CN116819581B - 基于Informer的自主卫星定位精度预测方法和装置 - Google Patents
基于Informer的自主卫星定位精度预测方法和装置 Download PDFInfo
- Publication number
- CN116819581B CN116819581B CN202311093441.6A CN202311093441A CN116819581B CN 116819581 B CN116819581 B CN 116819581B CN 202311093441 A CN202311093441 A CN 202311093441A CN 116819581 B CN116819581 B CN 116819581B
- Authority
- CN
- China
- Prior art keywords
- satellite
- prediction
- value
- train
- observation 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000006870 function Effects 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010790 dilution Methods 0.000 description 4
- 239000012895 dilution Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请涉及一种基于Informer的自主卫星定位精度预测方法和装置。方法包括：采集列车在给定运行区段上的卫星观测数据，所述给定运行区段存在卫星信号被遮挡区域；其中，所述卫星观测数据为所述列车在所述给定运行区段上通过卫星定位接收机采集的卫星观测数据；根据所述给定运行区段上的卫星观测数据，依据预设三维位置精度因子有效取值范围，得到预测数据集；基于预设的精度预测模型，以所述预测数据集为输入，输出自主卫星定位精度预测值。本方法能够基于机器学习方法，根据列车运行时刻表，对于对应区段上的定位精度进行预测，以实现提前预知给定运行区段的卫星定位精度，从而为对卫星定位精度不满足阈值的区域进行定位融合提供依据。
Description
技术领域
本申请涉及基于卫星导航的列车自主定位领域，具体说是基于Informer的自主卫星定位精度预测方法和装置。
背景技术
随着列车运行控制***的发展，基于全球卫星导航***（Global NavigationSatellite System, GNSS）的列车车载自主定位方法是其重要研究及应用方向。
现有技术对列车运行过程卫星定位精度预测方法方面的研究主要为列车运行过程卫星可用性预测方法、列车轨迹预测方法等。
然而，列车车载定位接收机在获取卫星导航信号传播过程中受多种因素影响，包括电离层延迟、对流层延迟、多径效应的非视距（Non Line Of Sight, NLOS）信号等，导致传播路径上带来信号延迟，进而导致卫星定位误差增大。
发明内容
针对上述问题，本申请的目的是提供一种基于Informer的自主卫星定位精度预测方法和装置。
根据本申请实施例的第一方面，提供了一种基于Informer的自主卫星定位精度预测方法，包括：采集列车在给定运行区段上的卫星观测数据，所述给定运行区段存在卫星信号被遮挡区域；其中卫星观测数据为所述列车在所述给定运行区段上通过卫星定位接收机采集的卫星观测数据；根据所述给定运行区段上的卫星观测数据，依据预设三维位置精度因子有效取值范围，得到预测数据集；基于预设的精度预测模型，以所述预测数据集为输入，输出自主卫星定位精度预测值。
进一步，采集列车运行过程中卫星观测数据；根据所述列车运行过程中卫星观测数据，得到特征向量；根据所述特征向量和预设三维位置精度因子有效取值范围，得到训练集；基于Informer模型，以所述训练集为输入，得到精度预测模型。
进一步，所述特征向量包括单颗卫星特征向量，所述得到特征向量，包括：所述采集列车运行过程中卫星观测数据，包括：卫星的仰角、方位角、信噪比和卫星编号；根据所述卫星的仰角、所述方位角、所述卫星编号和所述信噪比，得到单颗卫星特征向量。
进一步，所述特征向量包括所有卫星的特征向量，所述得到特征向量，包括：所述采集列车运行过程中卫星观测数据，包括：列车运行总时长下的观测历元总和、所有历元下所有可见卫星数之和、观测时间、可见卫星数、伪距残差和几何精度因子值；根据所述伪距残差，得到伪距残差矩阵；根据所述伪距残差矩阵，得到卫星伪残差均方差；根据所述所有历元下所有可见卫星数之和，得到所有历元下所有可见卫星数数据集；根据所述观测时间、所述可见卫星数、所述所有历元下所有可见卫星数数据集、所述伪距残差矩阵、所述卫星伪残差均方差和所述几何精度因子值，得到所有卫星的特征向量。
进一步，所述基于Informer模型，以所述训练集为输入，得到精度预测模型，包括：基于所述Informer模型，以所述训练集为输入，调整模型参数，输出定位精度预测值；根据所述定位精度预测值，获取样本实际值；根据所述列车运行总时长下的观测历元总和、所述定位精度预测值和所述样本实际值，得到损失函数值；基于预设的Adam优化器，根据所述损失函数值，判定Informer模型训练是否结束；确定所述Informer模型训练结束时，得到所述精度预测模型。
