依据所述时空描述向量处理组件和所述目标时空描述识别组件，确定所述AI北斗系统定位预测算法，包括：
对于所述任一个目标滑动滤波节点，将所述任一个目标滑动滤波节点包括各个滑动滤波算子组装成联动滑动滤波算子，得到全局滑动滤波节点，所述联动滑动滤波算子与所述任一个目标滑动滤波节点包括的滑动滤波算子的膨胀因子相同，且所述联动滑动滤波算子的滑动滤波窗口大小不小于所述任一个目标滑动滤波节点包括的各个滑动滤波算子的滑动滤波窗口大小；
将所述目标特征调整节点、至少两个全局滑动滤波节点和所述目标定位预测节点进行级联，得到目标时空描述识别组件；
依据所述时空描述向量处理组件和所述目标时空描述识别组件，确定所述AI北斗系统定位预测算法。
在一些方案下，所述将所述任一个目标滑动滤波节点包括各个滑动滤波算子组装成联动滑动滤波算子，得到全局滑动滤波节点，包括：
对于所述任一个目标滑动滤波节点包括的滑动滤波窗口大小小于所述联动滑动滤波算子的滑动滤波窗口大小的第一滑动滤波算子，对所述第一滑动滤波算子的滤波核变量进行扩展，得到扩展后的第一滑动滤波算子，所述扩展后的第一滑动滤波算子的滑动滤波窗口大小与所述联动滑动滤波算子的滑动滤波窗口大小一致；
依据所述扩展后的第一滑动滤波算子的滤波核变量和第二滑动滤波算子的滤波核变量，确定所述全局滑动滤波节点，所述第二滑动滤波算子的滑动滤波窗口大小与所述联动滑动滤波算子的滑动滤波窗口大小一致。
第二方面，本发明还提供了一种北斗系统定位更新系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
本发明提供的技术方案中，先利用第一目标定位算法确定第一历史时空定位数据中各个第一历史时空定位节点的热力关系图和第一当前时空定位数据中各个第一当前时空定位轨迹段的热力关系图，再确定各个第一历史时空定位节点的热力关系图和各个第一当前时空定位轨迹段的热力关系图之间的第一时空描述训练误差和第二时空描述训练误差。通过第一时空描述训练误差评估在基于各个第一历史时空定位节点的热力关系图生成各个第一当前时空定位轨迹段的热力关系图的基础上，各个第一历史时空定位节点的热力关系图和各个第一当前时空定位轨迹段的热力关系图之间的偏差。通过第二时空描述训练误差评估在基于各个第一当前时空定位轨迹段的热力关系图生成各个第一历史时空定位节点的热力关系图的基础上，各个第一历史时空定位节点的热力关系图和各个第一当前时空定位轨迹段的热力关系图之间的偏差。换言之，通过第一时空描述训练误差和第二时空描述训练误差能够全面、合理地评估各个第一历史时空定位节点的热力关系图和各个第一当前时空定位轨迹段的热力关系图之间的偏差，使得后续依据第一时空描述训练误差和第二时空描述训练误差对第一目标定位算法进行调试之后，算法可以最小化历史时空定位节点的热力关系图和当前时空定位轨迹段的热力关系图之间的偏差，从而根据历史时空定位节点的热力关系图确定当前时空定位轨迹段的热力关系图，以便准确生成时空定位预测结果。鉴于历史时空定位节点的热力关系图和当前时空定位轨迹段的热力关系图匹配度较高，因此，时空定位预测结果存在偏移的概率显著降低，从而确保了定位预测的精度和效率，以实现定位预测在物联网、智慧城市等场景中的合理应用。
综上，首先获取了历史和当前的时空定位数据，并使用第一目标定位算法确定了他们各自的热力关系图，以直观地反映出数据的分布特征。接着，计算了历史和当前热力关系图之间的训练误差，这一步有助于量化预测结果与实际结果的差异。最后，依据这两个训练误差对第一目标定位算法进行调试，得到AI北斗系统定位预测算法。整个过程中，不断优化模型，提高预测的准确性，使得北斗系统可以更精确地进行时空定位预测。同时，该方案能够应对不同的时空数据变化，具有很好的适应性和稳定性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种应用于人工智能的北斗系统定位更新方法的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与本发明的一些方面相一致的装置和方法的例子。
需要说明的是，本发明的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在北斗系统定位更新系统、计算机设备或者类似的运算装置中执行。以运行在北斗系统定位更新系统上为例，北斗系统定位更新系统可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器，可选地，上述北斗系统定位更新系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述北斗系统定位更新系统的结构造成限定。例如，北斗系统定位更新系统还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。
存储器可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种应用于人工智能的北斗系统定位更新方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至北斗系统定位更新系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括北斗系统定位更新系统的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
基于此，请参阅图1，图1是本发明实施例所提供的一种应用于人工智能的北斗系统定位更新方法的流程示意图，该方法应用于北斗系统定位更新系统，进一步可以包括步骤110-步骤150。
步骤110、获取第一历史时空定位数据和第一当前时空定位数据，所述第一历史时空定位数据和所述第一当前时空定位数据的定位区域一致，所述第一历史时空定位数据包括多个第一历史时空定位节点，所述第一当前时空定位数据包括多个第一当前时空定位轨迹段。
其中，第一历史时空定位数据是从过去收集的时空定位信息，可以包括各种元素，如时间、地点、移动速度等。这些数据可以由北斗定位系统获取，并被用来预测未来的位置或行为。第一当前时空定位数据是实时收集的时空定位信息，与第一历史时空定位数据相比，它反映的是当前或近期的情况。而定位区域是进行定位和预测的特定区域。它可能是一个城市街区，甚至是全球范围内的任何地方。
进一步地，第一历史时空定位节点是在第一历史时空定位数据中的特定点，例如某个特定时间和地点的数据。第一当前时空定位轨迹段是在第一当前时空定位数据中的一段连续的轨迹，例如一段时间内的移动路径。
例如，在一些应用场景下，正在为一个自动驾驶汽车开发导航算法。在这个场景中，第一历史时空定位数据可能是车辆在过去几天内的行驶数据，包括每个时间点车辆的具体位置，这些位置就是第一历史时空定位节点。同时，第一当前时空定位数据则可能是车辆今天的行驶数据，包括车辆从出发点到目前位置的移动路径，这些路径就是第一当前时空定位轨迹段。
在步骤110中，首先获取了过去几天（历史）和今天（当前）的定位数据，并确保这两份数据的定位区域是一致的，比如都是在XX市范围内。这样做的目的是为了让的导航算法能够从相同的地理环境中学习和预测。
步骤120、利用第一目标定位算法确定所述第一历史时空定位数据包括的各个第一历史时空定位节点的热力关系图，所述第一历史时空定位节点的热力关系图用于表征所述第一历史时空定位节点且满足预设热力条件。
