CN116626725B - 基于用户分布格网改正生成方法、装置、设备及存储介质 - Google Patents

基于用户分布格网改正生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116626725B
CN116626725B CN202310910329.0A CN202310910329A CN116626725B CN 116626725 B CN116626725 B CN 116626725B CN 202310910329 A CN202310910329 A CN 202310910329A CN 116626725 B CN116626725 B CN 116626725B
Authority
CN
China
Prior art keywords
grid
user
data
epoch
correction
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
CN202310910329.0A
Other languages
English (en)
Other versions
CN116626725A (zh
Inventor
张琦
姚宜斌
张良
彭文杰
马雄伟
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202310910329.0A priority Critical patent/CN116626725B/zh
Publication of CN116626725A publication Critical patent/CN116626725A/zh
Application granted granted Critical
Publication of CN116626725B publication Critical patent/CN116626725B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G01S19/40—Correcting position, velocity or attitude
    • G01S19/41—Differential correction, e.g. DGPS [differential GPS]
    • 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
    • G06N3/0499—Feedforward networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/024—Guidance services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于用户分布格网改正生成方法、装置、设备及存储介质，所述方法通过神经网络算法逐历元构建初始格网；通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网；将所述历元最终格网代入网络RTK解算模型，获得差分数据，能够不用受限于VRS数据服务数量，使***服务格网数量始终保持动态平衡，既满足了海量并发需求，提高了区域服务精度，又提升了用户精度，避免了资源浪费，能够自动释放空闲格网，在保障海量并发服务的基础上，实现全域自适应高精度数据服务，提升了基于用户分布格网改正生成的速度和效率。

Description

基于用户分布格网改正生成方法、装置、设备及存储介质
技术领域
本发明涉及地基增强服务技术领域，尤其涉及一种基于用户分布格网改正生成方法、装置、设备及存储介质。
背景技术
虚拟参考站技术的问世改变了原有的定位方式，实现了实时网络RTK定位，该技术是由德累斯顿工业大学Lambert Wanninger博士于1997 年第一次提出的，目前主要应用在以美国Trimble公司的网络RTK软件中；虚拟参考站技术（Virtual Reference Station，VRS）的定位原理是处理中心实时接收基准站网络内各个参考站的观测数据和流动站的概略坐标；在概略坐标处生成一个虚拟参考站，并对该虚拟参考站处的对流层，电离层延迟等空间距离相关误差进行建模，生成VRS虚拟观测值，再将虚拟参考站处的标准格式的观测数据或者改正数发给流动站，从而实现流动站的实时高精度定位，该模式依赖于与用户建立双向通讯，会严重影响解算和服务性能，目前基于该模式的解算软件只能支持1000个用户服务，并发能力十分低下。
另一种方式是通过固定格网化VRS技术，通过格网VRS数据为用户服务，但是该方式进行格网划分缺少依据，对于较大的服务区域（如省级区域）为降低软件承载负荷，所划分的格网间距往往过大，导致服务精度不足；同时，由于大部分区域范围没有用户请求服务，导致部分格网VRS虽然生成但没有实际用户，造成资源浪费。
发明内容
本发明的主要目的在于提供一种基于用户分布格网改正生成方法、装置、设备及存储介质，旨在解决现有技术中格网动态定位并发能力低下，格网间距过大导致精度不足，并且由于不同时刻用户分布不均导致部分区域格网无效的状态，资源浪费严重的技术问题。
第一方面，本发明提供一种基于用户分布格网改正生成方法，所述基于用户分布格网改正生成方法包括以下步骤：
通过神经网络算法逐历元构建初始格网；
通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网；
将所述历元最终格网代入网络RTK解算模型，获得差分数据。
可选地，所述通过神经网络算法逐历元构建初始格网，包括：
获取用户历史作业数据和用户项目位置属性信息；
通过神经网络算法对所述用户历史作业数据和所述用户项目位置属性信息进行逐历元建模，获得初始格网。
可选地，所述通过神经网络算法对所述用户历史作业数据和所述用户项目位置属性信息进行逐历元建模，获得初始格网，包括：
将所述用户历史作业数据和所述用户项目位置属性信息分别与格网坐标进行模型训练，按照历元输出每个历元的格网坐标，根据各格网坐标生成初始格网。