进一步，所述基于Adam优化器，根据所述损失函数值，判定Informer模型训练是否结束，包括：根据所述损失函数值，设置所述Adam优化器的损失函数梯度阈值；所述损失函数值大于所述损失函数梯度阈值，继续进行Informer模型训练；所述损失函数值不大于所述损失函数梯度阈值，结束Informer模型训练。
根据本申请实施例的第二方面，提供一种基于Informer的自主卫星定位精度预测装置，其特征在于，包括：数据采集模块，用于采集列车在给定运行区段上的卫星观测数据，所述给定运行区段存在卫星信号被遮挡区域；其中卫星观测数据为所述列车在所述给定运行区段上通过卫星定位接收机采集的卫星观测数据；数据预处理模块，用于根据所述给定运行区段上的卫星观测数据，依据预设三维位置精度因子有效取值范围，得到预测数据集；预测模块，用于基于预设的精度预测模型，以所述预测数据集为输入，输出自主卫星定位精度预测值。
进一步，网络训练模块，用于采集列车运行过程中卫星观测数据；根据所述列车运行过程中卫星观测数据，得到特征向量；根据所述特征向量和预设三维位置精度因子有效取值范围，得到训练集；基于Informer模型，以所述训练集为输入，得到精度预测模型。
根据本申请实施例的第三方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；处理器，用于从存储器中读取可执行指令，并执行指令以实现本申请第一方面所提供的一种基于Informer的自主卫星定位精度预测方法。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本申请第一方面所提供的一种基于Informer的自主卫星定位精度预测方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请输入给定运行区段上的卫星观测数据，基于预设的精度预测模型，得到定位精度预测值，该预测值代表卫星观测数据偏离真实结果的程度。本方法能够基于机器学习方法，对于对应区段上的定位精度进行预测，以实现提前预知给定运行区段的卫星定位精度，从而为对卫星定位精度不满足阈值的区域是否进行定位融合提供依据。
附图说明
为了更清楚地说明本说明书一个或多个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说明书中记载的一些实施例，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是根据一示例性实施例示出的一种基于Informer的自主卫星定位精度预测方法的使用流程图；
图2是根据一示例性实施例示出的一种基于Informer的自主卫星定位精度预测方法的训练和测试流程图；
图3是根据一示例性实施例示出的一种基于Informer的自主卫星定位精度预测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个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说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，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，都应当属于本文件的保护范围。
在本申请实施例中，通过多次运行采集数据，将这些数据统称为历史数据，给定运行区段上的卫星观测数据和列车运行过程中卫星观测数据均为历史数据。为了区分这两数据，本申请引入卫星星历的概念。其中，卫星星历，又称为两行轨道数据（Two-Line OrbitalElement，TLE），是用于描述太空飞行***置和速度的表达式，可以描绘卫星的过去、现在和将来任一时刻所处的位置。即借助卫星星历，可以对不同状态的卫星进行区分。而不同状态的卫星，其测得数据的偏差是不一样的。因此，在本申请实施例中，给定运行区段上的卫星观测数据和运行过程中卫星观测数据的区别在于两者对应的卫星状态不同。由于不同时间段的卫星状态不同，因此可以将前一时间段的卫星状态对应的观测数据作为运行过程中卫星观测数据，以后一时间段的卫星状态对应观测数据为给定运行区段上的卫星观测数据。根据列车运行时刻表，对于对应区段上的定位精度进行预测。
其中，给定运行区段上的卫星观测数据用于在使用时自主卫星定位精度预测，如示例性方法一。运行过程中卫星观测数据用于训练和测试Informer模型，如示例性方法二。
示例性方法一
如图1所示，本申请实施例给出了一种基于Informer的自主卫星定位精度预测方法，包括以下步骤：
在步骤S101中，采集列车在给定运行区段上的卫星观测数据。
在本申请实施例中所述给定运行区段存在卫星信号被遮挡区域，其中卫星观测数据为所述列车在所述给定运行区段上通过卫星定位接收机采集的卫星观测数据。
