定位数据采样缺失的修补方法、设备和存储介质技术

本发明专利技术属于定位数据处理技术领域，涉及一种定位数据采样缺失的修补方法、设备和存储介质。所述定位数据采样缺失的修补方法包括：获取采样定位数据，所述采样定位数据是在时间序列上的一维GPS数据；将所述一维GPS数据转换为多维矩阵；利用所述多维矩阵计算出对缺失数据的修补数据。通过将单变量时间序列上的一维GPS数据转换为多维矩阵，挖掘时间序列内部的关联信息，充分还原GPS原始数据所蕴含的动态信息，从而能够针对采样定位数据在高缺失率的情况下，提高修补数据的精度和稳健性。

Repair methods, devices and storage media for missing location data sampling

【技术实现步骤摘要】
定位数据采样缺失的修补方法、设备和存储介质
本专利技术涉及定位数据处理
，特别涉及一种定位数据采样缺失的修补方法、设备和存储介质。
技术介绍
GPS定位系统能够为全球任何地点或者近地空间的用户提供连续的导航信息，即：二维位置信息(经度和维度)。但现实中也可能会发生以下情况，比如由于动态环境较恶劣或测量仪器出现暂时故障和差错，导致GPS数据缺失；或者由于传输线路中数据的丢失等原因，使得接收器输出的观测信息中存在数据缺失。此时，GPS数据缺失不但会扭曲数据特性，加剧分析难度，而且不能真实地反映对象的位置和速度，严重时可能产生完全错误的结果，造成难以挽回的后果及影响。因此，对缺失的GPS数据进行插补，还原数据蕴含的信息具有重要的意义。针对数据缺失问题，国内外广大学者已经开展了广泛的研究。2008年，德国波兹坦大学的FarhangfarA等利用非缺失数据的均值、中位数等基本统计量对缺失项填充[FarhangfarA,KurganL,DyJ.Impactofimputationofmissingvaluesonclassificationerrorfordiscretedata[J].PatternRecognition,2008,41(12):3692-3705.]。统计量填充因简单易行、计算量小而备受欢迎，但当缺失率较高时，该方法易导致整体数据集内出现大量同质数据。为消除插补后数据同质现象，2009年，西班牙卡塔赫纳理工大学的PedroJ引入KNN方法，依据缺失点周围K个最邻近点的均值对缺失值估计[García-LaencinaPJ,Sancho-GómezJ-L,Figueiras-VidalAR,etal.Knearestneighbourswithmutualinformationforsimultaneousclassificationandmissingdataimputation[J].Neurocomputing,2009,72(7):1483-1493.]。该方法虽然能克服统计量填充法缺点，但受选取的邻居个数及数据中的异常值影响严重。除了上述基于统计理论的插补方法，随着机器学习和深度学习飞速发展，缺失数据补齐也日趋智能化。2018年，“台湾中央大学”的Chih-FongTsai等提出一种基于类中心的数据插补方法，该方法先将数据聚类，随后用聚类中心的值填充缺失值，并得到了较好的插补效果[TsaiCF,LiML,LinWC.Aclasscenterbasedapproachformissingvalueimputation[J].Knowledge-BasedSystems,2018,151:124-135.]。2019年，清华大学的ZijianGuo等通过引入多通道卷积，制定带约束条件的对抗生成网络，用于多元过程数据的插补，插补结果表明提出的对抗生成网络数据恢复精度优于其他方法[GuoZJ,WanYM,YeH.Adataimputationmethodformultivariatetimeseriesbasedongenerativeadversarialnetwork[J].Neurocomputing,2019,360:185-197.]。尽管对缺失数据的插补研究已取得长足进展，但目前大多数方法仅适用于属性类数据，此类数据通常以矩阵形式存在，属性间具有较强相关性，缺失数据的修补可利用矩阵信息的冗余性来实现。但在手持式GPS测量中，数据多为单变量时间序列，相比于属性类数据，一维时间序列显然维数较低，内部状态关联信息难以充分挖掘利用，数据恢复可利用信息匮乏，可选修补方法少，恢复难度高。此外，目前针对缺失数据的修补方法研究多集中于低缺失率的情况，针对高缺失率数据仍然效果欠佳。因此，针对定位数据在高缺失率的场景下，研究高精度的修补方法显得尤为重要。
技术实现思路
为了解决上述问题，本专利技术的一方面提供了一种定位数据采样缺失的修补方法，包括：获取采样定位数据，所述采样定位数据是在时间序列上的一维GPS数据；将所述一维GPS数据转换为多维矩阵；利用所述多维矩阵计算出对缺失数据的修补数据。可选的，所述的将所述一维GPS数据转换为多维矩阵采用的方法为相空间重构方法。可选的，所述一维GPS数据为x＝[x1,x2,...xi,...xn]，所述多维矩阵通过所述相空间重构方法转换得到的公式如下：其中τ表示延迟因子，m表示嵌入维。可选的，所述的利用所述多维矩阵计算出对缺失数据的修补数据，包括：对所述多维矩阵X拆分为缺失项X#和正常项X*；利用SVD(SingularValueDecomposition，奇异值分解)，对所述缺失项X#和所述正常项X*分别进行分解和重构；将重构后的缺失项和正常项代入KDR(KnownDataRegression，已知数据回归)算法中，计算出对缺失数据的修补数据。可选的，所述的对所述多维矩阵X拆分为缺失项X#和正常项X*，包括：对所述多维矩阵X中任意一行的数据拆分为缺失项和正常项根据所述数据中缺失值和正常值的分布，对整个所述多维矩阵X拆分为可选的，对所述缺失项X#和所述正常项X*分别进行分解所采用的公式如下：其中ui和vi均为正交矩阵，σi为矩阵X的奇异值，Xi为矩阵X的第i个分量；对所述缺失项X#和所述正常项X*分别进行重构后的公式如下：其中k1和k2分别为所述缺失项X#与所述正常项X*的重构子矩阵个数。可选的，所述k1和所述k2的值通过以下方式得到：对分解后排在前面的分量计算CER累计能量比，公式如下：使Ck达到指定百分比时，最小k值为重构子矩阵的个数。可选的，所述的将重构后的缺失项和正常项代入KDR已知数据回归算法中，计算出对缺失数据的修补数据，包括：将重构后的缺失项及正常项带入KDR已知数据回归算法中，得到缺失项的修补表达式如下：利用所述修补表达式逐行遍历所述多维矩阵X中的每个样本，直至达到收敛条件，得出修补数据，且收敛条件的表达式如下：其中||·||F表示F范数；ε表示收敛阈值。本专利技术的又一方面提供了一种电子设备，包括存储器和处理器，所述存储器中存储有采样定位数据；所述处理器执行以下步骤：获取采样定位数据，所述采样定位数据是在时间序列上的一维GPS数据；将所述一维GPS数据转换为多维矩阵；利用所述多维矩阵计算出对缺失数据的修补数据。本专利技术的另一方面提供了一种计算机存储介质，所述计算机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上述任一项所述的方法。根据上述内容，本专利技术的定位数据采样缺失的修补方法，包括：获取采样定位数据，所述采样定位数据是在时间序列上的一维GPS数据；将所述一维GPS数据转换为多维矩阵；利用所述多维矩阵计算出对缺失数据的修补数据。通过将单变量时间序列上的一维GPS数据转换为多维矩阵，挖掘时间序列内部的关联信息，充分还原GPS原始数据所蕴含的动本文档来自技高网...