可选地，所述通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网，包括：
获取用户实时分布数据，从所述用户实时分布数据中获得位置信息，在所述初始格网中检索所述位置信息的预设范围内是否存在格网点；
在所述预设范围内不存在格网点时，将所述位置信息对应的用户位置转换为目标格网点坐标，并将所述目标格网点坐标录入所述初始格网池，
对所述初始格网池中的无服务格网剔除，获得历元最终格网。
可选地，所述对所述初始格网池中的无服务格网剔除，获得历元最终格网，包括：
根据预设监听线程对所述初始格网池在预设监听周期内无服务任何用户的格网进行剔除，获得历元最终格网。
可选地，所述将所述历元最终格网代入网络RTK解算模型，获得差分数据，包括：
将所述历元最终格网代入网络RTK解算模型，并获取地基增强***的基准站数据；
根据所述基准站数据对所述网络RTK解算模型中各格网点的模糊度固定参数和误差改正参数进行计算，生成格网点出的VRS观测数据；
对所述VRS观测数据进行数据解算，获得差分数据。
可选地，所述对所述VRS观测数据进行数据解算，获得差分数据，包括：
获取用户轨迹数据、项目位置数据和格网VRS数据解算地址信息，根据所述用户轨迹数据、所述项目位置数据和所述格网VRS数据解算地址信息对VRS数据解算模块进行配置；
根据区域实时大气延迟模型和预设大气误差阈值确定大气格网点坐标，根据所述大气格网点坐标为各格网点内插，获得单差电离层延迟改正数、单差对流层延迟改正数和轨道误差改正数；
获取当前格网池坐标，根据所述当前格网池坐标生成各格网点的几何星地距改正数；
将所述单差电离层延迟改正数、所述单差对流层延迟改正数、所述轨道误差改正数和所述几何星地距改正数根据预设组合方式进行组合，获得各格网点的VRS改正数；
根据所述VRS改正数和所述配置后的VRS数据解算模块对所述VRS观测数据进行数据解算，获得差分数据。
第二方面，为实现上述目的，本发明还提出一种基于用户分布格网改正生成装置，所述基于用户分布格网改正生成装置包括：
格网构建模块，用于通过神经网络算法逐历元构建初始格网；
动态调整模块，用于通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网；
解算模块，用于将所述历元最终格网代入网络RTK解算模型，获得差分数据。
第三方面，为实现上述目的，本发明还提出一种基于用户分布格网改正生成设备，所述基于用户分布格网改正生成设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于用户分布格网改正生成程序，所述基于用户分布格网改正生成程序配置为实现如上文所述的基于用户分布格网改正生成方法的步骤。
第四方面，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于用户分布格网改正生成程序，所述基于用户分布格网改正生成程序被处理器执行时实现如上文所述的基于用户分布格网改正生成方法的步骤。
本发明提出的基于用户分布格网改正生成方法，通过神经网络算法逐历元构建初始格网；通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网；将所述历元最终格网代入网络RTK解算模型，获得差分数据，能够不用受限于VRS数据服务数量，使***服务格网数量始终保持动态平衡，既满足了海量并发需求，提高了区域服务精度，又提升了用户精度，避免了资源浪费，能够自动释放空闲格网，在保障海量并发服务的基础上，实现全域自适应高精度数据服务，提升了基于用户分布格网改正生成的速度和效率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明基于用户分布格网改正生成方法第一实施例的流程示意图；
图3为本发明基于用户分布格网改正生成方法第二实施例的流程示意图；
图4为本发明基于用户分布格网改正生成方法中初始格网模型示意图；
图5为本发明基于用户分布格网改正生成方法第三实施例的流程示意图；
图6为本发明基于用户分布格网改正生成方法第四实施例的流程示意图；
图7为本发明基于用户分布格网改正生成方法第五实施例的流程示意图；
图8为本发明基于用户分布格网改正生成方法中格网点处的VRS观测数据生成示意图；
图9为本发明基于用户分布格网改正生成方法中实施整体组成示意图；
图10为本发明基于用户分布格网改正生成方法中差分数据生成示意图；
图11为本发明基于用户分布格网改正生成方法中RTCM编码流程示意图；
图12为本发明基于用户分布格网改正生成方法中Ntrip协议交互流程示意图；
图13为本发明基于用户分布格网改正生成装置第一实施例的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的解决方案主要是：通过神经网络算法逐历元构建初始格网；通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网；将所述历元最终格网代入网络RTK解算模型，获得差分数据，能够不用受限于VRS数据服务数量，使***服务格网数量始终保持动态平衡，既满足了海量并发需求，提高了区域服务精度，又提升了用户精度，避免了资源浪费，能够自动释放空闲格网，在保障海量并发服务的基础上，实现全域自适应高精度数据服务，提升了基于用户分布格网改正生成的速度和效率，解决了现有技术中格网动态定位并发能力低下，格网间距过大导致精度不足，并且由于不同时刻用户分布不均导致部分区域格网无效的状态，资源浪费严重的技术问题。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
如图1所示，该设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如Wi-Fi接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（Non-Volatile Memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对该设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作装置、网络通信模块、用户接口模块以及基于用户分布格网改正生成程序。