在步骤S102中，根据所述给定运行区段上的卫星观测数据，依据预设三维位置精度因子有效取值范围，得到预测数据集。
从给定运行区段上的卫星观测数据中提取周围环境特征相关的观测参数特征量，列车运行总时长下的观测历元总和为N，列车运行在N历元下所有可见卫星数之和为。
在列车运行第历元下，观测到的卫星导航相关参数经过提取，得到观测时间/>、可见卫星数/>、/>颗卫星中第/>颗卫星的仰角/>、方位角/>、信噪比/>、伪距残差、卫星编号/>、几何精度因子值/>，其中/>、。
历元 (Epoch)：测量时间间隔或数据频度，是历法中标记时间的开始。为了比较不同时刻的观测结果，需要注明观测资料所对应的观测时刻，这种时刻称为观测历元。
可见卫星数：GPS卫星导航***可以看到的卫星数目。
卫星编号：在一个***（GPS或BD）里，一颗卫星对应唯一的。
几何精度因子（dilution of precision，DOP），衡量观测卫星的空间几何分布对定位精度的影响。在本申请中使用几何精度因子包含以下几种：
三维位置精度因子 ( position dilution of precision，PDOP )：为纬度、经度和高程等误差平方和的开根号值；
水平分量精度因子（horizontal dilution of precision, HDOP）：为纬度和经度等误差平方和的开根号值；
垂直分量精度因子（vertical dilution of precision, VDOP）：测量卫星和海拔的关系作为精度。
几何精度因子值越大，定位误差越大，定位的精度就低。当PDOP较大时，定位精度就低，反之亦然。
计算得到该历元伪距残差矩阵，公式如下：
其中，T为转置符号，。
计算得到卫星伪残差均方差，公式如下：
第历元第/>颗卫星特征向量，公式如下：
第历元所有卫星的特征向量为，
其中，为所述所有历元下所有可见卫星数数据集。
利用特征变量中几何精度因子值的异常情况，以为规则剔除观测数据离群值，得到预测数据集。
在步骤S103中，基于预设的精度预测模型，以所述预测数据集为输入，输出自主卫星定位精度预测值。
所述基于预设的精度预测模型，包含时间序列位置编码模块、概率稀疏自注意力机制模块和解码器模块。
在本申请中，所述时间序列位置编码模块，用于：
使用时间序列位置编码模块预处理数据，生成输入数据：
输入时间序列采用标量投影模块、局部时间戳模块和全局时间戳模块三种方式结合，实现时间序列位置编码，得到输入特征向量。
局部时间戳模块：首先使用固定位置嵌入来保持局部上下文，采用局部时间戳映射位置编码，利用时间序列的/>时刻局部时间戳/>，映射该时刻在序列的位置编码，公式如下，
其中，为/>时刻序列中的固定位置，/>为输入序列长度。
全局时间戳模块：为增强时间序列输入的全局位置上下文和局部时间上下文，全局时间戳结合小时、天、星期、月份四种时间戳表示，其中/>，通过对齐维度，结合一维卷积输入标量/>的投影向量/>和局部时间戳/>。输入序列/>在/>时刻输入/>公式如下：
其中，为标量投影系数。
标量投影模块：为了对齐维度，假定时刻输入时间序列/>，标量值为/>，进行标量投影。设定卷积和尺寸为3、步长为1，采用/>个上述尺寸的一维卷积滤波器，实现标量矢量投影/>，其中/>为模型的维度，得到输入特征向量。
在本申请中，概率稀疏自注意力机制模块，输入特征向量，输出处理后特征向量。
依据自注意力值的稀疏性和长尾分布的特点，选择输入特征向量中部分注意力值较大的样本值进行后续自注意力机制计算，削减初始输入样本数量，降低计算复杂度，减轻计算负荷。
概率稀疏自注意力机制通过对比自注意力值分布与均匀分布的相似性，对样本进行初步筛选得到主导点积对，即主导query。依据自注意力机制，得到对应的、/>、/>。根据自注意力定义可知，自注意力值可表示为：
其中，为特征维度，softmax代表概率映射函数，/>为query，/>为key，/>为value。
其中，为第i个query，/>为第/>个key，/>为第j个value，/>为输入维度。
采用KL散度的方法定量分析，得到主导query评估标准为，
其中，为key的数量，进一步近似降低计算复杂度，
选取个点积对计算/>作为权重，筛选权重最大的/>个点积，从而降低复杂度，实现概率稀疏自注意力机制，此时的自注意力值可表示为，
其中，即为/>矩阵筛选出的向量。
概率稀疏自注意力结果输出到自注意力蒸馏层，通过一维卷积层、激活函数层、池化层，实现输入序列减半，降低计算复杂度。将多头自注意力层特征映射串联，作为解码器输入。
多头自注意力（Multi-head attention），Query，Key，Value首先进过一个线性变换，然后输入到放缩点积，注意这里要做h次，也就是所谓的多头，每一次算一个头，头之间参数不共享，每次Q，K，V进行线性变换的参数 是不一样的。然后将h次的放缩点积/>结果进行拼接，再进行一次线性变换得到的值作为多头attention的结果。
在本申请中，解码器模块，通过一个前向过程产生长序列输出，输出定位精度预测值：
