CN115408483B - 一种北斗导航服务定位性能智能预测方法及装置 - Google Patents
一种北斗导航服务定位性能智能预测方法及装置 Download PDFInfo
- Publication number
- CN115408483B CN115408483B CN202211050760.4A CN202211050760A CN115408483B CN 115408483 B CN115408483 B CN 115408483B CN 202211050760 A CN202211050760 A CN 202211050760A CN 115408483 B CN115408483 B CN 115408483B
- Authority
- CN
- China
- Prior art keywords
- data sequence
- memory network
- value
- term memory
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种北斗导航服务定位性能智能预测方法及装置,所述方法包括从预设数据库中采样定位性能数据,得到初始数据序列;对所述初始数据序列进行处理,得到训练数据序列;利用所述训练数据序列,对预设的长短期记忆网络进行训练,得到目标长短期记忆网络;将所述训练数据序列输入所述目标长短期记忆网络进行处理,得到定位性能预测信息。利用该方法可对北斗***导航服务定位性能结果进行高精度预报分析,有利于对全球服务区域内各监测地区的定位结果进行数字化分析管理。提高北斗***定位性能的智能化预报能力。
Description
技术领域
本发明属于卫星导航智能运维领域,具体涉及一种北斗导航服务定位性能智能预测方法及装置。
背景技术
北斗卫星导航***已经向中国及周边地区提供星基增强和精密单点定位等服务,由于不同地区的导航定位服务受到空间与地理环境差异的影响,存在其特有的地域属性与空间特性,而在太空卫星星座与空间信号传输性能已基本完善的情况下,掌握全球各区域导航定位服务结果的具体地区表现特性,将是未来北斗***长期精稳运行与性能提升的关键增长点,运用智能化数据处理手段提前进行***状态预测和故障预警的需求将逐渐凸显。
目前,尚未建立有效的北斗卫星导航***服务定位性能预测方法,急需通过北斗全球卫星导航***积累的长期稳定运行服务数据,对北斗卫星导航服务定位性能进行分析与建模预测,进而建立一个适用于全球各区域的北斗导航卫星定位服务智能化预报模型,提升不同区域的北斗***服务状态常态化监测和故障预警能力。
发明内容
针对目前北斗全球卫星导航***缺少定位性能预测方法的现实问题,本发明的目的在于提供一种北斗导航服务定位性能智能预测方法及装置,利用已记录的长期稳定的定位数据序列,对长短期记忆网络进行训练,利用训练后的目标长短期记忆网络完成导航服务定位性能结果的预报。
为了解决上述技术问题,本发明实施例第一方面公开了一种北斗导航服务定位性能智能预测方法,所述方法包括:
S1.从预设数据库中采样定位性能数据,得到初始数据序列;
S2.对所述初始数据序列进行处理,得到训练数据序列;
S3.利用所述训练数据序列,对预设的长短期记忆网络进行训练,得到目标长短期记忆网络;
S4.将所述训练数据序列输入所述目标长短期记忆网络进行处理,得到定位性能预测信息。
作为一种可选的实施方式,在本发明实施例第一方面中,所述从预设数据库中采样定位性能数据,得到初始数据序列,包括:
S11.根据定位性能预测目标时长TF,计算采样开始时刻Ta;
所述Ta=T0-d×TF;
式中,T0表示预设数据库存储的最新数据时间;d表示预设的训练序列与预测序列的比值,TF表示定位性能预测目标时长;
S12.从预设数据库对定位性能类型为P的数据进行采样,采样自Ta时刻开始,采样步长为τ,得到初始数据序列;所述采样步长与定位性能预测目标步长相同。
作为一种可选的实施方式,在本发明实施例第一方面中,所述对所述初始数据序列进行处理,得到训练数据序列,包括:
S21.采用3倍均方差剔除方法,对所述初始数据序列中的异常值进行剔除,得到第一数据序列;所述异常值包括零值和野值;
所述零值表示为零的数据;所述野值表示超出预设阈值的数据;
S22.采用绝对离差中位数法,对所述第一数据序列中的离群值进行剔除,得到第二数据序列;
S23.采用二阶多项式拟合插值方法,拟合长度为60,对所述第二数据序列中的缺失值进行填充,得到训练数据序列;
所述训练数据序列表示为x=(x1,x2,x3,…,xN),其中xi表示第i个时刻的定位性能,所述i∈(1,2,…,N);
作为一种可选的实施方式,在本发明实施例第一方面中,所述采用3倍均方差剔除方法,对所述初始数据序列中的异常值进行剔除,得到第一数据序列,包括:
S211.计算所述初始数据序列中所有数据的均方差σ,其中所述数据不包含数据序列中的零值;