其中，各个第一历史时空定位节点的热力关系图是一种视觉化工具，它通过颜色的深浅来表示第一历史时空定位节点的分布密度或某种特性的强度。例如，在应用场景中，深色可能代表出租车经常驻留或者经过的地点，而浅色则表示出租车很少或者从未去过的地方。预设热力条件是创建热力关系图时设定的一些条件，例如颜色的对应关系（比如深色代表高频率，浅色代表低频率），或者颜色变化的阈值等。
以北斗系统为应用场景，例如已经收集到了出租车一周内的行驶数据（即第一历史时空定位数据），并且已经将每个时间点的位置定义为一个第一历史时空定位节点。
在步骤120中，首先要确定预设的热力条件。例如，可以设定：如果一个地点被出租车经过的次数超过50次，那么这个地点在热力图上就显示为最深的颜色；如果一个地点被出租车经过的次数在10到50次之间，那么显示中等深度的颜色；如果经过次数少于10次，则显示最浅的颜色。
接着，就可以利用第一目标定位算法，根据这些第一历史时空定位节点的数据，生成一个热力关系图。这个图可以清晰地表现出哪些地方是出租车的热门行驶区域，哪些地方则相对冷门。这样，就成功地完成了步骤120的任务。
在一些示例下，第一目标定位算法可以为深度学习模型，涉及到多种复杂的计算和预测步骤。深度学习是机器学习的一个子领域，它模仿人脑神经网络的工作原理，通过大量数据的学习和训练，提高了预测的准确性。
基于此，第一目标定位算法包含以下几个部分：
（1）输入层：输入层接收时空定位数据，包括历史和当前的时空定位节点和轨迹段；
（2）隐藏层：隐藏层可以有一层或者多层，每一层都会进行一些特定的计算和转换。例如，它可能会计算两个定位节点之间的距离，或者分析某个轨迹段的走向等；
（3）输出层：输出层产生最后的预测结果，比如下一个时空定位节点或者整个未来的时空定位轨迹；
（4）损失函数和优化器：损失函数用于衡量预测结果与实际结果之间的差距，而优化器则试图通过调整模型的参数来最小化这个差距。
在调试过程中，这个算法会反复地处理历史和当前的定位数据，每次都会根据损失函数的结果调整模型参数，从而逐步提高预测的准确性。一旦训练完成，这个算法就可以用于预测新的时空定位数据了。总的来说，第一目标定位算法作为一个深度学习模型，通过大量数据的学习和训练，能够有效地预测未来的时空定位信息。关于第一目标定位算法的调试训练请参阅后续步骤。
步骤130、利用所述第一目标定位算法确定所述第一当前时空定位数据包括的各个第一当前时空定位轨迹段的热力关系图，所述第一当前时空定位轨迹段的热力关系图用于表征所述第一当前时空定位轨迹段且满足所述预设热力条件。
例如，正在监控北斗系统中某辆出租车的行驶轨迹，这辆出租车的当前时空定位数据就是它在特定时间内经过的所有位置点，每两个连续的位置点组成一个第一当前时空定位轨迹段。
首先，会使用之前在步骤120中定义的预设热力条件。这些条件可能涉及到颜色与出租车在特定地点驻留或经过次数的对应关系，以及颜色变化的阈值等。
然后，会使用第一目标定位算法（即那个已经过训练的深度学习模型），根据这些第一当前时空定位轨迹段的数据，生成一个新的热力关系图。这个图将显示出出租车在特定时间内的行驶热点，即出租车经常停留或者经过的地方。
通过这种方式，步骤130允许实时监控并可视化出租车的行驶状态，同时也为后续的预测和分析提供了基础数据。
步骤140、确定从所述各个第一历史时空定位节点的热力关系图到所述各个第一当前时空定位轨迹段的热力关系图的第一时空描述训练误差以及从所述各个第一当前时空定位轨迹段的热力关系图到所述各个第一历史时空定位节点的热力关系图的第二时空描述训练误差。
其中，第一时空描述训练误差是用来衡量算法预测的热力关系图（基于历史定位节点）和实际的热力关系图（基于当前定位轨迹段）之间的差距。它可能是两个热力图之间的某种距离度量，例如欧氏距离或者曼哈顿距离。第二时空描述训练误差是用来衡量算法预测的热力关系图（基于当前定位轨迹段）和实际的热力关系图（基于历史定位节点）之间的差距。同样，它也可能是两个热力图之间的某种距离度量。
以北斗系统为应用场景，已经按照步骤120和步骤130，生成了基于历史定位节点和基于当前定位轨迹段的两个热力关系图。现在需要评估算法预测的准确性。
首先，计算第一时空描述训练误差。可以选择使用欧氏距离作为距离度量。具体来说，将基于历史定位节点的热力关系图（即预测结果）和基于当前定位轨迹段的热力关系图（即实际结果）进行对比，计算两个热力图中每一个相应位置颜色深浅差异的平方和，再取平方根。
然后，计算第二时空描述训练误差。同样地，也使用欧氏距离作为距离度量。这次，将基于当前定位轨迹段的热力关系图（即预测结果）和基于历史定位节点的热力关系图（即实际结果）进行对比，计算两个热力图中每一个相应位置颜色深浅差异的平方和，再取平方根。
通过这两个训练误差，可以了解到算法在预测热力关系图时的准确性，从而在下一步对算法进行调试和优化。
步骤150、依据所述第一时空描述训练误差和所述第二时空描述训练误差对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法，所述AI北斗系统定位预测算法用于依据待处理时空定位数据生成时空定位预测结果。
其中，AI北斗系统定位预测算法是一个基于人工智能的预测算法，用于处理北斗系统的时空定位数据。这个算法采用深度学习、机器学习或其他AI技术，用于从历史和当前的定位数据中提取模式，并据此对未来的时空定位进行预测。
待处理时空定位数据是指还未输入到AI北斗系统定位预测算法中的时空定位数据。它可以是实时收集的数据，也可以是存储在数据库中待分析的历史数据。
时空定位预测结果是AI北斗系统定位预测算法的输出，表示了根据待处理时空定位数据所做出的预测。例如，它可能预测出未来某一时刻车辆可能的位置，或者预测出某地区在特定时间内的车辆密度等。
例如，已经完成了步骤140，计算出了第一时空描述训练误差和第二时空描述训练误差。这两个训练误差描述了第一目标定位算法在处理历史和当前时空定位数据时的准确性。
在步骤150中，首先会根据这两个训练误差对第一目标定位算法进行调试。例如，如果训练误差过大，可能需要调整算法中的参数，或者改进模型结构；如果训练误差较小，可能会决定保持当前的设置。
调试完成后，就得到了AI北斗系统定位预测算法。当有新的待处理时空定位数据（例如，新收集到的车辆行驶数据）输入时，这个算法就可以根据这些数据生成时空定位预测结果。
例如，输入了明天的天气预报和今天的交通流量数据，AI北斗系统定位预测算法可能会预测出明天某个高速公路节点在早高峰期间的车辆密度。这样，就可以提前做好交通管理和规划，提高道路使用效率，减少拥堵现象。
应用上述实施例，先利用第一目标定位算法确定第一历史时空定位数据中各个第一历史时空定位节点的热力关系图和第一当前时空定位数据中各个第一当前时空定位轨迹段的热力关系图，再确定各个第一历史时空定位节点的热力关系图和各个第一当前时空定位轨迹段的热力关系图之间的第一时空描述训练误差和第二时空描述训练误差。通过第一时空描述训练误差评估在基于各个第一历史时空定位节点的热力关系图生成各个第一当前时空定位轨迹段的热力关系图的基础上，各个第一历史时空定位节点的热力关系图和各个第一当前时空定位轨迹段的热力关系图之间的偏差。通过第二时空描述训练误差评估在基于各个第一当前时空定位轨迹段的热力关系图生成各个第一历史时空定位节点的热力关系图的基础上，各个第一历史时空定位节点的热力关系图和各个第一当前时空定位轨迹段的热力关系图之间的偏差。换言之，通过第一时空描述训练误差和第二时空描述训练误差能够全面、合理地评估各个第一历史时空定位节点的热力关系图和各个第一当前时空定位轨迹段的热力关系图之间的偏差，使得后续依据第一时空描述训练误差和第二时空描述训练误差对第一目标定位算法进行调试之后，算法可以最小化历史时空定位节点的热力关系图和当前时空定位轨迹段的热力关系图之间的偏差，从而根据历史时空定位节点的热力关系图确定当前时空定位轨迹段的热力关系图，以便准确生成时空定位预测结果。鉴于历史时空定位节点的热力关系图和当前时空定位轨迹段的热力关系图匹配度较高，因此，时空定位预测结果存在偏移的概率显著降低，从而确保了定位预测的精度和效率，以实现定位预测在物联网、智慧城市等场景中的合理应用。