解码器模块包含概率稀疏自注意力层、多头自注意力层、全连接层。解码器输入编码器串联特征映射，同时输入覆盖预测位置的输入序列。输入部分时间序列采用标量投影、局部时间戳和全局时间戳三种方式结合，实现时间序列位置编码。采用与编码器相同概率稀疏自注意力机制、多头自注意力层，通过全连接层输出预测位置结果，实现一步预测生成定位精度预测值。
示例性方法二
如图2所示，本申请实施例给出的一种基于Informer的自主卫星定位精度预测方法的训练和测试流程，包括以下步骤：
在步骤S201中，采集列车运行过程中卫星观测数据。
在步骤S202中，根据所述列车运行过程中卫星观测数据，得到特征向量。
在步骤S203中，根据预设三维位置精度因子有效取值范围所述特征向量，得到训练集。
从列车运行过程中卫星观测数据中提取周围环境特征相关的观测参数特征量，列车运行总时长下的观测历元总和为N，列车运行在N历元下所有可见卫星数之和为。
在列车运行第历元下，观测到的卫星导航相关参数经过提取，得到观测时间/>、可见卫星数/>、/>颗卫星中第/>颗卫星的仰角/>、方位角/>、信噪比/>、伪距残差、卫星编号/>、几何精度因子值/>，其中/>、。
几何精度因子值越大，定位误差越大，定位的精度就低。当PDOP较大时，定位精度就低，反之亦然。
计算得到该历元伪距残差矩阵，公式如下：
其中，。
计算得到卫星伪残差均方差，公式如下：
第历元第/>颗卫星特征向量，公式如下：
第历元所有卫星组成的特征向量为，
其中，为所述所有历元下所有可见卫星数数据集。
利用特征变量中几何精度因子值的异常情况，以为规则剔除观测数据离群值，得到处理后特征向量。
按照3:1的比例将处理后特征向量划分为训练集与测试集。
在步骤S204中，基于Informer模型，以所述训练集为输入，得到精度预测模型。
在本申请实施例中，基于所述Informer模型，以所述训练集为输入，调整模型参数，输出定位精度预测值；
根据所述定位精度预测值，获取样本实际值；
在本申请实施例中，针对卫星信号被遮挡的区域，其定位精度必然下降，因此训练样本身不是准确的数据。而利用不准确的数据去训练网络，可能出现不可控的问题。针对上述问题，本申请需要获取实际值，即车辆的真实坐标和卫星测得坐标的偏差。由此可知，对于车辆行驶经过的每一个坐标点，都对应一个样本实际值和一个定位精度预测值。
获取样本实际值后，利用样本实际值和定位精度预测值得到损失函数值，再利用损失函数值去评价模型的损失函数，以提高模型精度。即通过将不准确的数据转成相对准确的数据，提高模型的训练精度。
确定损失函数值的具体过程为：根据所述定位精度预测值和所述样本实际值，得到损失函数值，公式如下：
其中，预测值为，实际值为/>，其中m为样本总数，预测值与实际值相对应，均方误差为MSE（Mean Square Error）。
在本申请实施例中，训练过程中，损失函数的参数是不断变化，所以需要对损失函数进行多轮评价。例如，将样本训练过程分为5个阶段。针对每个阶段分配相应的训练样本，再根据各阶段的训练样本确定相应的样本实际值。每一个阶段完成后，先利用相应阶段的训练样本和样本实际值，确定该阶段的损失函数值，再利用该阶段的损失函数值，基于Adam优化器评价该阶段的损失函数。之后，每完成一个阶段都评价一次损失函数，直至确定模型不用再训练。
每一轮评价的具体过程为：
根据所述损失函数值，设置所述Adam优化器的损失函数梯度阈值；
所述损失函数值大于所述损失函数梯度阈值，将损失函数储存在损失函数梯度阈值中，继续进行Informer模型训练。
所述损失函数值不大于所述损失函数梯度阈值，结束Informer模型训练，得到所述精度预测模型。
在本申请实施例中，针对第一阶段的损失函数进行评价时，损失函数梯度阈值为预设值。此后，每一阶段的损失函数梯度阈值为上一阶段的损失函数值。
其中，改变Informer模型参数，得到新的预测值，使用新预测值与样本实际值计算得到新的损失函数值，使用新的损失函数值与存储了旧损失函数值的损失函数梯度阈值比较，若在一段时间内，新的损失函数值小于存储了旧损失函数值的损失函数梯度阈值，即认定模型参数已无法进一步提升，终止模型训练进程。
在步骤S205中，根据测试集，得到样本实际值。
在步骤S206中，基于精度预测模型，输入测试集，输出测试精度预测值。
在步骤S207中，计算测试精度预测值与样本实际值误差统计性指标。
计算预测值与实际值误差统计性指标、/>。
其中，平均绝对误差（Mean Absolute Error, MAE），指模型预测值与样本实际值之间距离的平均值，公式如下：
均方根误差（Root Mean Square Error，RMSE）是模型预测值与样本实际值之间距离的平方和与总时长比值的平方根，用于衡量预测值与实际值之间的偏差，公式如下：
示例性装置
在本申请实施例中，如图3，包括数据采集模块301、数据预处理模块302、预测模块303、网络训练模块304。
数据采集模块301，用于采集列车在给定运行区段上的卫星观测数据，所述给定运行区段存在卫星信号被遮挡区域；其中卫星观测数据为所述列车在所述给定运行区段上通过卫星定位接收机采集的卫星观测数据；
数据预处理模块302，用于根据所述给定运行区段上的卫星观测数据，依据预设三维位置精度因子有效取值范围，得到预测数据集；
