CN106885572B - 利用时间序列预测的辅助定位方法和*** - Google Patents
利用时间序列预测的辅助定位方法和*** Download PDFInfo
- Publication number
- CN106885572B CN106885572B CN201510929265.4A CN201510929265A CN106885572B CN 106885572 B CN106885572 B CN 106885572B CN 201510929265 A CN201510929265 A CN 201510929265A CN 106885572 B CN106885572 B CN 106885572B
- Authority
- CN
- China
- Prior art keywords
- positioning
- sequence
- random sequence
- time series
- prediction model
- 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 22
- 238000000714 time series forecasting Methods 0.000 title abstract 2
- 230000014509 gene expression Effects 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012731 temporal analysis Methods 0.000 claims description 7
- 238000000700 time series analysis Methods 0.000 claims description 7
- 230000006641 stabilisation Effects 0.000 claims description 4
- 238000011105 stabilization Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 abstract description 11
- 239000000284 extract Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000009499 grossing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100074187 Caenorhabditis elegans lag-1 gene Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种利用时间序列预测的辅助定位方法和***,涉及定位领域。其中通过获取定位目标的历史位置数据,对定位目标的历史位置数据进行数据预处理,以得到零均值差分平稳化的随机序列,若随机序列符合时间序列预测模型,则通过对时间序列预测模型进行定阶和参数估计,得到相应的位置序列表达式,根据位置序列表达式,利用时间序列预测模型的递推式,将预测的位置信息与定位***的定位结果进行融合计算,以实现定位目标的定位估计。本发明通过利用定位目标的历史位置数据提取相应的行动特征规律,从而实时辅助修正定位***的定位结果,可有效提高定位精度。
Description
技术领域
本发明涉及定位领域,特别涉及一种利用时间序列预测的辅助定位方法和***。
背景技术
现有的定位***中,设备于各个时刻独立完成定位,然而对于大多运动目标而言,运动具有一定规律性,这种规律会对目标位置的估计提供额外的信息,对于如何利用位移者历史数据来辅助修正定位,目前研究甚少。
行人航位推算***通过增加传感器来采集目标的历史状态数据以提高定位精度,但这增加了定位终端的复杂度,又增加了额外的数据传输开销。在现有技术中还存在使用位置数据库确定移动设备的位置的方案,即通过标识定位环境接入点的特征(流行度、稳定度、新鲜度)实现位置逐步求精,但这需要事先采集定位者的位置数据库,无法实时定位。
发明内容
本发明实施例提供一种利用时间序列预测的辅助定位方法和***,通过利用定位目标的历史位置数据提取相应的行动特征规律,从而实时辅助修正定位***的定位结果,可有效提高定位精度。
根据本发明的一个方面,提供一种利用时间序列预测的辅助定位方法,包括:
获取定位目标的历史位置数据;
对定位目标的历史位置数据进行时间序列分析,以便对定位目标的位置进行预测;
将预测的位置信息与定位***的定位结果进行融合计算,以实现定位目标的定位估计。
在一个实施例中,对定位目标的历史位置数据进行时间序列分析,以便对定位目标的位置进行预测的步骤包括:
对定位目标的历史位置数据进行数据预处理,以得到零均值差分平稳化的随机序列;