本发明设备通过处理器1001调用存储器1005中存储的基于用户分布格网改正生成程序，并执行以下操作：
通过神经网络算法逐历元构建初始格网；
通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网；
将所述历元最终格网代入网络RTK解算模型，获得差分数据。
本发明设备通过处理器1001调用存储器1005中存储的基于用户分布格网改正生成程序，还执行以下操作：
获取用户历史作业数据和用户项目位置属性信息；
通过神经网络算法对所述用户历史作业数据和所述用户项目位置属性信息进行逐历元建模，获得初始格网。
本发明设备通过处理器1001调用存储器1005中存储的基于用户分布格网改正生成程序，还执行以下操作：
将所述用户历史作业数据和所述用户项目位置属性信息分别与格网坐标进行模型训练，按照历元输出每个历元的格网坐标，根据各格网坐标生成初始格网。
本发明设备通过处理器1001调用存储器1005中存储的基于用户分布格网改正生成程序，还执行以下操作：
获取用户实时分布数据，从所述用户实时分布数据中获得位置信息，在所述初始格网中检索所述位置信息的预设范围内是否存在格网点；
在所述预设范围内不存在格网点时，将所述位置信息对应的用户位置转换为目标格网点坐标，并将所述目标格网点坐标录入所述初始格网池，
对所述初始格网池中的无服务格网剔除，获得历元最终格网。
本发明设备通过处理器1001调用存储器1005中存储的基于用户分布格网改正生成程序，还执行以下操作：
根据预设监听线程对所述初始格网池在预设监听周期内无服务任何用户的格网进行剔除，获得历元最终格网。
本发明设备通过处理器1001调用存储器1005中存储的基于用户分布格网改正生成程序，还执行以下操作：
将所述历元最终格网代入网络RTK解算模型，并获取地基增强***的基准站数据；
根据所述基准站数据对所述网络RTK解算模型中各格网点的模糊度固定参数和误差改正参数进行计算，生成格网点出的VRS观测数据；
对所述VRS观测数据进行数据解算，获得差分数据。
本发明设备通过处理器1001调用存储器1005中存储的基于用户分布格网改正生成程序，还执行以下操作：
获取用户轨迹数据、项目位置数据和格网VRS数据解算地址信息，根据所述用户轨迹数据、所述项目位置数据和所述格网VRS数据解算地址信息对VRS数据解算模块进行配置；
根据区域实时大气延迟模型和预设大气误差阈值确定大气格网点坐标，根据所述大气格网点坐标为各格网点内插，获得单差电离层延迟改正数、单差对流层延迟改正数和轨道误差改正数；
获取当前格网池坐标，根据所述当前格网池坐标生成各格网点的几何星地距改正数；
将所述单差电离层延迟改正数、所述单差对流层延迟改正数、所述轨道误差改正数和所述几何星地距改正数根据预设组合方式进行组合，获得各格网点的VRS改正数；
根据所述VRS改正数和所述配置后的VRS数据解算模块对所述VRS观测数据进行数据解算，获得差分数据。
本实施例通过上述方案，通过神经网络算法逐历元构建初始格网；通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网；将所述历元最终格网代入网络RTK解算模型，获得差分数据，能够不用受限于VRS数据服务数量，使***服务格网数量始终保持动态平衡，既满足了海量并发需求，提高了区域服务精度，又提升了用户精度，避免了资源浪费，能够自动释放空闲格网，在保障海量并发服务的基础上，实现全域自适应高精度数据服务，提升了基于用户分布格网改正生成的速度和效率。
基于上述硬件结构，提出本发明基于用户分布格网改正生成方法实施例。
参照图2，图2为本发明基于用户分布格网改正生成方法第一实施例的流程示意图。
在第一实施例中，所述基于用户分布格网改正生成方法包括以下步骤：
步骤S10、通过神经网络算法逐历元构建初始格网。
需要说明的是，通过预先设置的神经网络算法可以逐个历元构建初始格网。
步骤S20、通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网。
可以理解的是，获得用户的实时分布数据后，可以通过用户实时分布数据可以对所述初始格网进行动态调整，获得历元最终格网，同时可以自动释放空闲格网，进而可以自动释放空闲格网，在保障海量并发服务的基础上，可以实现全域自适应高精度数据服务。
步骤S30、将所述历元最终格网代入网络RTK解算模型，获得差分数据。
应当理解的是，将所述历元最终格网代入网络实时动态（Real Time Kinematic，RTK）解算模型后，可以获得相应的差分数据。
本实施例通过上述方案，通过神经网络算法逐历元构建初始格网；通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网；将所述历元最终格网代入网络RTK解算模型，获得差分数据，能够不用受限于VRS数据服务数量，使***服务格网数量始终保持动态平衡，既满足了海量并发需求，提高了区域服务精度，又提升了用户精度，避免了资源浪费，能够自动释放空闲格网，在保障海量并发服务的基础上，实现全域自适应高精度数据服务，提升了基于用户分布格网改正生成的速度和效率。
进一步地，图3为本发明基于用户分布格网改正生成方法第二实施例的流程示意图，如图3所示，基于第一实施例提出本发明基于用户分布格网改正生成方法第二实施例，在本实施例中，所述步骤S10具体包括以下步骤：
步骤S11、获取用户历史作业数据和用户项目位置属性信息。
需要说明的是，用户历史作业数据为用户历史时间段格网池的观测数据，用户项目位置属性信息为用户的项目位置对应的属性数据。
步骤S12、通过神经网络算法对所述用户历史作业数据和所述用户项目位置属性信息进行逐历元建模，获得初始格网。
可以理解的是，通过神经网络算法可以对所述用户历史作业数据和所述用户项目位置属性信息进行逐历元建模，获得初始格网。
在具体实现中，参照图4，图4为本发明基于用户分布格网改正生成方法中初始格网模型示意图，如图4所述，可以以神经网络算法为向神经网络算法为例，利用后向神经网络算法（Back Propagation Neural Network，BPNN）对用户历史作业数据和用户项目位置属性信息进行建模，然后逐历元对进行格网预测，作为每个时间点的初始格网池，并根据时间变化自动化调整。