预测模块303，用于基于预设的精度预测模型，以所述预测数据集为输入，输出自主卫星定位精度预测值；
网络训练模块304，用于采集列车运行过程中卫星观测数据；根据所述列车运行过程中卫星观测数据，得到特征向量；根据所述特征向量和预设三维位置精度因子有效取值范围，得到训练集；基于Informer模型，以所述训练集为输入，得到精度预测模型。
示例性电子设备
本实施例提出一种电子设备，包括：一个或多个处理器，以及内部存储器、外部存储器，所述内部存储器存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行前述任一实施例所述的一种基于Informer的自主卫星定位精度预测方法。
其中，处理器用于执行如所述实施例中的所述一种基于Informer的自主卫星定位精度预测方法中的全部或部说分步骤。存储器用于存储各种类型的数据，这些数据例如可以包括电子设备中的任何应用程序或方法的指令，以及应用程序相关的数据。
所述处理器可以是专用集成电路（Application Specific Integrated Cricuit，简称ASIC）、数字信号处理器（Digital Signal Processor，简称DSP）、可编程逻辑器件（Programmable Logic Device，简称PLD）、现场可编程门阵列（Field Programmable GateArray，简称FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行所述实施例中所述的一种基于Informer的自主卫星定位精度预测方法。
计算机存储介质
所述计算机可读存储介质上存储计算机程序，所述计算机程序被一个或多个处理器执行时，实现如前述任一实施例所述的一种基于Informer的自主卫星定位精度预测方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪30年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device，PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、***或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器（CPU）、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器（RAM）和/或非易失性内存等形式，如只读存储器（ROM）或闪存（flash RAM）。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体（transitory media），如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。
Claims (8)
1.一种基于Informer的自主卫星定位精度预测方法，其特征在于，包括：
采集列车在给定运行区段上的卫星观测数据，所述给定运行区段存在卫星信号被遮挡区域；
其中，所述卫星观测数据为所述列车在所述给定运行区段上通过卫星定位接收机采集的卫星观测数据；
根据所述给定运行区段上的卫星观测数据，依据预设三维位置精度因子有效取值范围，得到预测数据集；
基于预设的精度预测模型，以所述预测数据集为输入，输出自主卫星定位精度预测值；
所述方法还包括：采集列车运行过程中卫星观测数据；
根据所述列车运行过程中卫星观测数据，得到特征向量；
根据所述特征向量和所述三维位置精度因子有效取值范围，得到训练集；
基于Informer模型，以所述训练集为输入，训练得到所述精度预测模型。
2.根据权利要求1所述的方法，其特征在于，所述特征向量包括单颗卫星特征向量，所述得到特征向量，包括：
所述采集列车运行过程中卫星观测数据，包括：卫星的仰角、方位角、信噪比和卫星编号；
根据所述卫星的仰角、所述方位角、所述卫星编号和所述信噪比，得到单颗卫星特征向量。
3.根据权利要求1所述的方法，其特征在于，所述特征向量包括所有卫星的特征向量，所述得到特征向量，包括：
所述采集列车运行过程中卫星观测数据，包括：列车运行总时长下的观测历元总和、所有历元下所有可见卫星数之和、观测时间、可见卫星数、伪距残差和几何精度因子值；
根据所述伪距残差，得到伪距残差矩阵；
根据所述伪距残差矩阵，得到卫星伪残差均方差；
根据所述所有历元下所有可见卫星数之和，得到所有历元下所有可见卫星数数据集；
根据所述观测时间、所述可见卫星数、所述所有历元下所有可见卫星数数据集、所述伪距残差矩阵、所述卫星伪残差均方差和所述几何精度因子值，得到所有卫星的特征向量。
4.根据权利要求3所述的方法，其特征在于，所述基于Informer模型，以所述训练集为输入，得到精度预测模型，包括：
基于所述Informer模型，以所述训练集为输入，调整模型参数，输出定位精度预测值；
根据所述定位精度预测值，获取样本实际值；
根据所述列车运行总时长下的观测历元总和、所述定位精度预测值和所述样本实际值，得到损失函数值；