S213.遍历所述初始数据序列中所有数据,计算每个数据与平均值的差值,得到绝对偏差值序列yi;
S214.如果该差值yi的绝对值大于3倍的均方差,则把该时间点上的定位性能数据剔除,填充为零值,得到第一数据序列。
作为一种可选的实施方式,在本发明实施例第一方面中,所述采用绝对离差中位数法,对所述第一数据序列中的离群值进行剔除,得到第二数据序列,包括:
S221.计算所述第一数据序列中所有数据的中位数,得到中位数;
S222.遍历所述第一数据序列中所有数据,计算每个数据与所述中位数的绝对偏差值,得到绝对偏差值序列;
S223.计算所述绝对偏差值序列中所有绝对偏差值的中位数,得到绝对偏差值中位数;
S224.基于所述绝对偏差值序列和所述绝对偏差值中位数,利用偏离中心距离计算公式,计算所述第一数据序列中每个定位数据的偏离中心距离值,得到偏离中心距离序列;所述偏离中心距离计算公式为:
式中,yi表示第一数据序列中第i个定位数据,f(yi)表示yi偏离中心距离值,abs(·)表示求绝对值,Ya表示定位结果中位数,Ymad表示绝对偏差值的中位数;
S225.依据所述偏离中心距离序列,遍历所述第一数据序列,将对应的偏离中心距离值大于C的定位数据,从所述第一数据序列中剔除,得到第二数据序列;所述C取值不小于1.4826。
作为一种可选的实施方式,在本发明实施例第一方面中,所述预设的长短期记忆网络包括遗忘门,输入门,隐藏层,输出门,状态值;
所述预设的长短期记忆网络的权重系数向量包括遗忘门权重系数向量(Wxf,Whf,Wcf)、输入门权重系数向量(Wxi,Whi,Wci)、状态值权重系数向量(Wxc,Whc);式中,下标x,f,i,h,o,c分别表示输入数据,遗忘门,输入门,隐藏层,输出门,状态值;
所述预设的长短期记忆网络的偏置向量为B;
所述B表示为:
B=(bo,bi,bf,bc);
式中,下标o,i,f,c对应的偏置值分别表示输出门,输入门,遗忘门,状态值的偏置值。
作为一种可选的实施方式,在本发明实施例第一方面中,所述利用所述训练数据序列,对预设的长短期记忆网络进行训练,得到目标长短期记忆网络,包括:
利用所述训练数据序列,利用预设的长短期记忆网络进行正向处理,得到输出值;
根据所述输出值和实际的定位结果,利用预设的长短期记忆网络反向计算,得到误差项集;所述误差项集包括每个细胞的误差项;
根据所述误差项集中相应的误差项,计算每个权重的梯度,应用基于梯度的优化算法更新权重,计算每个权重的梯度,应用基于梯度的优化算法更新权重系数向量和偏置向量;
对所述预设的长短期记忆网络进行k轮次迭代训练,得到目标长短期记忆网络;所述k取值范围为50≤k≤150。
作为一种可选的实施方式,在本发明实施例第一方面中,所述利用所述训练数据序列,利用预设的长短期记忆网络进行正向处理,得到输出值,包括:
将xt输入所述遗忘门,利用所述遗忘门中Sigmoid函数、遗忘门权重系数向量(Wxf,Whf,Wcf)、遗忘门偏置值bf,对xt、ht-1、ct-1进行处理,得到ft;
利用所述输入门中Sigmoid函数、输入门权重系数向量(Wxi,Whi,Wci)、输入门偏置值bi,对xt、ht-1、ct-1进行处理,得到it;
将所述ft与ct-1相乘,再加上所述ΔCt,得到时刻t的状态值ct;
利用输出门中第二Sigmoid函数、输入门权重系数向量(Wxo,Who,Wco)输出门偏置值bo,对xt、ht-1、ct进行处理,得到时刻t的输出值ot;
利用所述隐藏层第二tanh函数,对所述ct进行处理,得到时刻t的隐藏层变数Δht;
Δht=tanh(ct)
将所述Δht与所述ot相乘,得到时刻t的隐藏层输出值ht;
上述步骤中,xt表示时刻t输入所述预设的长短期记忆网络的定位数据;ht表示时刻t隐藏层的输出,it表示时刻t输入门的输出,ft表示时刻t遗忘门,ct表示时刻t细胞状态,ot为表示时刻t所述预设的长短期记忆网络的输出。
作为一种可选的实施方式,在本发明实施例第一方面中,所述将所述训练数据序列输入所述目标长短期记忆网络进行处理,得到定位性能预测信息,包括:
S41.根据定位性能预测目标时长TF、步长τ,计算预报定位性能数据个数m;所述m=TF/τ;
S42.将所述训练数据输入所述目标长短期记忆网络,得到预报定位性能信息;所述预报定位性能信息表示为o=(o1,o2,o3,…,om)。
本发明第二方面公开了一种北斗导航服务定位性能智能预测装置,所述装置包括:
采样模块,用于从预设数据库中采样定位性能数据,得到初始数据序列;
处理模块,用于对所述初始数据序列进行处理,得到训练数据序列;
训练模块,用于利用所述训练数据序列,对预设的长短期记忆网络进行训练,得到目标长短期记忆网络;
输出模块,用于将所述训练数据序列输入所述目标长短期记忆网络进行处理,得到定位性能预测信息。
作为一种可选的实施方式,在本发明实施例第二方面中,所述从预设数据库中采样定位性能数据,得到初始数据序列,具体包括:
根据定位性能预测目标时长TF,计算采样开始时刻Ta;
所述Ta=T0-d×TF,T0表示预设数据库存储的最新数据时间;
d表示预设的训练序列与预测序列的比值。
作为一种可选的实施方式,在本发明实施例第二方面中,所述对所述初始数据序列进行处理,得到训练数据序列,具体包括:
采用3倍均方差剔除方法,对所述初始数据序列中的异常值进行剔除,得到第一数据序列;所述异常值包括零值和野值;
所述零值表示为零的数据;所述野值表示超出预设阈值的数据;
采用绝对离差中位数法,对所述第一数据序列中的离群值进行剔除,得到第二数据序列;
采用二阶多项式拟合插值方法,拟合长度为60,对所述第二数据序列中的缺失值进行填充,得到训练数据序列。
作为一种可选的实施方式,在本发明实施例第二方面中,所述利用所述训练数据序列,对预设的长短期记忆网络进行训练,得到目标长短期记忆网络,具体包括:
利用所述训练数据序列,利用预设的长短期记忆网络进行正向处理,得到输出值;
根据所述输出值和实际的定位结果,利用预设的长短期记忆网络反向计算,得到误差项集;所述误差项集包括每个细胞的误差项;
根据所述误差项集中相应的误差项,计算每个权重的梯度,应用基于梯度的优化算法更新权重,计算每个权重的梯度,应用基于梯度的优化算法更新权重系数向量和偏置向量;
对所述预设的长短期记忆网络进行k轮次迭代训练,得到目标长短期记忆网络;所述k取值范围为50≤k≤150。
作为一种可选的实施方式,在本发明实施例第二方面中,所述将所述训练数据序列输入所述目标长短期记忆网络进行处理,得到定位性能预测信息,具体包括:
S41.根据定位性能预测目标时长TF、步长τ,计算预报定位性能数据个数m;所述m=TF/τ;
将所述训练数据输入所述目标长短期记忆网络,得到预报定位性能信息;所述预报定位性能信息表示为o=(o1,o2,o3,…,om)。
针对现有技术,本发明的有益效果:
本发明提出了一种北斗导航服务定位性能智能预测方法,该方法利用已记录的北斗导航服务定位性能数据,得到训练数据序列;利用训练数据序列对预设的长短期记忆网络进行训练,得到目标长短期记忆网络;利用所述目标长短期记忆网络,对所述训练数据序列进行处理,得到定位性能预测信息。可见,通过利用已有数据和长短期记忆网络,为北斗导航服务定位性能提供了预测方法,提高了定位精度预报准确度,有利于后续对北斗***各类服务的数字化分析、故障预警与各类区域定位模型的精化,有利于未来北斗***服务性能的提升与智能化运维。
附图说明
图1本发明实施例公开的一种北斗导航服务定位性能智能预测方法流程示意图;
图2本发明实施例公开的一种北斗导航服务定位性能智能预测装置结构示意图;
图3本发明实施例公开的一种长短期记忆网络的细胞结构图。
具体实施方式
为了使本领域的技术人员更好地理解本发明方案,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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种北斗导航服务定位性能智能预测方法及装置,能够通过利用已记录的北斗导航服务定位性能数据和长短期记忆网络,实现对北斗导航服务定位性能的预测。
实施例一
请参阅图1,图1是本发明实施例公开的一种北斗导航服务定位性能智能预测方法流程示意图。其中,图1所描述的北斗导航服务定位性能智能预测方法应用于北斗***智能化运维***中,如用于北斗***智能化运维***的本地服务器或云端服务器等,本发明实施例不做限定。如图1所示,该北斗导航服务定位性能智能预测方法可以包括以下操作:
101.从预设数据库中采样定位性能数据,得到初始数据序列。
102.对所述初始数据序列进行处理,得到训练数据序列。
103.利用所述训练数据序列,对预设的长短期记忆网络进行训练,得到目标长短期记忆网络。
104.将所述训练数据序列输入所述目标长短期记忆网络进行处理,得到定位性能预测信息。
可见,实施本发明实施例所描述的北斗导航服务定位性能智能预测方法,通过利用已有数据和长短期记忆网络,为北斗导航服务定位性能提供了预测方法,提高了定位精度预报准确度,有利于未来北斗***服务性能的提升与智能化运维。
在一个可选的实施例中,上述从预设数据库中采样定位性能数据,得到初始数据序列,包括:
S11.根据定位性能预测目标时长TF,计算采样开始时刻Ta;
所述Ta=T0-d×TF,T0表示预设数据库存储的最新数据时间;
d表示预设的训练序列与预测序列的比值。
S12.从预设数据库对定位性能类型为P的数据进行采样,采样自Ta时刻开始,采样步长为τ,得到初始数据序列;所述采样步长与定位性能预测目标步长相同。
可见,实施本发明实施例所描述北斗导航服务定位性能智能预测方法,能够根据预测需要,对历史数据进行采样,得到预测所需的初始数据。
在另一个可选的实施例中,上述对所述初始数据序列进行处理,得到训练数据序列,包括:
采用3倍均方差剔除方法,对所述初始数据序列中的异常值进行剔除,得到第一数据序列;所述异常值包括零值和野值。
采用绝对离差中位数法,对所述第一数据序列中的离群值进行剔除,得到第二数据序列。
采用二阶多项式拟合插值方法,拟合长度为60,对所述第二数据序列中的缺失值进行填充,得到训练数据序列。
所述训练数据序列表示为x=(x1,x2,x3,…,xN),其中xi表示第i个时刻的定位性能,所述i∈(1,2,…,N)。
可见,实施本发明实施例所描述北斗导航服务定位性能智能预测方法,能够对历史定位数据初始数据序列中的数据进行筛选,剔除处理,有利于剔除不合理的数据,提升训练效率,解决历史数据中缺失值和零值对训练数据量的不良影响,并消除野值和离群值对定位结果训练准确度的影响。
在又一个可选的实施例中,上述采用绝对离差中位数法,对所述第一数据序列中的离群值进行剔除,得到第二数据序列,具体包括:
计算所述第一数据序列中所有定位数据的中位数,得到定位结果中位数。
遍历所述第一数据序列中所有定位结果,计算每个定位数据与所述定位结果中位数的绝对偏差值,得到绝对偏差值序列。
计算所述绝对偏差值序列中所有绝对偏差值的中位数,得到绝对偏差值的中位数。
基于所述绝对偏差值序列和所述绝对偏差值的中位数,利用偏离中心距离计算公式,计算所述第一数据序列中每个定位数据的偏离中心距离值,得到偏离中心距离序列;所述偏离中心距离计算公式为:
式中,yi表示第一数据序列中第i个定位数据,f(yi)表示yi偏离中心距离值,abs(·)表示求绝对值,Ya表示定位结果中位数,Ymad表示绝对偏差值的中位数。
依据所述偏离中心距离序列,遍历所述第一数据序列,将对应的偏离中心距离值大于1.4826的定位数据,从所述第一数据序列中剔除,得到第二数据序列。
可见,实施本发明实施例所描述北斗导航服务定位性能智能预测方法,有利于消除离群值对定位结果预报产生的不良影响。
在另一个可选的实施例中,上述预设的长短期记忆网络包括遗忘门,输入门,隐藏层,输出门,状态值。
所述预设的长短期记忆网络的权重系数向量包括遗忘门权重系数向量(Wxf,Whf,Wcf)、输入门权重系数向量(Wxi,Whi,Wci)、状态值权重系数向量(Wxc,Whc);式中,下标x,f,i,h,o,c分别表示输入数据,遗忘门,输入门,隐藏层,输出门,状态值。
所述预设的长短期记忆网络的偏置向量为B。
所述B表示为:
B=(bo,bi,bf,bc);
式中,下标o,i,f,c对应的偏置值分别表示输出门,输入门,遗忘门,状态值的偏置值。
可见,实施本发明实施例所描述北斗导航服务定位性能智能预测方法,构建了长短期记忆网络,利用长短期记忆网络对历史信息分析、学习特性,不同的网络层实现对历史信息中无用信息的删除或有用信息的添加,实现对未来的预测能力。
在又一个可选的实施例中,上述利用所述训练数据序列,对预设的长短期记忆网络进行训练,得到目标长短期记忆网络,包括:
利用所述训练数据序列,利用预设的长短期记忆网络进行正向处理,得到输出值。
根据所述输出值和实际的定位结果,利用预设的长短期记忆网络反向计算,得到误差项集;所述误差项集包括每个细胞的误差项。
根据所述误差项集中相应的误差项,计算每个权重的梯度,应用基于梯度的优化算法更新权重,计算每个权重的梯度,应用基于梯度的优化算法更新权重系数向量和偏置向量。
对所述预设的长短期记忆网络进行k轮次迭代训练,得到目标长短期记忆网络;所述k取值范围为50≤k≤150。
可见,实施本发明实施例所描述北斗导航服务定位性能智能预测方法,通过利用训练数据对长短期记忆网络进行训练,得到满足需求的目标长短期记忆网络。
在又一个可选的实施例中,所述利用所述训练数据序列,利用预设的长短期记忆网络进行正向处理,得到输出值,包括:
设当前时刻为t,前一时刻为t-1,后一时刻为t+1。
xt表示时刻t输入所述预设的长短期记忆网络的定位数据;ht表示时刻t隐藏层的输出,it表示时刻t输入门的输出,ft表示时刻t遗忘门,ct表示时刻t细胞状态,ot为表示时刻t所述预设的长短期记忆网络的输出。
请参阅图3,图3本发明实施例公开的一种循环网络的细胞结构图。
利用所述遗忘门中Sigmoid函数、遗忘门权重系数向量(Wxf,Whf,Wcf)、遗忘门偏置值bf,对xt、ht-1、ct-1进行处理,得到ft;所述ft计算公式为:
ft=σ(Wxfxt+Whfht-1+Wcfct+bf)
利用所述输入门中Sigmoid函数、输入门权重系数向量(Wxi,Whi,Wci)、输入门偏置值bi,对xt、ht-1、ct-1进行处理,得到it;所述it计算公式为:
it=σ(Wxixt+Whiht-1+Wcict-1+bi)
将所述ft与ct-1相乘,再加上所述ΔCt,得到时刻t的状态值ct;所述ct计算公式为:
ct=ftct-1+it*tanh(Wxcxt+Whcht-1+bc)