判断随机序列是否符合时间序列预测模型;
若随机序列符合时间序列预测模型,则通过对时间序列预测模型进行定阶和参数估计,得到相应的位置序列表达式;
根据位置序列表达式对定位目标的位置进行预测。
在一个实施例中,判断随机序列是否符合时间序列预测模型的步骤包括:
计算随机序列的自相关系数和偏相关系数;
判断随机序列的自相关系数和偏相关系数是否具有预定的截尾特性;
若具有预定的截尾特性,则判定随机序列符合时间序列预测模型。
在一个实施例中,随机序列的自相关系数rk为:
其中,Yt表示随机序列Y在t时刻的取值,表示随机序列Y的均值。
在一个实施例中,随机序列的偏相关系数为:
Φ1,1=r1
Φk,i=Φk-1,i-Φk,kΦk-1,i-1
其中,1≤i≤k-1,k为大于1的自然数。
在一个实施例中,位置序列表达式为:
其中,p和q为在对时间序列预测模型进行定阶时确定的参数。
在一个实施例中,根据位置序列表达式对定位目标的位置进行预测的步骤包括:
根据位置序列表达式,利用时间序列预测模型的递推式对定位目标进行预测定位,其中:
其中为t+1时刻的预测结果。
在一个实施例中,将预测的位置信息与定位***的定位结果进行融合计算,以实现定位目标的定位估计的步骤包括:
将预测的位置信息与定位***的定位结果Y′进行融合计算,以得到定位目标的定位估计值S,其中:
其中,和分别为时间序列预测模型和定位***的估计误差方差。
根据本发明的另一方面,提供一种利用时间序列预测的辅助定位***,包括获取单元、预测单元、融合单元和定位***,其中:
获取单元,用于获取定位目标的历史位置数据;
预测单元,用于对定位目标的历史位置数据进行时间序列分析,以便对定位目标的位置进行预测;
融合单元,用于将预测的位置信息与定位***的定位结果进行融合计算,以实现定位目标的定位估计。
在一个实施例中,预测单元包括数据预处理模块、识别模块、模型识别与参数估计模块和预测模块,其中:
数据预处理模块,用于对定位目标的历史位置数据进行数据预处理,以得到零均值差分平稳化的随机序列;
识别模块,用于判断随机序列是否符合时间序列预测模型;
模型识别与参数估计模块,用于根据识别模块的判断结果,若随机序列符合时间序列预测模型,则通过对时间序列预测模型进行定阶和参数估计,得到相应的位置序列表达式;
预测模块,用于根据位置序列表达式对定位目标的位置进行预测。
在一个实施例中,识别模块具体计算随机序列的自相关系数和偏相关系数,判断随机序列的自相关系数和偏相关系数是否具有预定的截尾特性,若具有预定的截尾特性,则判定随机序列符合时间序列预测模型。
在一个实施例中,随机序列的自相关系数rk为:
其中,Yt表示随机序列Y在t时刻的取值,表示随机序列Y的均值。
在一个实施例中,随机序列的偏相关系数为:
Φ1,1=r1
Φk,i=Φk-1,i-Φk,kΦk-1,i-1
其中,1≤i≤k-1,k为大于1的自然数。
在一个实施例中,位置序列表达式为:
其中,p和q为在对时间序列预测模型进行定阶时确定的参数。
在一个实施例中,预测模块具体根据位置序列表达式,利用时间序列预测模型的递推式对定位目标进行预测定位,其中:
其中为t+1时刻的预测结果。
在一个实施例中,融合单元具体将预测的位置信息与定位***的定位结果Y′进行融合计算,以得到定位目标的定位估计值S,其中:
其中,和分别为时间序列预测模型和定位***的估计误差方差。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
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,下面将对实施例或现有技术描述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为本发明利用时间序列预测的辅助定位方法一个实施例的示意图。
图2为本发明利用时间序列预测的辅助定位方法另一实施例的示意图。
图3为本发明利用时间序列预测的辅助定位***一个实施例的示意图。
图4为本发明预测单元一个实施例的示意图。
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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作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。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1为本发明利用时间序列预测的辅助定位方法一个实施例的示意图。其中:
步骤101,获取定位目标的历史位置数据。
步骤102,对定位目标的历史位置数据进行时间序列分析,以便对定位目标的位置进行预测。