基于预设的Adam优化器，根据所述损失函数值，判定Informer模型训练是否结束；
确定所述Informer模型训练结束时，得到所述精度预测模型。
5.根据权利要求4所述的方法，其特征在于，所述基于预设的Adam优化器，根据所述损失函数值，判定Informer模型训练是否结束，包括：
根据所述损失函数值，设置所述Adam优化器的损失函数梯度阈值；
所述损失函数值大于所述损失函数梯度阈值，继续进行Informer模型训练；
所述损失函数值不大于所述损失函数梯度阈值，结束Informer模型训练。
6.一种基于Informer的自主卫星定位精度预测装置，其特征在于，包括：
数据采集模块，用于采集列车在给定运行区段上的卫星观测数据，所述给定运行区段存在卫星信号被遮挡区域；
其中卫星观测数据为所述列车在所述给定运行区段上通过卫星定位接收机采集的卫星观测数据；
数据预处理模块，用于根据所述给定运行区段上的卫星观测数据，依据预设三维位置精度因子有效取值范围，得到预测数据集；
预测模块，用于基于预设的精度预测模型，以所述预测数据集为输入，输出自主卫星定位精度预测值；
所述装置进一步包括：网络训练模块，用于采集列车运行过程中卫星观测数据；根据所述列车运行过程中卫星观测数据，得到特征向量；根据所述特征向量和预设三维位置精度因子有效取值范围，得到训练集； 基于Informer模型，以所述训练集为输入，得到精度预测模型。
7.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述一种基于Informer的自主卫星定位精度预测方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述一种基于Informer的自主卫星定位精度预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311093441.6A CN116819581B (zh) | 2023-08-29 | 2023-08-29 | 基于Informer的自主卫星定位精度预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311093441.6A CN116819581B (zh) | 2023-08-29 | 2023-08-29 | 基于Informer的自主卫星定位精度预测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116819581A CN116819581A (zh) | 2023-09-29 |
| CN116819581B true CN116819581B (zh) | 2023-11-21 |
Family
ID=88117018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311093441.6A Active CN116819581B (zh) | 2023-08-29 | 2023-08-29 | 基于Informer的自主卫星定位精度预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819581B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298113A (zh) * | 2021-04-06 | 2021-08-24 | 北京交通大学 | 基于列车车载卫星定位观测数据的轨道沿线环境分类方法 |
| WO2022121672A1 (zh) * | 2020-12-11 | 2022-06-16 | 华为技术有限公司 | 一种定位精度评估方法及装置 |
| CN115061159A (zh) * | 2022-07-15 | 2022-09-16 | 东南大学 | 一种卫星导航定位欺骗信号防御方法 |
| CN115755134A (zh) * | 2022-10-21 | 2023-03-07 | 湘潭大学 | 一种基于Informer网络的车辆定位方法、装置以及计算机 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220083715A1 (en) * | 2020-09-15 | 2022-03-17 | West Virginia University Board of Governors on behalf of West Virginia University | Machine learned high-accuracy satellite drag model (hasdm) with uncertainty qualification (hasdm-ml-uq) |
-
2023
- 2023-08-29 CN CN202311093441.6A patent/CN116819581B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022121672A1 (zh) * | 2020-12-11 | 2022-06-16 | 华为技术有限公司 | 一种定位精度评估方法及装置 |