在一些可选的实施例中，步骤120中的利用第一目标定位算法确定所述第一历史时空定位数据包括的各个第一历史时空定位节点的热力关系图，包括步骤121-步骤122。
步骤121、利用所述第一目标定位算法对所述第一历史时空定位数据进行时空图像描述挖掘，得到所述各个第一历史时空定位节点的历史时空图像描述向量。
步骤122、利用所述第一目标定位算法对所述各个第一历史时空定位节点的历史时空图像描述向量进行热力特征转换，得到所述各个第一历史时空定位节点的热力关系图。
在北斗系统的应用场景中，步骤120涉及利用第一目标定位算法处理第一历史时空定位数据并生成热力关系图。这个过程可以进一步分解为步骤121和步骤122。
首先，在步骤121中，利用第一目标定位算法对第一历史时空定位数据进行时空图像描述挖掘，得到各个第一历史时空定位节点的历史时空图像描述向量。举例来说，有一个城市的交通流量数据作为第一历史时空定位数据，这些数据可能包括车辆在不同时间、不同地点的数量信息。可以将这些数据视为一种形式的图像，其中每个像素代表特定位置在特定时间的交通流量。然后，可以使用深度学习模型（如卷积神经网络）对这个“图像”进行分析，提取出描述这个“图像”的特征向量。这个特征向量就是所说的历史时空图像描述向量。
接着，在步骤122中，再利用第一目标定位算法对各个第一历史时空定位节点的历史时空图像描述向量进行热力特征转换，得到各个第一历史时空定位节点的热力关系图。以同样的交通流量数据为例，现在已经有了描述每个地点在不同时间的交通流量的特征向量。然后，可以利用这些特征向量生成一个新的图像，即热力关系图。在这个热力关系图中，颜色的深浅表示交通流量的大小，位置则对应到地图上的实际位置。通过这种方式，就可以直观地看到城市中的交通流量状况。
可见，步骤121和步骤122将历史的时空定位数据转化为可视化的热力关系图，使能够更直观地理解和分析数据，同时也为后续的预测提供了基础。
在另一些可能的实施例中，所述方法还包括步骤210-步骤230。
步骤210、依据所述各个第一历史时空定位节点的热力关系图和所述各个第一当前时空定位轨迹段的热力关系图，对所述各个第一历史时空定位节点和所述各个第一当前时空定位轨迹段进行匹配，得到各个第一历史时空定位节点对应第一当前时空定位轨迹段的第一个数。
步骤220、依据所述各个第一历史时空定位节点的历史时空图像描述向量，确定各个第一历史时空定位节点对应第一当前时空定位轨迹段的第二个数。
步骤230、确定所述各个第一历史时空定位节点对应第一当前时空定位轨迹段的第一个数和第二个数之间的统计训练误差。
在步骤210-步骤230的基础上，步骤150中的依据所述第一时空描述训练误差和所述第二时空描述训练误差对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法，包括：依据所述统计训练误差、所述第一时空描述训练误差和所述第二时空描述训练误差对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法。
以北斗系统为应用场景，针对步骤210-步骤230进行详细举例。
在步骤210中，例如正在监控某城市中所有出租车的行驶状态，历史时空定位节点可能包括每辆出租车在过去一天内每小时的位置。然后，生成了基于这些历史节点的热力关系图，表明出租车的热门行驶区域。接着，获取了同样的出租车在当前时间的位置（即当前时空定位轨迹段），并生成了相应的热力关系图。最后，对比两个热力关系图，找出它们之间的相似性或者差异，例如，计算每个历史节点与最近的当前节点之间的距离，并作为第一个数。
在步骤220中，可以通过深度学习或其他AI技术，提取每个历史节点在热力关系图中的特征，生成一个历史时空图像描述向量。然后，计算这个向量与当前节点在热力关系图中的向量之间的相似性，例如，计算它们的余弦相似度，并作为第二个数。
在步骤230中，计算每个历史节点对应的第一个数和第二个数之间的差异，例如，使用均方误差（MSE）作为统计训练误差。这个误差反映了的预测准确度。
最后，在这些新步骤的基础上，步骤150会包括根据统计训练误差、第一时空描述训练误差和第二时空描述训练误差对第一目标定位算法进行调试，得到AI北斗系统定位预测算法。这样，的算法不仅考虑了历史和当前时空定位数据之间的差异，还考虑了它们在热力关系图中的特征向量之间的相似性，使得预测更加准确。
在一些示例性实施例中，步骤130中的利用所述第一目标定位算法确定所述第一当前时空定位数据包括的各个第一当前时空定位轨迹段的热力关系图，包括步骤131-步骤132。
步骤131、对所述第一当前时空定位数据进行时空图像描述挖掘，得到所述各个第一当前时空定位轨迹段的当前时空图像描述向量。
步骤132、利用所述第一目标定位算法对所述各个第一当前时空定位轨迹段的当前时空图像描述向量进行热力特征转换，得到所述各个第一当前时空定位轨迹段的热力关系图。
在北斗系统的应用场景中，步骤130涉及利用第一目标定位算法处理第一当前时空定位数据并生成热力关系图。这个过程可以进一步分解为步骤131和步骤132。
首先，在步骤131中，对第一当前时空定位数据进行时空图像描述挖掘，得到各个第一当前时空定位轨迹段的当前时空图像描述向量。举例来说，正在实时收集一个城市的交通流量数据作为第一当前时空定位数据，这些数据可能包括车辆在不同时间、不同地点的数量信息。可以将这些数据视为一种形式的图像，其中每个像素代表特定位置在特定时间的交通流量。然后，可以使用深度学习模型（如卷积神经网络）对这个“图像”进行分析，提取出描述这个“图像”的特征向量。这个特征向量就是所说的当前时空图像描述向量。
接着，在步骤132中，再利用第一目标定位算法对各个第一当前时空定位轨迹段的当前时空图像描述向量进行热力特征转换，得到各个第一当前时空定位轨迹段的热力关系图。以同样的交通流量数据为例，现在已经有了描述每个地点在不同时间的交通流量的特征向量。然后，可以利用这些特征向量生成一个新的图像，即热力关系图。在这个热力关系图中，颜色的深浅表示交通流量的大小，位置则对应到地图上的实际位置。通过这种方式，就可以直观地看到城市中的实时交通流量状况。
步骤131和步骤132将当前的时空定位数据转化为可视化的热力关系图，使能够更直观地理解和分析数据，同时也为后续的预测提供了基础。
在一些示例中，所述第一当前时空定位数据为第一先验时空定位更新数据或者所述第一先验时空定位更新数据的推演结果，所述第一目标定位算法包括第一时空描述识别组件。基于此，所述方法还包括步骤310-步骤320。
步骤310、通过所述第一时空描述识别组件对所述各个第一当前时空定位轨迹段的当前时空图像描述向量进行识别，得到第一当前时空定位预测数据。