步骤103,将预测的位置信息与定位***的定位结果进行融合计算,以实现定位目标的定位估计。
优选的,将预测的位置信息与定位***的定位结果进行线性组合,以得到相应的定位结果。
基于本发明上述实施例提供的利用时间序列预测的辅助定位方法,通过利用定位目标的历史位置数据提取相应的行动特征规律,从而实时辅助修正定位***的定位结果,可有效提高定位精度。
图2为本发明利用时间序列预测的辅助定位方法一个实施例的示意图。其中:
步骤201,获取定位目标的历史位置数据。
步骤202,对定位目标的历史位置数据进行数据预处理,以得到零均值差分平稳化的随机序列。
优选的,首先判断历史位置数据是否为一组零均值化的平稳随机序列,若不是,则需要进行相应的零均值化和差分平稳化处理。
其中,零均值化的处理为:
为序列Y的均值,其中:
从而可得到零均值化的序列X。
同时,差分平稳化处理为:
步骤203,判断随机序列是否符合时间序列预测模型。
优选的,判断随机序列是否符合时间序列预测模型的步骤包括:
计算随机序列的自相关系数和偏相关系数,判断随机序列的自相关系数和偏相关系数是否具有预定的截尾特性,若具有预定的截尾特性,则判定随机序列符合时间序列预测模型。
其中,自相关系数是用来度量同一变量在不同时期的数据之间的相关程度,随机序列的自相关系数会接近于零或等于零,而具有明显规律(如上升、下降、季节波动、循环波动等)的时间序列,数据会呈现较高的自相关性。
随机序列的自相关系数rk为:
其中,Yt表示随机序列Y在t时刻的取值,表示随机序列Y的均值。
偏相关系数则是用来度量当其滞后1,2,3,…,k-1期时间序列的作用己知的条件下,Yt与Yt-k的相关程度,它常用来配合自相关系数,共同辨认适当的时间序列模型
随机序列的偏相关系数为:
Φ1,1=r1
Φk,i=Φk-1,i-Φk,kΦk-1,i-1
其中,1≤i≤k-1,k为大于1的自然数。
若序列自相关和偏相关系数图像均呈现截尾的趋势,则可以判定该序列符合时间序列预测模型。
步骤204,若随机序列符合时间序列预测模型,则通过对时间序列预测模型进行定阶和参数估计,得到相应的位置序列表达式。
例如,可利用AIC(Akaike Information Criterion)准则或SBC(Schwartz BayesCriterion)准则对模型进行定阶,即确定p和q值。其中:
AIC=T·In(RSS)+2n
SBC=T·In(RSS)+n·ln(T)
判定阶数最优的标准是使AIC与SBC的值最小,n为待估参数个数(即p+q可能存在的常数项),T为样本总量,RSS为残差平方和。
通过使用Yule-Walker法进行参数估计,可得出位置序列的表达式。其中,位置序列表达式为:
其中,p和q为在对时间序列预测模型进行定阶时确定的参数。
步骤205,根据位置序列表达式,利用时间序列预测模型的递推式对定位目标进行预测定位,其中:
其中为t+1时刻的预测结果。
步骤206,将预测的位置信息与定位***的定位结果进行融合计算,以实现定位目标的定位估计。
优选的,将预测的位置信息与定位***的定位结果Y′进行融合计算,以得到定位目标的定位估计值S,其中:
其中,和分别为时间序列预测模型和定位***的估计误差方差。
图3为本发明利用时间序列预测的辅助定位***一个实施例的示意图。其中,该***包括获取单元301、预测单元302、融合单元303和定位***304,其中:
获取单元301用于获取定位目标的历史位置数据。
预测单元302用于对定位目标的历史位置数据进行时间序列分析,以便对定位目标的位置进行预测。
融合单元303用于将预测的位置信息与定位***的定位结果进行融合计算,以实现定位目标的定位估计。
其中,定位***可采用现有的定位方式提供定位结果。
基于本发明上述实施例提供的利用时间序列预测的辅助定位***,通过利用定位目标的历史位置数据提取相应的行动特征规律,从而实时辅助修正定位***的定位结果,可有效提高定位精度。
图4为本发明预测单元一个实施例的示意图。如图4所示,预测单元302可包括数据预处理模块401、识别模块402、模型识别与参数估计模块403和预测模块404。其中:
数据预处理模块401用于对定位目标的历史位置数据进行数据预处理,以得到零均值差分平稳化的随机序列。
识别模块402用于判断随机序列是否符合时间序列预测模型。
其中识别模块402具体计算随机序列的自相关系数和偏相关系数,判断随机序列的自相关系数和偏相关系数是否具有预定的截尾特性,若具有预定的截尾特性,则判定随机序列符合时间序列预测模型。
其中,随机序列的自相关系数rk为:
其中,Yt表示随机序列Y在t时刻的取值,表示随机序列Y的均值。
随机序列的偏相关系数为:
Φ1,1=r1
Φk,i=Φk-1,i-Φk,kΦk-1,i-1
其中,1≤i≤k-1,k为大于1的自然数。