| CN113298113A (zh) * | 2021-04-06 | 2021-08-24 | 北京交通大学 | 基于列车车载卫星定位观测数据的轨道沿线环境分类方法 |
| CN115061159A (zh) * | 2022-07-15 | 2022-09-16 | 东南大学 | 一种卫星导航定位欺骗信号防御方法 |
| CN115755134A (zh) * | 2022-10-21 | 2023-03-07 | 湘潭大学 | 一种基于Informer网络的车辆定位方法、装置以及计算机 |
Non-Patent Citations (1)
| Title |
|---|
| 利用星间双向测距数据进行北斗卫星集中式自主定轨的初步结果分析;唐成盼;胡小工;周善石;潘军洋;郭睿;胡光明;朱陵凤;李晓杰;吴杉;王琰;;中国科学:物理学 力学 天文学(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116819581A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | High-precision vehicle navigation in urban environments using an MEM's IMU and single-frequency GPS receiver | |
| EP1984697B1 (en) | Computing long term orbit and clock models with variable time-horizons | |
| CN111077555B (zh) | 一种定位方法及装置 | |
| CN110929543B (zh) | 一种气象数据处理方法及装置 | |
| CN110568459A (zh) | 基于igs和cors站的区域电离层tec实时监测方法 | |
| CN112417093B (zh) | 一种模型训练的方法及装置 | |
| CN101866021A (zh) | 并行化Abel变换大气参数数据处理方法 | |
| CN112946698A (zh) | 一种基于强化学习的卫星信号周跳探测方法 | |
| CN116643293A (zh) | Gnss定位方法及装置、设备、存储介质 | |
| CN116819581B (zh) | 基于Informer的自主卫星定位精度预测方法和装置 | |
| Siemuri et al. | Improving precision GNSS positioning and navigation accuracy on smartphones using machine learning | |
| Karlsson et al. | A statistical GPS error model for autonomous driving | |
| Choe et al. | Point-mass filtering with boundary flow and its application to terrain referenced navigation | |
| CN113917509B (zh) | 一种双差模糊度固定方法、设备以及可读存储介质 | |
| CN111123303B (zh) | 定位误差数据的获取方法、装置及处理方法 | |
| CN110595460B (zh) | 一种定位方法、***及设备 | |
| Karlsson et al. | A data-driven generative model for GPS sensors for autonomous driving | |
| CN116993931A (zh) | 一种构建地图的方法及装置 | |
| CN118013869B (zh) | 一种四维电离层模型构建方法及其应用 | |
| Makkawi et al. | Fault-Tolerant Fusion Using α-Rényi Divergence for Autonomous Vehicle Localization | |
| CN117909738A (zh) | 一种预测模型训练以及获取建筑物高度的方法及装置 | |
| CN118015316B (zh) | 一种图像匹配模型训练的方法、装置、存储介质、设备 | |
| CN115827880B (zh) | 一种基于情感分类的业务执行方法及装置 | |
| CN117407690B (zh) | 一种基于模型迁移性评估的任务执行方法、装置及设备 | |
| Lambertus et al. | Single point positioning by means of particle filtering on the GPU |
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 |