利用输出门中第二Sigmoid函数、输入门权重系数向量(Wxo,Who,Wco)输出门偏置值bo,对xt、ht-1、ct进行处理,得到时刻t的输出值ot;所述ot计算公式为:
ot=σ(Wxoxt+Whoht-1+Wcoct+bo)
利用所述隐藏层第二tanh函数,对所述ct进行处理,得到时刻t的隐藏层变数Δht;
Δht=tanh(ct)
将所述Δht与所述ot相乘,得到时刻t的隐藏层输出值ht;所述ht计算公式为:
ht=ot*tanh(ct)。
可见,实施本发明实施例所描述北斗导航服务定位性能智能预测方法,通过将每个神经网络细胞的状态添加到每一层计算中,增加了对历史参数的窥探能力,使预测值更加准确。
在又一个可选的实施例中,上述根据所述输出值和实际的定位结果,利用预设的长短期记忆网络反向计算,得到误差项集,包括:
按时间和网络层级2个反向传播方向,计算每个长短期记忆网络细胞的误差项,得到误差项集。
在又一个可选的实施例中,上述利用所述目标长短期记忆网络,对所述训练数据序列进行处理,得到定位性能预测信息,包括:
根据定位性能预测目标时长TF、步长τ,计算预报定位性能数据个数m;所述m=TF/τ;
将所述训练数据输入所述目标长短期记忆网络,得到预报定位性能信息;所述预报定位性能信息表示为o=(o1,o2,o3,…,om)。
可见,实施本发明实施例所描述北斗导航服务定位性能智能预测方法,能够利用训练好的长短期记忆网络,实现对北斗导航服务定位性能智能预测。
为验证本发明的有效性,本实施例中对本发明提出的北斗导航服务定位性能智能预测方法进行验证。
本实施例以北斗卫星多地区监测站接收机单点定位精度分析为例。
获取2020年1月3日到2021年10月27日北斗***监测接收机分别位于北京、海南、广州、四川、哈尔滨和西藏地区监测接收机的历史定位服务数据结果,对所有数据文件进行数据清理预处理后,将数据按80%和20%分割成训练数据和实测数据,并建立好批处理数据,训练数据用来进行网络模型的训练,测试数据用来测试训练之后模型预测的准确度。
评估时使用均方根误差代表预报结果的误差值,均方根误差计算公式如下:
表1列出了6个监测地区不同北斗频点的定位预测准确度结果。
表1各地区定位精度预测准确度结果
通过上述试验分析表明,利用多个地区的监测接收机历史定位结果,使用长短期记忆网络的导航服务性能智能预测方法对该定位结果进行预测,数据预测准确度基本在90%以上,各地区定位精度平均准确度为93.12%。从数据处理的角度验证了一种基于长短期记忆网络的导航服务定位性能智能预测方法对北斗***定位服务结果的预报是正确有效的。
实施例二
请参阅图2,图2是本发明实施例公开的一种北斗导航服务定位性能智能预测装置结构示意图。其中,图2所描述的北斗导航服务定位性能智能预测装置应用于北斗***智能化运维***中,如用于北斗***智能化运维***的本地服务器或云端服务器等,本发明实施例不做限定。如图2所示,该装置可以包括:
采样模块201,用于从预设数据库中采样定位性能数据,得到初始数据序列;
处理模块202,用于对所述初始数据序列进行处理,得到训练数据序列;
训练模块203,用于利用所述训练数据序列,对预设的长短期记忆网络进行训练,得到目标长短期记忆网络;
输出模块204,用于将所述训练数据序列输入所述目标长短期记忆网络进行处理,得到定位性能预测信息。
在一个可选的实施例中,上述从预设数据库中采样定位性能数据,得到初始数据序列,具体包括:
根据定位性能预测目标时长TF,计算采样开始时刻Ta;
所述Ta=T0-d×TF,T0表示预设数据库存储的最新数据时间;
d表示预设的训练序列与预测序列的比值。
在另一个可选的实施例中,上述对所述初始数据序列进行处理,得到训练数据序列,具体包括:
采用3倍均方差剔除方法,对所述初始数据序列中的异常值进行剔除,得到第一数据序列;所述异常值包括零值和野值;
所述零值表示为零的数据;所述野值表示超出预设阈值的数据;
采用绝对离差中位数法,对所述第一数据序列中的离群值进行剔除,得到第二数据序列;
采用二阶多项式拟合插值方法,拟合长度为60,对所述第二数据序列中的缺失值进行填充,得到训练数据序列。
在又一个可选的实施例中,上述利用所述训练数据序列,对预设的长短期记忆网络进行训练,得到目标长短期记忆网络,具体包括:
利用所述训练数据序列,利用预设的长短期记忆网络进行正向处理,得到输出值;
根据所述输出值和实际的定位结果,利用预设的长短期记忆网络反向计算,得到误差项集;所述误差项集包括每个细胞的误差项;
根据所述误差项集中相应的误差项,计算每个权重的梯度,应用基于梯度的优化算法更新权重,计算每个权重的梯度,应用基于梯度的优化算法更新权重系数向量和偏置向量;
对所述预设的长短期记忆网络进行k轮次迭代训练,得到目标长短期记忆网络;所述k取值范围为50≤k≤150。
在又一个可选的实施例中,上述将所述训练数据序列输入所述目标长短期记忆网络进行处理,得到定位性能预测信息,具体包括:
根据定位性能预测目标时长TF、步长τ,计算预报定位性能数据个数m;所述m=TF/τ;
将所述训练数据输入所述目标长短期记忆网络,得到预报定位性能信息;所述预报定位性能信息表示为o=(o1,o2,o3,…,om)。
最后应说明的是:本发明实施例公开的一种北斗导航服务定位性能智能预测方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (5)
1.一种北斗导航服务定位性能智能预测方法,其特征在于,所述方法包括:
S1.从预设数据库中采样定位性能数据,得到初始数据序列;
S2.对所述初始数据序列进行处理,得到训练数据序列,具体包括:
S21.采用3倍均方差剔除方法,对所述初始数据序列中的异常值进行剔除,得到第一数据序列;所述异常值包括零值和野值;
S22.采用绝对离差中位数法,对所述第一数据序列中的离群值进行剔除,得到第二数据序列,具体包括:
S221.计算所述第一数据序列中所有数据的中位数,得到中位数;
S222.遍历所述第一数据序列中所有数据,计算每个数据与所述中位数的绝对偏差值,得到绝对偏差值序列;
S223.计算所述绝对偏差值序列中所有绝对偏差值的中位数,得到绝对偏差值中位数;
S224.基于所述绝对偏差值序列和所述绝对偏差值中位数,利用偏离中心距离计算公式,计算所述第一数据序列中每个定位数据的偏离中心距离值,得到偏离中心距离序列;所述偏离中心距离计算公式为:
式中,yi表示第一数据序列中第i个定位数据,f(yi)表示yi偏离中心距离值,abs(·)表示求绝对值,Ya表示定位结果中位数,Ymad表示绝对偏差值的中位数;
S225.依据所述偏离中心距离序列,遍历所述第一数据序列,将对应的偏离中心距离值大于C的定位数据,从所述第一数据序列中剔除,得到第二数据序列;所述C取值不小于1.4826;
S23.采用二阶多项式拟合插值方法,拟合长度为60,对所述第二数据序列中的缺失值进行填充,得到训练数据序列;
S3.利用所述训练数据序列,对预设的长短期记忆网络进行训练,得到目标长短期记忆网络,具体包括:
利用所述训练数据序列,对预设的长短期记忆网络进行正向处理,得到输出值;
根据所述输出值和实际的定位结果,利用预设的长短期记忆网络反向计算,得到误差项集;所述误差项集包括每个细胞的误差项;
根据所述误差项集中相应的误差项,更新所述权重系数向量和所述偏置向量;
对所述预设的长短期记忆网络进行k轮次迭代训练,得到目标长短期记忆网络;所述k取值范围为50≤k≤150;
所述预设的长短期记忆网络包括遗忘门,输入门,隐藏层,输出门,状态值;所述预设的长短期记忆网络的权重系数向量包括遗忘门权重系数向量(Wxf,Whf,Wcf)、输入门权重系数向量(Wxi,Whi,Wci)、状态值权重系数向量(Wxc,Whc);式中,下标x,f,i,h,o,c分别表示输入数据,遗忘门,输入门,隐藏层,输出门,状态值;
所述预设的长短期记忆网络的偏置向量为B;
所述B表示为:
B=(bo,bi,bf,bc);
式中,下标o,i,f,c对应的偏置值分别表示输出门,输入门,遗忘门,状态值的偏置值;
S4.将所述训练数据序列输入所述目标长短期记忆网络进行处理,得到定位性能预测信息。
2.根据权利要求1所述的北斗导航服务定位性能智能预测方法,其特征在于,所述从预设数据库中采样定位性能数据,得到初始数据序列,包括:
S11.根据定位性能预测目标时长TF,计算采样开始时刻Ta;
所述Ta=T0-d×TF;
式中,T0表示预设数据库存储的最新数据时间;d表示预设的训练序列与预测序列的比值,TF表示定位性能预测目标时长;
S12.从预设数据库对定位性能类型为P的数据进行采样,采样自Ta时刻开始,采样步长为τ,得到初始数据序列;所述采样步长与定位性能预测目标步长相同。
3.根据权利要求1所述的北斗导航服务定位性能智能预测方法,其特征在于,所述利用所述训练数据序列,对预设的长短期记忆网络进行正向处理,得到输出值,包括:
将xt输入所述遗忘门,利用所述遗忘门中Sigmoid函数、遗忘门权重系数向量(Wxf,Whf,Wcf)、遗忘门偏置值bf,对xt、ht-1、ct-1进行处理,得到ft;
利用所述输入门中Sigmoid函数、输入门权重系数向量(Wxi,Whi,Wci)、输入门偏置值bi,对xt、ht-1、ct-1进行处理,得到it;
将所述ft与ct-1相乘,再加上所述ΔCt,得到时刻t的状态值ct;
利用输出门中第二Sigmoid函数、输入门权重系数向量(Wxo,Who,Wco)输出门偏置值bo,对xt、ht-1、ct进行处理,得到时刻t的输出值ot;
利用所述隐藏层第二tanh函数,对所述ct进行处理,得到时刻t的隐藏层变数Δht;
Δht=tanh(ct)
将所述Δht与所述ot相乘,得到时刻t的隐藏层输出值ht;