步骤320、确定所述第一先验时空定位更新数据和所述第一当前时空定位预测数据之间的第一定位预测训练误差。
在步骤310-步骤320的基础上，步骤150中的依据所述第一时空描述训练误差和所述第二时空描述训练误差对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法，包括：依据所述第一定位预测训练误差、所述第一时空描述训练误差和所述第二时空描述训练误差，对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法。
以北斗系统为应用场景，针对步骤310-步骤320进行详细举例。
在步骤310中，例如有一个出租车在一天内的行驶轨迹数据作为第一当前时空定位数据，这些数据可能包括出租车在不同时间、不同地点的数量信息。首先使用深度学习模型（如卷积神经网络）提取这些数据的特征，生成一个当前时空图像描述向量。然后，利用第一时空描述识别组件（例如，另一个训练好的深度学习模型）对这个向量进行识别，预测出未来一段时间内出租车的行驶情况，这就是第一当前时空定位预测数据。
在步骤320中，第一先验时空定位更新数据可能是基于历史数据和其他相关因素（如天气、节假日等）的预测结果，而第一当前时空定位预测数据则是在步骤310中得到的预测结果。可以计算这两个预测结果之间的差异，例如，使用均方误差（MSE）作为第一定位预测训练误差。
最后，在这些新步骤的基础上，步骤150会包括根据第一定位预测训练误差、第一时空描述训练误差和第二时空描述训练误差对第一目标定位算法进行调试，得到AI北斗系统定位预测算法。这样，的算法不仅考虑了历史和当前时空定位数据之间的差异，还考虑了预测结果与实际情况的匹配程度，使得预测更加准确。
在一些示例中，所述第一时空描述识别组件包括第一特征调整节点、至少两个第一滑动滤波节点和第一定位预测节点，任一个第一滑动滤波节点包括至少两个相同膨胀因子不同滑动滤波窗口大小的滑动滤波算子，不同第一滑动滤波节点的滑动滤波算子对应不同膨胀因子。基于此，步骤310中的通过所述第一时空描述识别组件对所述各个第一当前时空定位轨迹段的当前时空图像描述向量进行识别，得到第一当前时空定位预测数据，包括步骤311-步骤314。
步骤311、通过所述第一特征调整节点将所述各个第一当前时空定位轨迹段的当前时空图像描述向量调整成第一特征维度的时空图像描述调整向量。
步骤312、通过第一个第一滑动滤波节点包括的各个滑动滤波算子，对所述第一特征维度的时空图像描述调整向量进行膨胀滑动滤波，得到各个滑动滤波算子对应的膨胀滑动滤波向量，将所述各个滑动滤波算子对应的膨胀滑动滤波向量进行求和，得到所述第一个第一滑动滤波节点的中间描述向量。
步骤313、对于除所述第一个第一滑动滤波节点以外的任一个第一滑动滤波节点，通过所述任一个第一滑动滤波节点包括的各个滑动滤波算子，对上一个第一滑动滤波节点的中间描述向量进行膨胀滑动滤波，得到各个滑动滤波算子对应的膨胀滑动滤波向量，将所述各个滑动滤波算子对应的膨胀滑动滤波向量进行求和，得到所述任一个第一滑动滤波节点的中间描述向量。
步骤314、通过所述第一定位预测节点将末尾的第一滑动滤波节点的中间描述向量调整成所述第一当前时空定位预测数据。
在这个实施例中，第一时空描述识别组件是一个复杂的网络结构，用于处理和预测时空定位数据。它包括第一特征调整节点、至少两个第一滑动滤波节点和第一定位预测节点。每个第一滑动滤波节点都包含至少两个滑动滤波算子，这些算子具有相同的膨胀因子但不同的滑动滤波窗口大小。
其中，第一特征调整节点是一个网络节点，负责将输入的当前时空图像描述向量调整到指定的特征维度，生成时空图像描述调整向量。第一滑动滤波节点是一个网络节点，包含多个滑动滤波算子，负责对输入的数据进行滑动滤波处理。每个滑动滤波算子都有一个膨胀因子和一个滑动滤波窗口大小。滑动滤波算子是一个处理数据的工具，通过滑动窗口对输入数据进行滤波操作。不同的滑动滤波算子有不同的膨胀因子和滑动滤波窗口大小。第一定位预测节点是一个网络节点，负责将输入的数据调整为预测结果，即第一当前时空定位预测数据。
以北斗系统为应用场景，例如正在处理一个城市的实时交通流量数据。首先，通过第一特征调整节点，将每个第一当前时空定位轨迹段的当前时空图像描述向量调整到指定的特征维度，生成时空图像描述调整向量。
然后，将这个调整向量输入到第一个第一滑动滤波节点。在这个节点中，使用多个滑动滤波算子对输入向量进行滑动滤波操作，并得到多个膨胀滑动滤波向量。将这些向量求和，得到第一个滑动滤波节点的中间描述向量。
接下来，将这个中间描述向量输入到下一个滑动滤波节点，并重复上述过程。这个过程会一直持续，直到所有的滑动滤波节点都被处理完毕。
最后，将最后一个滑动滤波节点的中间描述向量输入到第一定位预测节点。在这个节点中，将输入数据调整为预测结果，即第一当前时空定位预测数据。这个数据可能表示了未来某一时刻车辆可能的位置，或者预测出某地区在特定时间内的车辆密度等。
在一些可选的实施例中，步骤150中的依据所述第一时空描述训练误差和所述第二时空描述训练误差对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法，包括步骤151-步骤157。
步骤151、依据所述第一时空描述训练误差和所述第二时空描述训练误差改进所述第一目标定位算法的算法变量，得到第二目标定位算法，所述第二目标定位算法包括时空描述向量处理组件和第二时空描述识别组件。
步骤152、获取第二当前时空定位数据，所述第二当前时空定位数据为第二先验时空定位更新数据或者所述第二先验时空定位更新数据的推演结果，所述第二当前时空定位数据包括多个第二当前时空定位轨迹段。
步骤153、对所述第二当前时空定位数据进行时空图像描述挖掘，得到各个第二当前时空定位轨迹段的当前时空图像描述向量。
步骤154、通过所述第二时空描述识别组件对所述各个第二当前时空定位轨迹段的当前时空图像描述向量进行识别，得到第二当前时空定位预测数据。
步骤155、确定所述第二先验时空定位更新数据和所述第二当前时空定位预测数据之间的第二定位预测训练误差。
步骤156、依据所述第二定位预测训练误差改进所述第二时空描述识别组件的算法变量，得到第三时空描述识别组件。
步骤157、依据所述时空描述向量处理组件和所述第三时空描述识别组件，确定所述AI北斗系统定位预测算法。
在上述实施例中，第二目标定位算法是在第一目标定位算法的基础上，通过调整算法变量并考虑第一时空描述训练误差和第二时空描述训练误差得到的改进版算法。时空描述向量处理组件是第二目标定位算法的一部分，主要负责处理输入的时空数据，并生成描述这些数据的向量。第二时空描述识别组件是第二目标定位算法的一部分，主要负责对从时空描述向量处理组件得到的向量进行识别，并输出预测结果。
如果发现第一时空描述训练误差或第二时空描述训练误差较大，可能表示第一目标定位算法的性能不足。因此，需要调整算法的变量（例如，改变神经网络的结构、调整学习率等），得到一个新的、更好的算法，即第二目标定位算法。
假设正在收集一个城市所有出租车在某一天中的行驶轨迹数据，这些数据可以视为第二当前时空定位数据。
进一步地，可以将这些行驶轨迹数据视为一种形式的图像，然后使用深度学习模型对这个“图像”进行分析，提取出描述这个“图像”的特征向量，即当前时空图像描述向量。
此外，可以利用第二时空描述识别组件（例如，一个训练好的深度学习模型）对这个向量进行识别，预测出未来一段时间内出租车的行驶情况，这就是第二当前时空定位预测数据。