模型识别与参数估计模块403用于根据识别模块402的判断结果,若随机序列符合时间序列预测模型,则通过对时间序列预测模型进行定阶和参数估计,得到相应的位置序列表达式。
其中,位置序列表达式为:
p和q为在对时间序列预测模型进行定阶时确定的参数。
预测模块404用于根据位置序列表达式对定位目标的位置进行预测。
优选的,预测模块404具体根据位置序列表达式,利用时间序列预测模型的递推式对定位目标进行预测定位,其中:
其中为t+1时刻的预测结果。
在一个实施例中,融合单元303具体将预测的位置信息与定位***的定位结果Y′进行融合计算,以得到定位目标的定位估计值S,其中:
其中,和分别为时间序列预测模型和定位***的估计误差方差。
通过实施本发明,能够充分挖掘定位目标的行动规律,从而有助于修正现有定位***的定位结果。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (14)
1.一种利用时间序列预测的辅助定位方法,其特征在于,包括:
获取定位目标的历史位置数据;
对定位目标的历史位置数据进行时间序列分析,以便对定位目标的位置进行预测;
将预测的位置信息与定位***的定位结果进行融合计算,以实现定位目标的定位估计;
其中,对定位目标的历史位置数据进行时间序列分析,以便对定位目标的位置进行预测的步骤包括:
对定位目标的历史位置数据进行数据预处理,以得到零均值差分平稳化的随机序列;
判断随机序列是否符合时间序列预测模型;
若随机序列符合时间序列预测模型,则通过对时间序列预测模型进行定阶和参数估计,得到相应的位置序列表达式;
根据位置序列表达式对定位目标的位置进行预测。
2.根据权利要求1所述的方法,其特征在于,
判断随机序列是否符合时间序列预测模型的步骤包括:
计算随机序列的自相关系数和偏相关系数;
判断随机序列的自相关系数和偏相关系数是否具有预定的截尾特性;
若具有预定的截尾特性,则判定随机序列符合时间序列预测模型。
3.根据权利要求2所述的方法,其特征在于,
随机序列的自相关系数rk为:
其中,Yt表示随机序列Y在t时刻的取值,Y表示随机序列Y的均值。
4.根据权利要求3所述的方法,其特征在于,
随机序列的偏相关系数为:
Φ1,1=r1
Φk,i=Φk-1,i-Φk,kΦk-1,i-1
其中,1≤i≤k-1,k为大于1的自然数。
5.根据权利要求4所述的方法,其特征在于,
位置序列表达式为:
其中,p和q为在对时间序列预测模型进行定阶时确定的参数。
6.根据权利要求5所述的方法,其特征在于,
根据位置序列表达式对定位目标的位置进行预测的步骤包括:
根据位置序列表达式,利用时间序列预测模型的递推式对定位目标进行预测定位,其中:
其中为t+1时刻的预测结果。
7.根据权利要求1-6中任一项所述的方法,其特征在于,
将预测的位置信息与定位***的定位结果进行融合计算,以实现定位目标的定位估计的步骤包括:
将预测的位置信息与定位***的定位结果Y′进行融合计算,以得到定位目标的定位估计值S,其中:
其中,和分别为时间序列预测模型和定位***的估计误差方差。
8.一种利用时间序列预测的辅助定位***,其特征在于,包括获取单元、预测单元、融合单元和定位***,其中:
获取单元,用于获取定位目标的历史位置数据;
预测单元,用于对定位目标的历史位置数据进行时间序列分析,以便对定位目标的位置进行预测;
融合单元,用于将预测的位置信息与定位***的定位结果进行融合计算,以实现定位目标的定位估计;
预测单元包括数据预处理模块、识别模块、模型识别与参数估计模块和预测模块,其中:
数据预处理模块,用于对定位目标的历史位置数据进行数据预处理,以得到零均值差分平稳化的随机序列;
识别模块,用于判断随机序列是否符合时间序列预测模型;
模型识别与参数估计模块,用于根据识别模块的判断结果,若随机序列符合时间序列预测模型,则通过对时间序列预测模型进行定阶和参数估计,得到相应的位置序列表达式;
预测模块,用于根据位置序列表达式对定位目标的位置进行预测。
9.根据权利要求8所述的***,其特征在于,
识别模块具体计算随机序列的自相关系数和偏相关系数,判断随机序列的自相关系数和偏相关系数是否具有预定的截尾特性,若具有预定的截尾特性,则判定随机序列符合时间序列预测模型。
10.根据权利要求9所述的***,其特征在于,
随机序列的自相关系数rk为:
其中,Yt表示随机序列Y在t时刻的取值,表示随机序列Y的均值。
11.根据权利要求10所述的***,其特征在于,
随机序列的偏相关系数为:
Φ1,1=r1
Φk,i=Φk-1,i-Φk,kΦk-1,i-1
其中,1≤i≤k-1,k为大于1的自然数。
12.根据权利要求11所述的***,其特征在于,
位置序列表达式为:
其中,p和q为在对时间序列预测模型进行定阶时确定的参数。
13.根据权利要求12所述的***,其特征在于,
预测模块具体根据位置序列表达式,利用时间序列预测模型的递推式对定位目标进行预测定位,其中:
