基于INS-GPS的車輛位置預測算法研究與應用.pdf

1、在智能交通系統(tǒng)的眾多應用服務中，車輛位置預測尤為重要。許多基于INS/GPS組合導航系統(tǒng)進行車輛定位的研究，以期獲得比單獨INS或GPS更加持續(xù)、穩(wěn)定的導航信息。當GPS信號短暫中斷時，可以融合INS和GPS數據來繼續(xù)導航，雖然之前對于此數據融合算法已有許多的研究，但它們大多數采用離線預測的方式，這樣在城市極端交通場景下，例如交通事故、惡劣天氣或者上下班高峰期，容易出現(xiàn)傳感器數據波動、GPS信號干擾等問題，因此要求車輛位置預測算法更加符

2、合真實的交通場景，能夠處理由此帶來的傳感器誤差增大、建模困難等等問題，算法要具備實際應用中的魯棒性和穩(wěn)定性。
　　本文研究在智能交通系統(tǒng)中的車輛位置預測問題，當GPS信號短暫失效時，通過融合INS傳感器數據，進行車輛位置的建模預測，以獲得持續(xù)可靠的車輛導航信息。主要工作包括:
　　針對智能交通系統(tǒng)的特點和意義，詳細闡釋車輛定位在現(xiàn)代交通應用中的重要作用。相對于傳統(tǒng)的車輛定位技術，分析了INS/GPS組合導航系統(tǒng)的特點以及優(yōu)缺

3、點。針對INS/GPS組合導航系統(tǒng)的數據融合問題，分析已有的多種融合算法，并比較其優(yōu)缺點，認為現(xiàn)有的離線算法無法適應城市極端交通場景的應用。
　　在現(xiàn)有車輛位置預測領域的經典預測算法基礎之上，分析其應用基礎。針對GPS和INS系統(tǒng)的特點，分析預測過程中可能產生的誤差來源。
　　設計一種基于在線支持向量機回歸的位置預測算法(OL-SVR)。該算法使用在線增量預測方式，利用歷史的車輛行駛數據進行建模預測，獲得可靠的車輛位置。通過

4、實驗證明，它比現(xiàn)有的BPNN和PLSR算法精確度提高了20.3％-64.8％。
　　為了提高定位精度，結合支持向量機回歸算法和權值學習法，進一步設計一種基于加權SVR的位置預測算法(WSVR)。由于下一刻車輛位置的關聯(lián)度取決于該行駛狀態(tài)數據發(fā)生點與預測點之間的時間差，因此該算法針對預測數據點的遠近，對每個訓練集劃分不同的權值，填補了在線增量學習方法在不同時間點數據的權值相同的空白。實驗證明，WSVR算法與OL-SVR相比較，精確度