又比如，第二先验时空定位更新数据可能是基于历史数据和其他相关因素（如天气、节假日等）的预测结果，而第二当前时空定位预测数据则是在步骤154中得到的预测结果。可以计算这两个预测结果之间的差异，例如，使用均方误差（MSE）作为第二定位预测训练误差。
如果发现第二定位预测训练误差较大，可能表示第二时空描述识别组件的性能不足。因此，需要进一步调整这个组件的算法变量（例如，改变神经网络的结构、调整学习率等），得到一个新的、更好的组件，即第三时空描述识别组件。
最后，将时空描述向量处理组件和第三时空描述识别组件集成在一起，形成一个完整的预测系统，即AI北斗系统定位预测算法。这个算法可以处理实时的时空定位数据，输出精确的预测结果，为决策者提供有价值的参考信息。
在一些可能的实施例中，所述方法还包括步骤410-步骤430。
步骤410、获取第二历史时空定位数据，所述第二历史时空定位数据和所述第二当前时空定位数据的定位区域一致，所述第二历史时空定位数据包括多个第二历史时空定位节点。
步骤420、通过所述时空描述向量处理组件确定所述第二历史时空定位数据包括的各个第二历史时空定位节点的热力关系图，对所述各个第二当前时空定位轨迹段的当前时空图像描述向量进行热力特征转换，得到所述各个第二当前时空定位轨迹段的热力关系图。
步骤430、确定从所述各个第二历史时空定位节点的热力关系图到所述各个第二当前时空定位轨迹段的热力关系图的第三时空描述训练误差以及从所述各个第二当前时空定位轨迹段的热力关系图到所述各个第二历史时空定位节点的热力关系图的第四时空描述训练误差。
在步骤410-步骤430的基础上，步骤156中的依据所述第二定位预测训练误差改进所述第二时空描述识别组件的算法变量，得到第三时空描述识别组件，包括：依据所述第三时空描述训练误差、所述第四时空描述训练误差和所述第二定位预测训练误差改进所述第二时空描述识别组件的算法变量，得到第三时空描述识别组件。
在上述实施例中，第二历史时空定位数据是指在同一区域内，不同于第一历史时空定位数据的另一组历史定位数据。例如，如果第一历史时空定位数据是上周的交通流量数据，那么第二历史时空定位数据可能是上个月的交通流量数据。
热力关系图是一种用颜色表示数据密度的图形。在这个场景中，可以根据车辆的位置和数量生成热力关系图，以此直观地表示出交通流量的分布情况。
时空描述训练误差是预测结果与实际结果之间的差异。在本例中，第三时空描述训练误差是第二历史时空定位节点的热力关系图到第二当前时空定位轨迹段的热力关系图的误差，而第四时空描述训练误差则是反向的，即从第二当前时空定位轨迹段的热力关系图到第二历史时空定位节点的热力关系图的误差。
例如，正在处理一个城市的交通流量数据。首先获取第二历史时空定位数据，然后利用时空描述向量处理组件生成这些数据的热力关系图。接着，再对第二当前时空定位轨迹段的当前时空图像描述向量进行热力特征转换，得到相应的热力关系图。最后，计算两个热力关系图之间的训练误差。
在这个过程中，可以根据第三时空描述训练误差、第四时空描述训练误差和第二定位预测训练误差改进第二时空描述识别组件的算法变量，以此得到第三时空描述识别组件。
可见，通过获取第二历史时空定位数据，增加了更多的历史信息，能够更准确地预测未来的情况。同时，通过比较历史数据和当前数据的热力关系图，可以直观地看出交通流量的变化趋势。此外，该方法还利用训练误差调整算法变量，不断优化模型，提高预测的准确性。
在一些优选的实施例中，步骤157中的依据所述时空描述向量处理组件和所述第三时空描述识别组件，确定所述AI北斗系统定位预测算法，包括步骤1571-步骤1577。
步骤1571、获取第三当前时空定位数据，所述第三当前时空定位数据为第三先验时空定位更新数据或者所述第三先验时空定位更新数据的推演结果，所述第三当前时空定位数据包括多个第三当前时空定位轨迹段。
步骤1572、对所述第三当前时空定位数据进行时空图像描述挖掘，得到各个第三当前时空定位轨迹段的当前时空图像描述向量。
步骤1573、通过所述第三时空描述识别组件对所述各个第三当前时空定位轨迹段的当前时空图像描述向量进行识别，得到第三当前时空定位预测数据。
步骤1574、通过第四时空描述识别组件对所述各个第三当前时空定位轨迹段的当前时空图像描述向量进行识别，得到第四当前时空定位预测数据，所述第四时空描述识别组件的组件变量数小于所述第三时空描述识别组件的组件变量数。
步骤1575、依据所述第三当前时空定位预测数据和所述第四当前时空定位预测数据之间的第三定位预测训练误差。
步骤1576、依据所述第三定位预测训练误差改进所述第四时空描述识别组件的组件变量，得到目标时空描述识别组件。
步骤1577、依据所述时空描述向量处理组件和所述目标时空描述识别组件，确定所述AI北斗系统定位预测算法。
在上述实施例中，第三当前时空定位数据是在进行时空预测时，用于训练和调整模型参数的一组实时收集的时空定位数据。第三时空描述识别组件是一个深度学习模型或者其他类型的机器学习模型，负责对输入的时空图像描述向量进行处理，并输出相应的预测结果。第四时空描述识别组件是一个深度学习模型或者其他类型的机器学习模型，不过它比第三时空描述识别组件的模型结构更简单，组件变量数较少。
例如，正在利用北斗系统收集一座城市所有出租车的行驶轨迹数据（即第三当前时空定位数据），并试图预测未来一段时间内出租车的行驶情况。首先使用时空图像描述挖掘技术对这些数据进行处理，得到各个第三当前时空定位轨迹段的当前时空图像描述向量。
接着，分别将这些向量输入到第三时空描述识别组件和第四时空描述识别组件中，得到两组预测结果，即第三当前时空定位预测数据和第四当前时空定位预测数据。
然后，计算这两组预测结果之间的差异（即第三定位预测训练误差）。如果发现误差较大，说明第四时空描述识别组件的性能不足，因此需要调整其组件变量，使其更好地适应数据，并得到改进后的目标时空描述识别组件。
最后，将时空描述向量处理组件和目标时空描述识别组件集成在一起，形成一个完整的预测系统，即AI北斗系统定位预测算法。这个算法可以准确地预测出未来一段时间内出租车的行驶情况。
如此设计，通过不断地调整模型参数，以及使用具有不同复杂度的模型进行对比，旨在找到最优的模型结构和参数设置，从而提高预测的准确性。同时，由于在步骤1574中引入了一个更简单的模型（即第四时空描述识别组件），这也有助于避免模型过拟合的问题。此外，通过在多轮迭代中不断优化模型，这个方案也能更好地适应时空数据的变化，提高预测的稳定性。因此，这个技术方案对于提高北斗系统在复杂环境中的定位预测能力具有重要的意义。
在一些示例中，所述目标时空描述识别组件包括目标特征调整节点、至少两个目标滑动滤波节点和目标定位预测节点，任一个目标滑动滤波节点包括至少两个相同膨胀因子不同滑动滤波窗口大小的滑动滤波算子，不同目标滑动滤波节点的滑动滤波算子对应不同膨胀因子。基于此，步骤1577中的依据所述时空描述向量处理组件和所述目标时空描述识别组件，确定所述AI北斗系统定位预测算法，包括步骤15771-步骤15773。
步骤15771、对于所述任一个目标滑动滤波节点，将所述任一个目标滑动滤波节点包括各个滑动滤波算子组装成联动滑动滤波算子，得到全局滑动滤波节点，所述联动滑动滤波算子与所述任一个目标滑动滤波节点包括的滑动滤波算子的膨胀因子相同，且所述联动滑动滤波算子的滑动滤波窗口大小不小于所述任一个目标滑动滤波节点包括的各个滑动滤波算子的滑动滤波窗口大小。