其中为t+1时刻的预测结果。
14.根据权利要求8-13中任一项所述的***,其特征在于,
融合单元具体将预测的位置信息与定位***的定位结果Y′进行融合计算,以得到定位目标的定位估计值S,其中:
其中,和分别为时间序列预测模型和定位***的估计误差方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510929265.4A CN106885572B (zh) | 2015-12-15 | 2015-12-15 | 利用时间序列预测的辅助定位方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510929265.4A CN106885572B (zh) | 2015-12-15 | 2015-12-15 | 利用时间序列预测的辅助定位方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106885572A CN106885572A (zh) | 2017-06-23 |
CN106885572B true CN106885572B (zh) | 2019-06-21 |
Family
ID=59174068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510929265.4A Active CN106885572B (zh) | 2015-12-15 | 2015-12-15 | 利用时间序列预测的辅助定位方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106885572B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107976703B (zh) * | 2017-11-16 | 2021-05-28 | 千寻位置网络有限公司 | 差分定位的优化方法及***、定位终端、存储器 |
CN109889531A (zh) * | 2019-03-07 | 2019-06-14 | 北京华安普特网络科技有限公司 | 一种Web服务器的DDos攻击检测方法 |
CN112630586B (zh) * | 2020-11-10 | 2024-06-28 | 南京国电南自电网自动化有限公司 | 基于采样序列自相关的小电流接地波形预处理方法、装置及存储介质 |
CN114324974B (zh) * | 2021-12-16 | 2023-09-12 | 成都戎星科技有限公司 | 一种单星辐射源无源监测目标运动属性判别方法 |
CN114970373B (zh) * | 2022-07-22 | 2022-10-25 | 北京智芯微电子科技有限公司 | 电压畸变率的预测方法、装置、电子设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102252677A (zh) * | 2011-04-18 | 2011-11-23 | 哈尔滨工程大学 | 一种基于时间序列分析的变比例自适应联邦滤波方法 |
CN102270191A (zh) * | 2010-06-03 | 2011-12-07 | 索尼公司 | 数据处理设备、数据处理方法和程序 |
CN103201754A (zh) * | 2010-11-18 | 2013-07-10 | 索尼公司 | 数据处理设备、数据处理方法以及程序 |
CN103443584A (zh) * | 2011-03-25 | 2013-12-11 | 索尼公司 | 信息处理设备、信息处理方法和程序 |
CN104994577A (zh) * | 2014-07-15 | 2015-10-21 | 中华电信股份有限公司 | 一种整合异质网络的行动定位的***及其应用方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7451205B2 (en) * | 2001-10-01 | 2008-11-11 | Hewlett-Packard Development Company, L.P. | Multimedia stream pre-fetching and redistribution in servers to accommodate mobile clients |
-
2015
- 2015-12-15 CN CN201510929265.4A patent/CN106885572B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270191A (zh) * | 2010-06-03 | 2011-12-07 | 索尼公司 | 数据处理设备、数据处理方法和程序 |
