原文传递
基于高斯过程回归的GPS失效车辆位置预测
| 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 |
检索历史
应用推荐