步骤15772、将所述目标特征调整节点、至少两个全局滑动滤波节点和所述目标定位预测节点进行级联，得到目标时空描述识别组件。
步骤15773、依据所述时空描述向量处理组件和所述目标时空描述识别组件，确定所述AI北斗系统定位预测算法。
在上述实施例中，目标特征调整节点的作用是调整输入的时空数据特征，以适应后续的处理需求。目标滑动滤波节点包含多个滑动滤波算子，用于对输入数据进行滤波处理。不同的滑动滤波节点可能会有不同的膨胀因子。滑动滤波算子通过滑动窗口对输入数据进行滤波操作。滑动滤波算子可以有不同的膨胀因子和滑动滤波窗口大小。目标定位预测节点根据输入的数据进行预测，输出预测结果。联动滑动滤波算子是将同一个目标滑动滤波节点中的各个滑动滤波算子组装起来得到的，其膨胀因子与原滑动滤波算子相同，滑动滤波窗口大小不小于原滑动滤波算子。
例如有两个滑动滤波算子，两个滑动滤波算子的滑动滤波窗口大小分别为3和5，膨胀因子都为1。将这两个滑动滤波算子组装成一个联动滑动滤波算子，其滑动滤波窗口大小为5（不小于任何一个滑动滤波算子的窗口大小），膨胀因子仍然为1。
在得到全局滑动滤波节点后，将目标特征调整节点、至少两个全局滑动滤波节点和目标定位预测节点进行级联，形成一个完整的目标时空描述识别组件。例如，可以先将数据输入到目标特征调整节点进行处理，然后将处理后的数据依次通过两个全局滑动滤波节点，最后将数据输入到目标定位预测节点，得到预测结果。
有了时空描述向量处理组件和目标时空描述识别组件，就可以确定AI北斗系统定位预测算法。具体来说，该算法会首先通过时空描述向量处理组件处理输入数据，然后将处理后的数据输入到目标时空描述识别组件，得到最终的预测结果。
如此设计，通过使用联动滑动滤波算子和全局滑动滤波节点，能够更好地捕捉并处理时空数据中的复杂模式，从而提高了预测的准确性。此外，该方案还通过将各个组件进行级联，形成了一个完整的预测流程，使得算法更为清晰和易于实现。
在一些可能的实施例中，步骤15771中的将所述任一个目标滑动滤波节点包括各个滑动滤波算子组装成联动滑动滤波算子，得到全局滑动滤波节点，包括步骤15771a-步骤15771b。
步骤15771a、对于所述任一个目标滑动滤波节点包括的滑动滤波窗口大小小于所述联动滑动滤波算子的滑动滤波窗口大小的第一滑动滤波算子，对所述第一滑动滤波算子的滤波核变量进行扩展，得到扩展后的第一滑动滤波算子，所述扩展后的第一滑动滤波算子的滑动滤波窗口大小与所述联动滑动滤波算子的滑动滤波窗口大小一致。
步骤15771b、依据所述扩展后的第一滑动滤波算子的滤波核变量和第二滑动滤波算子的滤波核变量，确定所述全局滑动滤波节点，所述第二滑动滤波算子的滑动滤波窗口大小与所述联动滑动滤波算子的滑动滤波窗口大小一致。
在数字信号处理中，滑动滤波是一种常见的技术，用于消除噪声并提取信号中的有用信息。滑动滤波节点是执行这个操作的组件或模块。联动滑动滤波算子是一个包含多个滑动滤波算子（也就是滤波器）的复合算子，可以处理不同类型或不同尺度的数据。滤波核变量：滤波核（也称为滤波器或卷积核）是进行滑动滤波操作的基本元素。滤波核变量指的是构成滤波核的参数。
例如，正在处理由北斗系统收集的一组时空定位数据。为了提高预测的准确性，可能会使用不同的滑动滤波器来处理这些数据。然而，不同的滤波器可能具有不同的窗口大小，这使得它们不能直接进行联动操作。
在步骤15771a中，针对那些窗口大小小于联动滑动滤波算子的滤波器，将其滤波核变量进行扩展，使其窗口大小与联动滑动滤波算子一致。例如，如果原来的滤波器是一个3x3的矩阵，而联动滑动滤波算子的窗口大小是5x5，就可以通过补零等方法，将3x3的滤波器扩展为5x5的滤波器。
接着，在步骤15771b中，依据扩展后的滤波核变量和其他滤波核变量，确定全局滑动滤波节点。这个节点可以对所有的滤波器进行统一管理，大大提高了处理效率。
如此，通过对滤波核变量的扩展和整合，实现了不同滤波器之间的联动操作，有效提升了北斗系统在复杂环境下的数据处理能力。同时，通过引入全局滑动滤波节点，实现了滤波器的统一管理，进一步优化了数据处理流程，提高了工作效率。因此，这个方案对于提升北斗系统的定位预测性能具有重要的意义。
进一步地，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种应用于人工智能的北斗系统定位更新方法，其特征在于，应用于北斗系统定位更新系统，所述方法包括：
获取第一历史时空定位数据和第一当前时空定位数据，所述第一历史时空定位数据和所述第一当前时空定位数据的定位区域一致，所述第一历史时空定位数据包括多个第一历史时空定位节点，所述第一当前时空定位数据包括多个第一当前时空定位轨迹段；
利用第一目标定位算法确定所述第一历史时空定位数据包括的各个第一历史时空定位节点的热力关系图，所述第一历史时空定位节点的热力关系图用于表征所述第一历史时空定位节点且满足预设热力条件；
利用所述第一目标定位算法确定所述第一当前时空定位数据包括的各个第一当前时空定位轨迹段的热力关系图，所述第一当前时空定位轨迹段的热力关系图用于表征所述第一当前时空定位轨迹段且满足所述预设热力条件；
确定从所述各个第一历史时空定位节点的热力关系图到所述各个第一当前时空定位轨迹段的热力关系图的第一时空描述训练误差以及从所述各个第一当前时空定位轨迹段的热力关系图到所述各个第一历史时空定位节点的热力关系图的第二时空描述训练误差；
依据所述第一时空描述训练误差和所述第二时空描述训练误差对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法，所述AI北斗系统定位预测算法用于依据待处理时空定位数据生成时空定位预测结果；
其中，所述利用第一目标定位算法确定所述第一历史时空定位数据包括的各个第一历史时空定位节点的热力关系图，包括：
利用所述第一目标定位算法对所述第一历史时空定位数据进行时空图像描述挖掘，得到所述各个第一历史时空定位节点的历史时空图像描述向量；
利用所述第一目标定位算法对所述各个第一历史时空定位节点的历史时空图像描述向量进行热力特征转换，得到所述各个第一历史时空定位节点的热力关系图；
其中，所述方法还包括：
依据所述各个第一历史时空定位节点的热力关系图和所述各个第一当前时空定位轨迹段的热力关系图，对所述各个第一历史时空定位节点和所述各个第一当前时空定位轨迹段进行匹配，得到各个第一历史时空定位节点对应第一当前时空定位轨迹段的第一个数；
依据所述各个第一历史时空定位节点的历史时空图像描述向量，确定各个第一历史时空定位节点对应第一当前时空定位轨迹段的第二个数；
确定所述各个第一历史时空定位节点对应第一当前时空定位轨迹段的第一个数和第二个数之间的统计训练误差；
所述依据所述第一时空描述训练误差和所述第二时空描述训练误差对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法，包括：
依据所述统计训练误差、所述第一时空描述训练误差和所述第二时空描述训练误差对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法；
其中，所述利用所述第一目标定位算法确定所述第一当前时空定位数据包括的各个第一当前时空定位轨迹段的热力关系图，包括：
对所述第一当前时空定位数据进行时空图像描述挖掘，得到所述各个第一当前时空定位轨迹段的当前时空图像描述向量；