本实施例通过上述方案，通过获取用户历史作业数据和用户项目位置属性信息；通过神经网络算法对所述用户历史作业数据和所述用户项目位置属性信息进行逐历元建模，获得初始格网，能够不用受限于VRS数据服务数量，使***服务格网数量始终保持动态平衡，既满足了海量并发需求，提高了区域服务精度和用户精度。
进一步地，图5为本发明基于用户分布格网改正生成方法第三实施例的流程示意图，如图5所示，基于第二实施例提出本发明基于用户分布格网改正生成方法第三实施例，在本实施例中，所述步骤S12具体包括以下步骤：
步骤S121、将所述用户历史作业数据和所述用户项目位置属性信息分别与格网坐标进行模型训练，按照历元输出每个历元的格网坐标，根据各格网坐标生成初始格网。
需要说明的是，将所述用户历史作业数据和所述用户项目位置属性信息可以分别与格网坐标进行模型训练，以用户历史作业数据为7天历史数据为例，可以将用户历史7天的观测数据和未完成的项目位置属性数据与格网坐标进行模型训练，将格网坐标作为输出，按历元输出每个历元的格网坐标作为初始格网池。
本实施例通过上述方案，通过将所述用户历史作业数据和所述用户项目位置属性信息分别与格网坐标进行模型训练，按照历元输出每个历元的格网坐标，根据各格网坐标生成初始格网，能够不用受限于VRS数据服务数量，使***服务格网数量始终保持动态平衡，既满足了海量并发需求，提高了区域服务精度和用户精度。
进一步地，图6为本发明基于用户分布格网改正生成方法第四实施例的流程示意图，如图6所示，基于第一实施例提出本发明基于用户分布格网改正生成方法第四实施例，在本实施例中，所述步骤S20具体包括以下步骤：
步骤S21、获取用户实时分布数据，从所述用户实时分布数据中获得位置信息，在所述初始格网中检索所述位置信息的预设范围内是否存在格网点。
需要说明的是，获取了用户实时分布数据后，可以从所述用户实时分布数据中获得位置信息，进而在所述初始格网中进行检索，确定所述位置信息对应的用户位置的附近，即预设范围内是否存在格网点。
步骤S22、在所述预设范围内不存在格网点时，将所述位置信息对应的用户位置转换为目标格网点坐标，并将所述目标格网点坐标录入所述初始格网池。
应当理解的是，在所述预设范围内不存在格网点时，可以将所述位置信息对应的用户位置转换为目标格网点坐标，并且可以将所述目标格网点坐标录入所述初始格网池。
步骤S23、对所述初始格网池中的无服务格网剔除，获得历元最终格网。
可以理解的是，对所述初始格网池中的没有服务任何用户的无服务格网剔除后，可以获得历元最终格网。
进一步的，所述步骤S23具体包括以下步骤：
根据预设监听线程对所述初始格网池在预设监听周期内无服务任何用户的格网进行剔除，获得历元最终格网。
应当理解的是，通过预先设置的监听线程可以对所述初始格网池在预设监听周期内无服务任何用户的格网进行剔除，可以获得剔除后的历元最终格网。
本实施例通过上述方案，通过获取用户实时分布数据，从所述用户实时分布数据中获得位置信息，在所述初始格网中检索所述位置信息的预设范围内是否存在格网点；在所述预设范围内不存在格网点时，将所述位置信息对应的用户位置转换为目标格网点坐标，并将所述目标格网点坐标录入所述初始格网池，对所述初始格网池中的无服务格网剔除，获得历元最终格网，能够不用受限于VRS数据服务数量，使***服务格网数量始终保持动态平衡，既满足了海量并发需求，提高了区域服务精度，又提升了用户精度，避免了资源浪费。
进一步地，图7为本发明基于用户分布格网改正生成方法第五实施例的流程示意图，如图7所示，基于第一实施例提出本发明基于用户分布格网改正生成方法第五实施例，在本实施例中，所述步骤S30具体包括以下步骤：
步骤S31、将所述历元最终格网代入网络RTK解算模型，并获取地基增强***的基准站数据。
需要说明的是，将所述历元最终格网代入网络RTK解算模型，并且可以获得基增强***的基准站数据。
步骤S32、根据所述基准站数据对所述网络RTK解算模型中各格网点的模糊度固定参数和误差改正参数进行计算，生成格网点出的VRS观测数据。
可以理解的是，参见图8，图8为本发明基于用户分布格网改正生成方法中格网点处的VRS观测数据生成示意图，如图8所示，将最终格网池带入网络RTK解算模型，利用地基增强***的基准站数据，对格网点的模糊度固定和误差改正参数进行计算，生成格网点处的VRS观测数据。
步骤S33、对所述VRS观测数据进行数据解算，获得差分数据。
应当理解的是，对所述VRS观测数据可以进行数据解算，获得差分数据。
进一步的，所述步骤S33具体包括以下步骤：
获取用户轨迹数据、项目位置数据和格网VRS数据解算地址信息，根据所述用户轨迹数据、所述项目位置数据和所述格网VRS数据解算地址信息对VRS数据解算模块进行配置；
根据区域实时大气延迟模型和预设大气误差阈值确定大气格网点坐标，根据所述大气格网点坐标为各格网点内插，获得单差电离层延迟改正数、单差对流层延迟改正数和轨道误差改正数；
获取当前格网池坐标，根据所述当前格网池坐标生成各格网点的几何星地距改正数；
将所述单差电离层延迟改正数、所述单差对流层延迟改正数、所述轨道误差改正数和所述几何星地距改正数根据预设组合方式进行组合，获得各格网点的VRS改正数；
根据所述VRS改正数和所述配置后的VRS数据解算模块对所述VRS观测数据进行数据解算，获得差分数据。
在具体实现中，参见图9，图9为本发明基于用户分布格网改正生成方法中实施整体组成示意图，如图9所示，本实施例专利实施分为四个部分，包含地基增强***基准站接入部分、格网池自适应生成部分、格网VRS数据解算部分和交互服务播发部分；各部分详细描述如下：
地基增强***基准站接入部分是本专利实施的重要的数据层，基准站数据通过tcpc协议推送，实时传输二进制格式的观测数据，数据汇集模块以tcps模式将多个基站的数据进行汇集，同时星历下载模块从IGS网站下载实时星历文件，并通过数据汇集模块和观测数据一同转发给格网VRS数据解算部分；