【技术保护点】
1.一种定位数据采样缺失的修补方法，其特征在于，包括：/n获取采样定位数据，所述采样定位数据是在时间序列上的一维GPS数据；/n将所述一维GPS数据转换为多维矩阵；/n利用所述多维矩阵计算出对缺失数据的修补数据。/n

【技术特征摘要】
1.一种定位数据采样缺失的修补方法，其特征在于，包括：
获取采样定位数据，所述采样定位数据是在时间序列上的一维GPS数据；
将所述一维GPS数据转换为多维矩阵；
利用所述多维矩阵计算出对缺失数据的修补数据。


2.根据权利要求1所述的定位数据采样缺失的修补方法，其特征在于，所述的将所述一维GPS数据转换为多维矩阵采用的方法为相空间重构方法。


3.根据权利要求2所述的定位数据采样缺失的修补方法，其特征在于，所述一维GPS数据为x＝[x1,x2,...xi,...xn]，所述多维矩阵通过所述相空间重构方法转换得到的公式如下：



其中τ表示延迟因子，m表示嵌入维。


4.根据权利要求3所述的定位数据采样缺失的修补方法，其特征在于，所述的利用所述多维矩阵计算出对缺失数据的修补数据，包括：
对所述多维矩阵X拆分为缺失项X#和正常项X*；
利用SVD奇异值分解，对所述缺失项X#和所述正常项X*分别进行分解和重构；
将重构后的缺失项和正常项代入KDR已知数据回归算法中，计算出对缺失数据的修补数据。


5.根据权利要求4所述的定位数据采样缺失的修补方法，其特征在于，所述的对所述多维矩阵X拆分为缺失项X#和正常项X*，包括：
对所述多维矩阵X中任意一行的数据拆分为缺失项和正常项
根据所述数据中缺失值和正常值的分布，对整个所述多维矩阵X拆分为X＝[X#X*]。


6.根据权利要求4所述的定位数据采样缺失的修补方法，其特征在于，对所述缺失项X#和所述正常项X*分别进行分解所采用的公式如下：



其中ui...

【专利技术属性】
技术研发人员：马志鹏，张雷，
申请(专利权)人：上海澜启信息科技有限公司，
类型：发明
国别省市：上海;31