论文部分内容阅读
在智能交通系统的众多应用服务中,车辆位置预测尤为重要。许多基于INS/GPS组合导航系统进行车辆定位的研究,以期获得比单独INS或GPS更加持续、稳定的导航信息。当GPS信号短暂中断时,可以融合INS和GPS数据来继续导航,虽然之前对于此数据融合算法已有许多的研究,但它们大多数采用离线预测的方式,这样在城市极端交通场景下,例如交通事故、恶劣天气或者上下班高峰期,容易出现传感器数据波动、GPS信号干扰等问题,因此要求车辆位置预测算法更加符合真实的交通场景,能够处理由此带来的传感器误差增大、建模困难等等问题,算法要具备实际应用中的鲁棒性和稳定性。本文研究在智能交通系统中的车辆位置预测问题,当GPS信号短暂失效时,通过融合INS传感器数据,进行车辆位置的建模预测,以获得持续可靠的车辆导航信息。主要工作包括:针对智能交通系统的特点和意义,详细阐释车辆定位在现代交通应用中的重要作用。相对于传统的车辆定位技术,分析了 INS/GPS组合导航系统的特点以及优缺点。针对INS/GPS组合导航系统的数据融合问题,分析已有的多种融合算法,并比较其优缺点,认为现有的离线算法无法适应城市极端交通场景的应用。在现有车辆位置预测领域的经典预测算法基础之上,分析其应用基础。针对GPS和INS系统的特点,分析预测过程中可能产生的误差来源。设计一种基于在线支持向量机回归的位置预测算法(OL-SVR)。该算法使用在线增量预测方式,利用历史的车辆行驶数据进行建模预测,获得可靠的车辆位置。通过实验证明,它比现有的BPNN和PLSR算法精确度提高了 20.3%-64.8%。为了提高定位精度,结合支持向量机回归算法和权值学习法,进一步设计一种基于加权SVR的位置预测算法(WSVR)。由于下一刻车辆位置的关联度取决于该行驶状态数据发生点与预测点之间的时间差,因此该算法针对预测数据点的远近,对每个训练集划分不同的权值,填补了在线增量学习方法在不同时间点数据的权值相同的空白。实验证明,WSVR算法与OL-SVR相比较,精确度提高了14.45%-62.52%。本文使用JAVA编程语言与MATLAB平台相结合实现数据采集模块、算法实现模块和数据可视化模块,为车辆位置预测算法的实现与评估提供了一种简单、有效的方法。