上述步骤中,xt表示时刻t输入所述预设的长短期记忆网络的定位数据;ht表示时刻t隐藏层的输出,it表示时刻t输入门的输出,ft表示时刻t遗忘门,ct表示时刻t细胞状态,ot为表示时刻t所述预设的长短期记忆网络的输出。
4.根据权利要求1所述的北斗导航服务定位性能智能预测方法,其特征在于,所述将所述训练数据序列输入所述目标长短期记忆网络进行处理,得到定位性能预测信息,包括:
S41.根据定位性能预测目标时长TF、步长τ,计算预报定位性能数据个数m;
S42.将所述训练数据输入所述目标长短期记忆网络,得到预报定位性能信息;所述预报定位性能信息表示为o=(o1,o2,o3,…,om)。
5.一种北斗导航服务定位性能智能预测装置,其特征在于,所述装置包括:
采样模块,用于从预设数据库中采样定位性能数据,得到初始数据序列;
处理模块,用于对所述初始数据序列进行处理,得到训练数据序列,具体包括:
所述处理模块采用3倍均方差剔除方法,对所述初始数据序列中的异常值进行剔除,得到第一数据序列;所述异常值包括零值和野值;
所述处理模块采用绝对离差中位数法,对所述第一数据序列中的离群值进行剔除,得到第二数据序列,具体包括:
1)所述处理模块计算所述第一数据序列中所有数据的中位数,得到中位数;
2)所述处理模块遍历所述第一数据序列中所有数据,计算每个数据与所述中位数的绝对偏差值,得到绝对偏差值序列;
3)所述处理模块计算所述绝对偏差值序列中所有绝对偏差值的中位数,得到绝对偏差值中位数;
4)所述处理模块基于所述绝对偏差值序列和所述绝对偏差值中位数,利用偏离中心距离计算公式,计算所述第一数据序列中每个定位数据的偏离中心距离值,得到偏离中心距离序列;所述偏离中心距离计算公式为:
式中,yi表示第一数据序列中第i个定位数据,f(yi)表示yi偏离中心距离值,abs(·)表示求绝对值,Ya表示定位结果中位数,Ymad表示绝对偏差值的中位数;
5)所述处理模块依据所述偏离中心距离序列,遍历所述第一数据序列,将对应的偏离中心距离值大于C的定位数据,从所述第一数据序列中剔除,得到第二数据序列;所述C取值不小于1.4826;
所述处理模块采用二阶多项式拟合插值方法,拟合长度为60,对所述第二数据序列中的缺失值进行填充,得到训练数据序列;
训练模块,用于利用所述训练数据序列,对预设的长短期记忆网络进行训练,得到目标长短期记忆网络,具体包括:
所述训练模块利用所述训练数据序列,对预设的长短期记忆网络进行正向处理,得到输出值;
所述训练模块根据所述输出值和实际的定位结果,利用预设的长短期记忆网络反向计算,得到误差项集;所述误差项集包括每个细胞的误差项;
所述训练模块根据所述误差项集中相应的误差项,更新所述权重系数向量和所述偏置向量;
所述训练模块对所述预设的长短期记忆网络进行k轮次迭代训练,得到目标长短期记忆网络;所述k取值范围为50≤k≤150;
所述预设的长短期记忆网络包括遗忘门,输入门,隐藏层,输出门,状态值;所述预设的长短期记忆网络的权重系数向量包括遗忘门权重系数向量(Wxf,Whf,Wcf)、输入门权重系数向量(Wxi,Whi,Wci)、状态值权重系数向量(Wxc,Whc);式中,下标x,f,i,h,o,c分别表示输入数据,遗忘门,输入门,隐藏层,输出门,状态值;
所述预设的长短期记忆网络的偏置向量为B;
所述B表示为:
B=(bo,bi,bf,bc);
式中,下标o,i,f,c对应的偏置值分别表示输出门,输入门,遗忘门,状态值的偏置值;
输出模块,用于将所述训练数据序列输入所述目标长短期记忆网络进行处理,得到定位性能预测信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050760.4A CN115408483B (zh) | 2022-08-29 | 2022-08-29 | 一种北斗导航服务定位性能智能预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050760.4A CN115408483B (zh) | 2022-08-29 | 2022-08-29 | 一种北斗导航服务定位性能智能预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115408483A CN115408483A (zh) | 2022-11-29 |
CN115408483B true CN115408483B (zh) | 2023-04-14 |
Family