格网池自适应生成部分是本专利核心创新部分，是解决高并发高精度服务的关键，参见图10，图10为本发明基于用户分布格网改正生成方法中差分数据生成示意图，该模块核心流程如图10所示，将用户历史7天的观测数据和未完成的项目位置属性数据与格网坐标进行模型训练，将格网坐标作为输出，按历元输出每个历元的格网坐标作为初始格网池；然后根据用户实时上传的位置信息与初始格网池进行检索，判断用户位置附近2分范围内是否存在格网点，如果存在则跳过，如果不存在则将用户位置转化为格网点坐标带入格网池；同时再程序中设置监听线程，对30分钟内无服务任何用户的格网进行剔除，形成最终格网，并输入到格网VRS数据解算部分。该模块已经实现软件集成，在实施中仅需将该模块安装并配置好用户轨迹数据、项目位置数据和格网VRS数据解算地址信息即可；
格网VRS数据解算部分是本专利数据服务的关键，首先根据区域实时大气延迟模型以及设定的大气误差阈值确定大气格网点坐标，再依次按大气格网点坐标为各格网点内插生成单差电离层延迟改正数、单差对流层延迟改正数，并计算轨道误差改正数。其次根据收到的格网池坐标，依次生成各格网点的几何星地距改正数。再次，将单差电离层延迟改正数、单差对流层延迟改正数、轨道误差改正数以及几何星地距改正数按下式组合，得到各格网点的VRS改正数，并将数据推送到交互服务播发部分。
交互服务播发部分是将本专利生成的数据进行编码并与用户交互，实现数据服务，以开发成产品软件模块，实施中配置格网VRS数据解算部分数据推送的IP和端口以及对外服务的IP和端口，其中与格网VRS数据解算部分通过tcp协议进行交互，将收到的数据进行海事无线电技术委员会（Radio Technology Committee of Marine，RTCM）编码，并通过Ntrip协议与用户进行认证交互，在用户登录后根据用户坐标，检索最近格网数据发送给用户；相应地，参见图11，图11为本发明基于用户分布格网改正生成方法中RTCM编码流程示意图，参见图12，图12为本发明基于用户分布格网改正生成方法中Ntrip协议交互流程示意图；根据用户位置进行最近格网匹配，并将格网数据进行RTCM编码，然后通过Ntrip协议发送给用户，从而实现基于用户分布的自适应格网改正。
本实施例通过上述方案，通过将所述历元最终格网代入网络RTK解算模型，并获取地基增强***的基准站数据；根据所述基准站数据对所述网络RTK解算模型中各格网点的模糊度固定参数和误差改正参数进行计算，生成格网点出的VRS观测数据；对所述VRS观测数据进行数据解算，获得差分数据，能够不用受限于VRS数据服务数量，使***服务格网数量始终保持动态平衡，既满足了海量并发需求，提高了区域服务精度，又提升了用户精度，避免了资源浪费，能够自动释放空闲格网，在保障海量并发服务的基础上，实现全域自适应高精度数据服务，提升了基于用户分布格网改正生成的速度和效率。
相应地，本发明进一步提供一种基于用户分布格网改正生成装置。
参照图13，图13为本发明基于用户分布格网改正生成装置第一实施例的功能模块图。
本发明基于用户分布格网改正生成装置第一实施例中，该基于用户分布格网改正生成装置包括：
格网构建模块10，用于通过神经网络算法逐历元构建初始格网。
动态调整模块20，用于通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网。
解算模块30，用于将所述历元最终格网代入网络RTK解算模型，获得差分数据。
所述格网构建模块10，还用于获取用户历史作业数据和用户项目位置属性信息；通过神经网络算法对所述用户历史作业数据和所述用户项目位置属性信息进行逐历元建模，获得初始格网。
所述格网构建模块10，还用于将所述用户历史作业数据和所述用户项目位置属性信息分别与格网坐标进行模型训练，按照历元输出每个历元的格网坐标，根据各格网坐标生成初始格网。
所述动态调整模块20，还用于获取用户实时分布数据，从所述用户实时分布数据中获得位置信息，在所述初始格网中检索所述位置信息的预设范围内是否存在格网点；在所述预设范围内不存在格网点时，将所述位置信息对应的用户位置转换为目标格网点坐标，并将所述目标格网点坐标录入所述初始格网池，对所述初始格网池中的无服务格网剔除，获得历元最终格网。
所述动态调整模块20，还用于根据预设监听线程对所述初始格网池在预设监听周期内无服务任何用户的格网进行剔除，获得历元最终格网。
所述解算模块30，还用于将所述历元最终格网代入网络RTK解算模型，并获取地基增强***的基准站数据；根据所述基准站数据对所述网络RTK解算模型中各格网点的模糊度固定参数和误差改正参数进行计算，生成格网点出的VRS观测数据；对所述VRS观测数据进行数据解算，获得差分数据。
所述解算模块30，还用于获取用户轨迹数据、项目位置数据和格网VRS数据解算地址信息，根据所述用户轨迹数据、所述项目位置数据和所述格网VRS数据解算地址信息对VRS数据解算模块进行配置；根据区域实时大气延迟模型和预设大气误差阈值确定大气格网点坐标，根据所述大气格网点坐标为各格网点内插，获得单差电离层延迟改正数、单差对流层延迟改正数和轨道误差改正数；获取当前格网池坐标，根据所述当前格网池坐标生成各格网点的几何星地距改正数；将所述单差电离层延迟改正数、所述单差对流层延迟改正数、所述轨道误差改正数和所述几何星地距改正数根据预设组合方式进行组合，获得各格网点的VRS改正数；根据所述VRS改正数和所述配置后的VRS数据解算模块对所述VRS观测数据进行数据解算，获得差分数据。
其中，基于用户分布格网改正生成装置的各个功能模块实现的步骤可参照本发明基于用户分布格网改正生成方法的各个实施例，此处不再赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于用户分布格网改正生成程序，所述基于用户分布格网改正生成程序被处理器执行时实现如下操作：
通过神经网络算法逐历元构建初始格网；
通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网；
将所述历元最终格网代入网络RTK解算模型，获得差分数据。
进一步地，所述基于用户分布格网改正生成程序被处理器执行时还实现如下操作：
获取用户历史作业数据和用户项目位置属性信息；