利用所述第一目标定位算法对所述各个第一当前时空定位轨迹段的当前时空图像描述向量进行热力特征转换，得到所述各个第一当前时空定位轨迹段的热力关系图；
其中，所述第一当前时空定位数据为第一先验时空定位更新数据或者所述第一先验时空定位更新数据的推演结果，所述第一目标定位算法包括第一时空描述识别组件；
所述方法还包括：
通过所述第一时空描述识别组件对所述各个第一当前时空定位轨迹段的当前时空图像描述向量进行识别，得到第一当前时空定位预测数据；
确定所述第一先验时空定位更新数据和所述第一当前时空定位预测数据之间的第一定位预测训练误差；
所述依据所述第一时空描述训练误差和所述第二时空描述训练误差对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法，包括：
依据所述第一定位预测训练误差、所述第一时空描述训练误差和所述第二时空描述训练误差，对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法；
其中，所述第一时空描述识别组件包括第一特征调整节点、至少两个第一滑动滤波节点和第一定位预测节点，任一个第一滑动滤波节点包括至少两个相同膨胀因子不同滑动滤波窗口大小的滑动滤波算子，不同第一滑动滤波节点的滑动滤波算子对应不同膨胀因子；所述通过所述第一时空描述识别组件对所述各个第一当前时空定位轨迹段的当前时空图像描述向量进行识别，得到第一当前时空定位预测数据，包括：通过所述第一特征调整节点将所述各个第一当前时空定位轨迹段的当前时空图像描述向量调整成第一特征维度的时空图像描述调整向量；通过第一个第一滑动滤波节点包括的各个滑动滤波算子，对所述第一特征维度的时空图像描述调整向量进行膨胀滑动滤波，得到各个滑动滤波算子对应的膨胀滑动滤波向量，将所述各个滑动滤波算子对应的膨胀滑动滤波向量进行求和，得到所述第一个第一滑动滤波节点的中间描述向量；对于除所述第一个第一滑动滤波节点以外的任一个第一滑动滤波节点，通过所述任一个第一滑动滤波节点包括的各个滑动滤波算子，对上一个第一滑动滤波节点的中间描述向量进行膨胀滑动滤波，得到各个滑动滤波算子对应的膨胀滑动滤波向量，将所述各个滑动滤波算子对应的膨胀滑动滤波向量进行求和，得到所述任一个第一滑动滤波节点的中间描述向量；通过所述第一定位预测节点将末尾的第一滑动滤波节点的中间描述向量调整成所述第一当前时空定位预测数据。
2.如权利要求1所述的方法，其特征在于，所述依据所述第一时空描述训练误差和所述第二时空描述训练误差对所述第一目标定位算法进行调试，得到AI北斗系统定位预测算法，包括：
依据所述第一时空描述训练误差和所述第二时空描述训练误差改进所述第一目标定位算法的算法变量，得到第二目标定位算法，所述第二目标定位算法包括时空描述向量处理组件和第二时空描述识别组件；
获取第二当前时空定位数据，所述第二当前时空定位数据为第二先验时空定位更新数据或者所述第二先验时空定位更新数据的推演结果，所述第二当前时空定位数据包括多个第二当前时空定位轨迹段；
对所述第二当前时空定位数据进行时空图像描述挖掘，得到各个第二当前时空定位轨迹段的当前时空图像描述向量；
通过所述第二时空描述识别组件对所述各个第二当前时空定位轨迹段的当前时空图像描述向量进行识别，得到第二当前时空定位预测数据；
确定所述第二先验时空定位更新数据和所述第二当前时空定位预测数据之间的第二定位预测训练误差；
依据所述第二定位预测训练误差改进所述第二时空描述识别组件的算法变量，得到第三时空描述识别组件；
依据所述时空描述向量处理组件和所述第三时空描述识别组件，确定所述AI北斗系统定位预测算法。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
获取第二历史时空定位数据，所述第二历史时空定位数据和所述第二当前时空定位数据的定位区域一致，所述第二历史时空定位数据包括多个第二历史时空定位节点；
通过所述时空描述向量处理组件确定所述第二历史时空定位数据包括的各个第二历史时空定位节点的热力关系图，对所述各个第二当前时空定位轨迹段的当前时空图像描述向量进行热力特征转换，得到所述各个第二当前时空定位轨迹段的热力关系图；
确定从所述各个第二历史时空定位节点的热力关系图到所述各个第二当前时空定位轨迹段的热力关系图的第三时空描述训练误差以及从所述各个第二当前时空定位轨迹段的热力关系图到所述各个第二历史时空定位节点的热力关系图的第四时空描述训练误差；
所述依据所述第二定位预测训练误差改进所述第二时空描述识别组件的算法变量，得到第三时空描述识别组件，包括：
依据所述第三时空描述训练误差、所述第四时空描述训练误差和所述第二定位预测训练误差改进所述第二时空描述识别组件的算法变量，得到第三时空描述识别组件。
4.如权利要求2所述的方法，其特征在于，所述依据所述时空描述向量处理组件和所述第三时空描述识别组件，确定所述AI北斗系统定位预测算法，包括：
获取第三当前时空定位数据，所述第三当前时空定位数据为第三先验时空定位更新数据或者所述第三先验时空定位更新数据的推演结果，所述第三当前时空定位数据包括多个第三当前时空定位轨迹段；
对所述第三当前时空定位数据进行时空图像描述挖掘，得到各个第三当前时空定位轨迹段的当前时空图像描述向量；
通过所述第三时空描述识别组件对所述各个第三当前时空定位轨迹段的当前时空图像描述向量进行识别，得到第三当前时空定位预测数据；
通过第四时空描述识别组件对所述各个第三当前时空定位轨迹段的当前时空图像描述向量进行识别，得到第四当前时空定位预测数据，所述第四时空描述识别组件的组件变量数小于所述第三时空描述识别组件的组件变量数；
依据所述第三当前时空定位预测数据和所述第四当前时空定位预测数据之间的第三定位预测训练误差；
依据所述第三定位预测训练误差改进所述第四时空描述识别组件的组件变量，得到目标时空描述识别组件；
依据所述时空描述向量处理组件和所述目标时空描述识别组件，确定所述AI北斗系统定位预测算法；
其中，所述目标时空描述识别组件包括目标特征调整节点、至少两个目标滑动滤波节点和目标定位预测节点，任一个目标滑动滤波节点包括至少两个相同膨胀因子不同滑动滤波窗口大小的滑动滤波算子，不同目标滑动滤波节点的滑动滤波算子对应不同膨胀因子；所述依据所述时空描述向量处理组件和所述目标时空描述识别组件，确定所述AI北斗系统定位预测算法，包括：对于所述任一个目标滑动滤波节点，将所述任一个目标滑动滤波节点包括各个滑动滤波算子组装成联动滑动滤波算子，得到全局滑动滤波节点，所述联动滑动滤波算子与所述任一个目标滑动滤波节点包括的滑动滤波算子的膨胀因子相同，且所述联动滑动滤波算子的滑动滤波窗口大小不小于所述任一个目标滑动滤波节点包括的各个滑动滤波算子的滑动滤波窗口大小；将所述目标特征调整节点、至少两个全局滑动滤波节点和所述目标定位预测节点进行级联，得到目标时空描述识别组件；依据所述时空描述向量处理组件和所述目标时空描述识别组件，确定所述AI北斗系统定位预测算法；
其中，所述将所述任一个目标滑动滤波节点包括各个滑动滤波算子组装成联动滑动滤波算子，得到全局滑动滤波节点，包括：对于所述任一个目标滑动滤波节点包括的滑动滤波窗口大小小于所述联动滑动滤波算子的滑动滤波窗口大小的第一滑动滤波算子，对所述第一滑动滤波算子的滤波核变量进行扩展，得到扩展后的第一滑动滤波算子，所述扩展后的第一滑动滤波算子的滑动滤波窗口大小与所述联动滑动滤波算子的滑动滤波窗口大小一致；依据所述扩展后的第一滑动滤波算子的滤波核变量和第二滑动滤波算子的滤波核变量，确定所述全局滑动滤波节点，所述第二滑动滤波算子的滑动滤波窗口大小与所述联动滑动滤波算子的滑动滤波窗口大小一致。