CN103201754A (zh) * | 2010-11-18 | 2013-07-10 | 索尼公司 | 数据处理设备、数据处理方法以及程序 |
CN103443584A (zh) * | 2011-03-25 | 2013-12-11 | 索尼公司 | 信息处理设备、信息处理方法和程序 |
CN102252677A (zh) * | 2011-04-18 | 2011-11-23 | 哈尔滨工程大学 | 一种基于时间序列分析的变比例自适应联邦滤波方法 |
CN104994577A (zh) * | 2014-07-15 | 2015-10-21 | 中华电信股份有限公司 | 一种整合异质网络的行动定位的***及其应用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106885572A (zh) | 2017-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106885572B (zh) | 利用时间序列预测的辅助定位方法和*** | |
US10247556B2 (en) | Method for processing feature measurements in vision-aided inertial navigation | |
Morelande et al. | Analysis of Kalman filter approximations for nonlinear measurements | |
CN111279209B (zh) | 用于改进定位模型的指纹数据预处理方法 | |
CN106471338A (zh) | 确定移动设备在地理区域中的位置 | |
US20170109324A1 (en) | Factor analysis device, factor analysis method, and factor analysis program | |
CN111914878B (zh) | 特征点跟踪训练及跟踪方法、装置、电子设备及存储介质 | |
KR101303417B1 (ko) | 정보 처리 장치, 정보 처리 방법 및 기록 매체 | |
CN103034866B (zh) | 一种目标识别方法、装置及*** | |
US9857460B2 (en) | Waveform estimation device and waveform estimation method | |
CN110659954B (zh) | 作弊识别方法、装置、电子设备及可读存储介质 | |
CN111428651A (zh) | 一种车辆的障碍信息获取方法、***及车辆 | |
KR100998709B1 (ko) | 물체의 공간적 의미정보를 이용한 로봇의 자기위치 추정 방법 | |
EP3792651B1 (en) | Path estimating device and portable information terminal | |
JP6116398B2 (ja) | 波形推定装置及び波形推定方法 | |
JP4875010B2 (ja) | 運動クラス類別装置及び追尾処理装置 | |
CN107451992B (zh) | 一种sar图像变化检测的方法与装置 | |
CN113780573B (zh) | 一种抗噪的高精度测距方法及装置 | |
EP2133822A1 (en) | A method of stem taper, volume and product breakout prediction | |
CN115203552A (zh) | 基于深度学习模型的地图兴趣点推荐方法及*** | |
CN110378306B (zh) | 年龄预测方法、装置及图像处理设备 | |
EP3147820A1 (en) | Object tracking method, device, and system as well as relevant program and non-transitory computer-readable medium | |
KR101551122B1 (ko) | 사용자 단말에서의 패턴 인식 방법 및 그 장치 | |
CN111666371A (zh) | 基于主题的匹配度确定方法、装置、电子设备及存储介质 | |
Shin et al. | Input estimation with multiple model for maneuvering target tracking |
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 |