通过神经网络算法对所述用户历史作业数据和所述用户项目位置属性信息进行逐历元建模，获得初始格网。
进一步地，所述基于用户分布格网改正生成程序被处理器执行时还实现如下操作：
将所述用户历史作业数据和所述用户项目位置属性信息分别与格网坐标进行模型训练，按照历元输出每个历元的格网坐标，根据各格网坐标生成初始格网。
进一步地，所述基于用户分布格网改正生成程序被处理器执行时还实现如下操作：
获取用户实时分布数据，从所述用户实时分布数据中获得位置信息，在所述初始格网中检索所述位置信息的预设范围内是否存在格网点；
在所述预设范围内不存在格网点时，将所述位置信息对应的用户位置转换为目标格网点坐标，并将所述目标格网点坐标录入所述初始格网池，
对所述初始格网池中的无服务格网剔除，获得历元最终格网。
进一步地，所述基于用户分布格网改正生成程序被处理器执行时还实现如下操作：
根据预设监听线程对所述初始格网池在预设监听周期内无服务任何用户的格网进行剔除，获得历元最终格网。
进一步地，所述基于用户分布格网改正生成程序被处理器执行时还实现如下操作：
将所述历元最终格网代入网络RTK解算模型，并获取地基增强***的基准站数据；
根据所述基准站数据对所述网络RTK解算模型中各格网点的模糊度固定参数和误差改正参数进行计算，生成格网点出的VRS观测数据；
对所述VRS观测数据进行数据解算，获得差分数据。
进一步地，所述基于用户分布格网改正生成程序被处理器执行时还实现如下操作：
获取用户轨迹数据、项目位置数据和格网VRS数据解算地址信息，根据所述用户轨迹数据、所述项目位置数据和所述格网VRS数据解算地址信息对VRS数据解算模块进行配置；
根据区域实时大气延迟模型和预设大气误差阈值确定大气格网点坐标，根据所述大气格网点坐标为各格网点内插，获得单差电离层延迟改正数、单差对流层延迟改正数和轨道误差改正数；
获取当前格网池坐标，根据所述当前格网池坐标生成各格网点的几何星地距改正数；
将所述单差电离层延迟改正数、所述单差对流层延迟改正数、所述轨道误差改正数和所述几何星地距改正数根据预设组合方式进行组合，获得各格网点的VRS改正数；
根据所述VRS改正数和所述配置后的VRS数据解算模块对所述VRS观测数据进行数据解算，获得差分数据。
本实施例通过上述方案，通过神经网络算法逐历元构建初始格网；通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网；将所述历元最终格网代入网络RTK解算模型，获得差分数据，能够不用受限于VRS数据服务数量，使***服务格网数量始终保持动态平衡，既满足了海量并发需求，提高了区域服务精度，又提升了用户精度，避免了资源浪费，能够自动释放空闲格网，在保障海量并发服务的基础上，实现全域自适应高精度数据服务，提升了基于用户分布格网改正生成的速度和效率。
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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于用户分布格网改正生成方法，其特征在于，所述基于用户分布格网改正生成方法包括：
通过神经网络算法逐历元构建初始格网；
通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网；
将所述历元最终格网代入网络RTK解算模型，获得差分数据；
其中，所述通过神经网络算法逐历元构建初始格网，包括：
获取用户历史作业数据和用户项目位置属性信息；
通过神经网络算法对所述用户历史作业数据和所述用户项目位置属性信息进行逐历元建模，获得初始格网；
其中，所述通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网，包括：
获取用户实时分布数据，从所述用户实时分布数据中获得位置信息，在所述初始格网中检索所述位置信息的预设范围内是否存在格网点；
在所述预设范围内不存在格网点时，将所述位置信息对应的用户位置转换为目标格网点坐标，并将所述目标格网点坐标录入所述初始格网池，
对所述初始格网池中的无服务格网剔除，获得历元最终格网。
2.如权利要求1所述的基于用户分布格网改正生成方法，其特征在于，所述通过神经网络算法对所述用户历史作业数据和所述用户项目位置属性信息进行逐历元建模，获得初始格网，包括：
将所述用户历史作业数据和所述用户项目位置属性信息分别与格网坐标进行模型训练，按照历元输出每个历元的格网坐标，根据各格网坐标生成初始格网。
3.如权利要求2所述的基于用户分布格网改正生成方法，其特征在于，所述对所述初始格网池中的无服务格网剔除，获得历元最终格网，包括：
根据预设监听线程对所述初始格网池在预设监听周期内无服务任何用户的格网进行剔除，获得历元最终格网。
4.如权利要求1所述的基于用户分布格网改正生成方法，其特征在于，所述将所述历元最终格网代入网络RTK解算模型，获得差分数据，包括：
将所述历元最终格网代入网络RTK解算模型，并获取地基增强***的基准站数据；
根据所述基准站数据对所述网络RTK解算模型中各格网点的模糊度固定参数和误差改正参数进行计算，生成格网点出的VRS观测数据；
对所述VRS观测数据进行数据解算，获得差分数据。
5.如权利要求4所述的基于用户分布格网改正生成方法，其特征在于，所述对所述VRS观测数据进行数据解算，获得差分数据，包括：
获取用户轨迹数据、项目位置数据和格网VRS数据解算地址信息，根据所述用户轨迹数据、所述项目位置数据和所述格网VRS数据解算地址信息对VRS数据解算模块进行配置；
根据区域实时大气延迟模型和预设大气误差阈值确定大气格网点坐标，根据所述大气格网点坐标为各格网点内插，获得单差电离层延迟改正数、单差对流层延迟改正数和轨道误差改正数；
获取当前格网池坐标，根据所述当前格网池坐标生成各格网点的几何星地距改正数；
将所述单差电离层延迟改正数、所述单差对流层延迟改正数、所述轨道误差改正数和所述几何星地距改正数根据预设组合方式进行组合，获得各格网点的VRS改正数；
根据所述VRS改正数和所述配置后的VRS数据解算模块对所述VRS观测数据进行数据解算，获得差分数据。
6.一种基于用户分布格网改正生成装置，其特征在于，所述基于用户分布格网改正生成装置包括：