ID=84163895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211050760.4A Active CN115408483B (zh) | 2022-08-29 | 2022-08-29 | 一种北斗导航服务定位性能智能预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115408483B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388885B (zh) * | 2023-10-10 | 2024-03-26 | 中国人民解放军32021部队 | 一种北斗***精密单点定位服务性能降效推演方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106933809A (zh) * | 2017-03-27 | 2017-07-07 | 三角兽(北京)科技有限公司 | 信息处理装置及信息处理方法 |
CN111260786B (zh) * | 2020-01-06 | 2023-05-23 | 南京航空航天大学 | 一种智能超声多模态导航***及方法 |
CN113885055A (zh) * | 2021-09-07 | 2022-01-04 | 中国科学院上海天文台 | 星地双向钟差约束的导航卫星多星定轨***及方法 |
CN114563804B (zh) * | 2021-12-27 | 2024-05-24 | 中国人民解放军空军工程大学 | 一种gnss/ins紧组合导航***的自适应容错方法 |
-
2022
- 2022-08-29 CN CN202211050760.4A patent/CN115408483B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115408483A (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109285346B (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
CN111723929A (zh) | 一种基于神经网络的数值预报产品订正方法、装置和*** | |
CN113379107B (zh) | 基于lstm和gcn的区域电离层tec预报方法 | |
CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及*** | |
CN112561191A (zh) | 预测模型的训练、预测方法、装置、设备、程序和介质 | |
CN110363349B (zh) | 一种基于ascs的lstm神经网络水文预测方法及*** | |
CN113240170A (zh) | 一种基于季节性循环神经网络的空气质量预测方法 | |
CN115408483B (zh) | 一种北斗导航服务定位性能智能预测方法及装置 | |
Lopez et al. | Effect of direction on wind speed estimation in complex terrain using neural networks | |
CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
CN116187203A (zh) | 一种流域水质预测方法、***、电子设备及存储介质 | |
CN112070272A (zh) | 一种输电线路的覆冰厚度预测方法及装置 | |
CN114861840A (zh) | 一种多源降水数据融合方法 | |
CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
CN111785093A (zh) | 一种基于分形插值的空中交通流量短期预测方法 | |
CN116341763B (zh) | 一种空气质量预测方法 | |
CN116502539B (zh) | 一种VOCs气体浓度预测方法及*** | |
Vaishali et al. | Weather prediction model using Savitzky-Golay and Kalman Filters | |
CN117390962A (zh) | 一种基于二阶循环神经网络的空气质量预测方法 | |
Peng et al. | Meteorological satellite operation prediction using a BiLSTM deep learning model | |
Toukourou et al. | Flash flood forecasting by statistical learning in the absence of rainfall forecast: a case study | |
CN115062526A (zh) | 基于深度学习的三维电离层电子浓度分布模型训练方法 | |
CN112787882A (zh) | 一种物联网边缘流量预测方法、装置及设备 |
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 |