论文题名: | 基于高斯过程回归的GPS失效车辆位置预测 |
关键词: | 智能交通系统;位置预测;GPS失效;高斯过程回归 |
摘要: | 车辆定位旨在提高行车安全及道路效率,如今已成为智能交通系统最主要的挑战。为提高复杂城市交通环境下车辆位置预测精确度,基于GPS/INS组合导航系统进行数据融合是现今最有发展前途的技术方向之一。在GPS/INS组合导航系统中,一方面,GPS可以用来修正 INS误差提高其长期定位精确度;另一方面, INS在GPS信号失效时可以提供车辆位置信息,并减少探测和修正GPS周跳所需要的搜索区域,辅助 GPS再次获得信号。为实现 GPS和 INS的有效集成,已有算法应用于数据融合以期获得精确的车辆定位。但是,处于复杂的现代城市交通环境下,容易出现GPS信号干扰、传感器数据波动等问题,从而导致建模困难预测精确度降低,影响了车载自组网中大部分应用服务的实现。因此,实现可在极端城市交通环境下提供实时、持续、可靠的车辆位置信息成为 ITS领域研究的热点问题。 本文主要研究现代城市交通环境下的车辆位置预测问题,基于GPS/INS组合导航系统进行多源数据融合,以获得持续可靠的车辆位置信息。主要工作包括: 针对智能交通系统的特点,阐述了车辆定位的意义。基于GPS、INS导航系统,阐述了车辆位置预测的基本思想和影响预测精确度的因素。通过分析传统车辆位置预测算法,发现它们都有局限性,并不适于日益复杂的城市交通环境。 提出一种基于高斯过程回归的车辆位置预测方法(GPR-PSO),利用PSO优化GPR超参数。该算法基于车辆历史行驶轨迹数据进行训练建模,结合 INS数据实现可靠的车辆位置预测。通过实验证明,该算法较于 BPNN、SVR和 PLSR算法精确度提高了22.8%—65.5%。 提出一种基于Adaboost的高斯过程回归预测模型。在PSO优化GPR超参数的过程中仍然可能陷入局部最优解,且 GPR预测效果直接依赖于核函数的选择,因此通过Adaboost集成GPR弱分类器以得到强预测机,提高了GPR的学习能力和泛化能力。通过实验证明,基于Adaboost的GPR算法较于GPR-PSO算法,精确度提高了13.33%-58.06%。 本文基于 Java编程语言和 Matlab平台实现数据的采集和算法的实现,为车辆位置预测算法的实现与评估提供了一种简单、有效的方法。 |
作者: | 詹随 |
专业: | 信息与通信工程 |
导师: | 肖竹 |
授予学位: | 硕士 |
授予学位单位: | 湖南大学 |
学位年度: | 2017 |
正文语种: | 中文 |