格网构建模块，用于通过神经网络算法逐历元构建初始格网；
动态调整模块，用于通过用户实时分布数据对所述初始格网进行动态调整，获得历元最终格网；
解算模块，用于将所述历元最终格网代入网络RTK解算模型，获得差分数据；
所述格网构建模块，还用于获取用户历史作业数据和用户项目位置属性信息；通过神经网络算法对所述用户历史作业数据和所述用户项目位置属性信息进行逐历元建模，获得初始格网；
所述动态调整模块，还用于获取用户实时分布数据，从所述用户实时分布数据中获得位置信息，在所述初始格网中检索所述位置信息的预设范围内是否存在格网点；在所述预设范围内不存在格网点时，将所述位置信息对应的用户位置转换为目标格网点坐标，并将所述目标格网点坐标录入所述初始格网池，对所述初始格网池中的无服务格网剔除，获得历元最终格网。
7.一种基于用户分布格网改正生成设备，其特征在于，所述基于用户分布格网改正生成设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于用户分布格网改正生成程序，所述基于用户分布格网改正生成程序配置为实现如权利要求1至5中任一项所述的基于用户分布格网改正生成方法的步骤。
8.一种存储介质，其特征在于，所述存储介质上存储有基于用户分布格网改正生成程序，所述基于用户分布格网改正生成程序被处理器执行时实现如权利要求1至5中任一项所述的基于用户分布格网改正生成方法的步骤。
CN202310910329.0A 2023-07-24 2023-07-24 基于用户分布格网改正生成方法、装置、设备及存储介质 Active CN116626725B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310910329.0A CN116626725B (zh) 2023-07-24 2023-07-24 基于用户分布格网改正生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310910329.0A CN116626725B (zh) 2023-07-24 2023-07-24 基于用户分布格网改正生成方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116626725A CN116626725A (zh) 2023-08-22
CN116626725B true CN116626725B (zh) 2023-10-10

Family

ID=87613822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310910329.0A Active CN116626725B (zh) 2023-07-24 2023-07-24 基于用户分布格网改正生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116626725B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050095568A (ko) * 2005-09-09 2005-09-29 한국정보통신대학교 산학협력단 무선 그리드 네트워크의 모바일 그리드 게이트웨이리플리케이션 시스템 및 그 방법
EP2069817A1 (en) * 2007-03-16 2009-06-17 The Boeing Company A method and system for all-in-view coherent gps signal prn codes acquisition and navigation solution determination
CN110446205A (zh) * 2019-10-09 2019-11-12 北京讯腾智慧科技股份有限公司 基于基准站组网的定位方法、装置、设备和可读存储介质
CN112214715A (zh) * 2020-09-04 2021-01-12 广州市中海达测绘仪器有限公司 一种格网点高程信息的自适应拟合方法、设备及介质
WO2021146775A1 (en) * 2020-01-23 2021-07-29 Ied Foundation Pty Ltd Systems and methods for processing gnss data streams for determination of hardware and atmosphere-delays
CN114355404A (zh) * 2021-03-18 2022-04-15 武汉星辰北斗科技有限公司 一种自适应网格点vrs改正数生成方法
CN115113234A (zh) * 2022-06-23 2022-09-27 涟漪位置(广州)科技有限公司 改进的电离层格网产品的生成方法、终端及可读存储介质
CN115616637A (zh) * 2022-12-15 2023-01-17 南京航空航天大学 一种基于三维格网多径建模的城市复杂环境导航定位方法
CN115809360A (zh) * 2023-02-08 2023-03-17 深圳大学 一种大规模时空流数据实时空间连接查询方法及相关设备
CN116027357A (zh) * 2023-03-30 2023-04-28 武汉大学 基于大气与地形的格网改正方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9438341B2 (en) * 2014-01-21 2016-09-06 Laser Light Communications Llc Optical communication system
US11106978B2 (en) * 2017-09-08 2021-08-31 SparkCognition, Inc. Execution of a genetic algorithm with variable evolutionary weights of topological parameters for neural network generation and training