5.一种北斗系统定位更新系统，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-4任一项所述的方法。
6.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现权利要求1-4任一项所述的方法。
CN202410055066.4A 2024-01-15 2024-01-15 应用于人工智能的北斗系统定位更新方法及系统 Active CN117572470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410055066.4A CN117572470B (zh) 2024-01-15 2024-01-15 应用于人工智能的北斗系统定位更新方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410055066.4A CN117572470B (zh) 2024-01-15 2024-01-15 应用于人工智能的北斗系统定位更新方法及系统

Publications (2)

Publication Number Publication Date
CN117572470A CN117572470A (zh) 2024-02-20
CN117572470B true CN117572470B (zh) 2024-04-19

Family

ID=89886544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410055066.4A Active CN117572470B (zh) 2024-01-15 2024-01-15 应用于人工智能的北斗系统定位更新方法及系统

Country Status (1)

Country Link
CN (1) CN117572470B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018122585A1 (zh) * 2016-12-30 2018-07-05 同济大学 一种基于浮动车数据的城市道路交通异常检测方法
CN113205515A (zh) * 2021-05-27 2021-08-03 上海高德威智能交通系统有限公司 目标检测方法、装置、及计算机存储介质
CN115390112A (zh) * 2022-08-25 2022-11-25 广东电网有限责任公司 电力系统北斗定位信号滤波方法、装置、设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018122585A1 (zh) * 2016-12-30 2018-07-05 同济大学 一种基于浮动车数据的城市道路交通异常检测方法
CN113205515A (zh) * 2021-05-27 2021-08-03 上海高德威智能交通系统有限公司 目标检测方法、装置、及计算机存储介质
CN115390112A (zh) * 2022-08-25 2022-11-25 广东电网有限责任公司 电力系统北斗定位信号滤波方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN117572470A (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
Tekouabou et al. Improving parking availability prediction in smart cities with IoT and ensemble-based model
CN113316808B (zh) 通过交通状态的时空扩展搜索空间控制交通信号
Agamennoni et al. Robust inference of principal road paths for intelligent transportation systems
CN112132264A (zh) 基于时空残差感知网络的区域尾气排放预测方法及系统
CN113591380B (zh) 基于图高斯过程的交通流预测方法、介质及设备
JP6980521B2 (ja) 継続的学習のためのデータメタスケーリング装置及び方法
CN110310474A (zh) 一种基于时空残差网络的车流量预测方法及装置
CN110021161B (zh) 一种交通流向的预测方法及系统
CN114360239A (zh) 一种多层时空交通知识图谱重建的交通预测方法及系统
CN109712402B (zh) 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置
CN113327417B (zh) 基于3d动态时空残差卷积关联网络的交通流预测方法
CN117572470B (zh) 应用于人工智能的北斗系统定位更新方法及系统
KR20210128823A (ko) 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체
Salamanis et al. Evaluating the effect of time series segmentation on STARIMA-based traffic prediction model
Firoze et al. Urban tree generator: spatio-temporal and generative deep learning for urban tree localization and modeling
CN114648433A (zh) 一种基于量子游走的网约车流量多尺度特征解析方法
CN113112792A (zh) 一种基于语义信息的多模块交通密集度预测方法
Hussain et al. Visualizing Impact of Weather on Traffic Congestion Prediction: A Quantitative Study
US10801841B1 (en) Trajectory prediction via a feature vector approach
Bauer et al. Deep inverse sensor models as priors for evidential occupancy mapping
CN113344239B (zh) 一种基于两级谱聚类的交通拥堵状况预测方法及系统
Silva et al. Visual Analysis of Multivariate Urban Traffic Data Resorting to Local Principal Curves.
CN117272849B (zh) 区域停车场饱和度的预测方法、系统及可读存储介质
CN117911829A (zh) 车辆导航的点云图像融合方法及系统
CN116992993A (zh) 一种交通流量预测模型建立方法、装置和设备

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