KR102097722B1 (ko) * 2019-03-25 2020-04-06 주식회사 트위니 빅셀그리드맵을 이용한 이동체의 자세 추정 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050095568A (ko) * 2005-09-09 2005-09-29 한국정보통신대학교 산학협력단 무선 그리드 네트워크의 모바일 그리드 게이트웨이리플리케이션 시스템 및 그 방법
EP2069817A1 (en) * 2007-03-16 2009-06-17 The Boeing Company A method and system for all-in-view coherent gps signal prn codes acquisition and navigation solution determination
CN110446205A (zh) * 2019-10-09 2019-11-12 北京讯腾智慧科技股份有限公司 基于基准站组网的定位方法、装置、设备和可读存储介质
WO2021146775A1 (en) * 2020-01-23 2021-07-29 Ied Foundation Pty Ltd Systems and methods for processing gnss data streams for determination of hardware and atmosphere-delays
CN112214715A (zh) * 2020-09-04 2021-01-12 广州市中海达测绘仪器有限公司 一种格网点高程信息的自适应拟合方法、设备及介质
CN114355404A (zh) * 2021-03-18 2022-04-15 武汉星辰北斗科技有限公司 一种自适应网格点vrs改正数生成方法
CN115113234A (zh) * 2022-06-23 2022-09-27 涟漪位置(广州)科技有限公司 改进的电离层格网产品的生成方法、终端及可读存储介质
CN115616637A (zh) * 2022-12-15 2023-01-17 南京航空航天大学 一种基于三维格网多径建模的城市复杂环境导航定位方法
CN115809360A (zh) * 2023-02-08 2023-03-17 深圳大学 一种大规模时空流数据实时空间连接查询方法及相关设备
CN116027357A (zh) * 2023-03-30 2023-04-28 武汉大学 基于大气与地形的格网改正方法、装置、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Neural Network Normal Estimation and Bathymetry Reconstruction From Sidescan Sonar;Yiping Xie 等;IEEE Journal of Oceanic Engineering;第48卷(第1期);第218-232页 *
坐标转换中的角度长度与面积变形定量分析;张琦 等;测绘地理信息;第46卷(第6期);第17-21页 *
基于动态格网的基准地价评估模型;何贞铭;孙钰;胡小夏;;测绘与空间地理信息;37(2);第12-14页 *
基于格网改正的CORS实时三维坐标服务***;刘文建 等;测绘通报(10);第70-72页 *

Also Published As

Publication number Publication date
CN116626725A (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN110095797B (zh) 一种基于卫星导航***的格网化精准定位服务方法和***
CN101346604B (zh) 计算具有可变长时间范围的长期轨道和时钟模型
CN113543305A (zh) 定位方法、通信设备和网络设备
JP5436170B2 (ja) データ送信装置及びデータ送信方法
CN110297259B (zh) 基于格网化的基准站网定位增强信息可用性监测方法及***
CN110954931A (zh) 定位方法、定位装置及计算机可读存储介质
CN102884849B (zh) 与定位数据相关的消息的交换
CN110784883B (zh) 基站建设评估方法、装置、设备和存储介质
CN101726727A (zh) 一种信号处理方法和***
CN112214715A (zh) 一种格网点高程信息的自适应拟合方法、设备及介质
CN116626725B (zh) 基于用户分布格网改正生成方法、装置、设备及存储介质
CN111817807A (zh) 基于广播的差分数据播发方法、装置、设备及存储介质
CN111273324A (zh) 卫星定位增强方法、装置、计算机设备和存储介质
CN111090110A (zh) 获取或提供vrs服务数据的方法、用户设备及存储介质
CN113534206B (zh) 基于北斗地基增强***的接入虚拟参考站快速选择方法
CN111158033B (zh) 基于gnss的差分定位方法、装置、设备和存储介质
CN114173276B (zh) 用户定位方法及装置
CN112036607B (zh) 基于出力水平的风电出力波动预测方法、装置及存储介质
JP6378562B2 (ja) 情報処理装置及び情報処理方法
CN111694035A (zh) 差分定位方法、装置、终端及存储介质
CN117202342B (zh) 基于ppk的区域基准站网网络rtk定位服务评估方法及装置
CN110544306A (zh) 三维地形数据获取方法、装置、计算机设备以及存储介质
CN116859421B (zh) 一种多参考框架的定位服务方法及装置
CN110837497A (zh) 数据质量的检测方法、装置及服务器
CN117270004B (zh) 基于卫星定位的工程测绘方法、设备、***及介质

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