一种实时轨迹预测方法技术

本发明专利技术属于物流轨迹预测技术领域，本发明专利技术公开了一种实时轨迹预测方法，实时接收当前车辆位置的定位数据和定位“解状态”；将采集到的定位数据进行解析和处理，将解析和处理后的数据标记为监督学习数据，所述监督学习数据为满足轨迹预测模型的输入要求的数据；基于所述轨迹预测模型实时输出当前车辆的预测轨迹数据；基于当前定位“解状态”实时更新

【技术实现步骤摘要】
一种实时轨迹预测方法


[0001]本专利技术涉及物流轨迹预测
，更具体地说，本专利技术涉及一种实时轨迹预测方法
。

技术介绍

[0002]随着快速发展的物流行业，物流作为货物集中地和物流中心变得越来越重要
。
但是在港口内部区域，车辆的定位精度经常因受到堆高的集装箱和
、
港口起重机械设备如轮胎吊车
、
岸桥吊车以及轮船等遮挡的因素，导致车辆上的
GPS
定位出现短暂误差，影响货物的准确装卸和运输
。
[0003]为了改善港区车辆定位精度，可以采用增强型
GPS
接收器，通过使用多个接收天线来减少遮挡引起的信号衰减，或是结合惯性导航系统
(
如加速度计和陀螺仪
)
与
GPS
技术，以提供更稳定和精确的定位结果
。
这些现有技术在解决港区内部车辆定位精度问题方面仍存在一些限制
。
例如，增强型
GPS
接收器可能会增加设备成本和复杂性，而惯性导航系统则可能受到长时间使用的漂移问题的影响
。
因此，需要一种更有效
、
可靠
、
低成本的技术来改善港区内车辆的定位精度，以满足现代物流行业对高效货物操作的需求
。
[0004]现有技术的缺陷和不足：
[0005]在目前的车辆定位技术中，主要采用
GPS
系统进行定位，然而，由于港区内部存在集装箱
、
港口起重机械设备等物体，
GPS
信号容易受到遮挡，导致定位精度下降
。
这种定位误差可能会导致货物装卸和运输过程中出现错误操作
、
延误和损失，给港区物流效率和安全性带来一定的风险
。
[0006]现有的增强型
GPS
接收器虽然在减少信号衰减方面取得了一定的成果，但其仍存在一些局限性
。
首先，增强型
GPS
接收器增加了设备的复杂性和成本，给港区车辆的装备和维护带来了额外的负担
。
其次，这些接收器的性能在高密度的港区环境中可能仍然不够稳定，遮挡物的数量和位置变化可能导致定位误差的不可预测性增加
。
[0007]惯性导航系统与
GPS
技术结合的方案可以提供更稳定和精确的定位结果，但其也存在一些缺陷
。
惯性导航系统在长时间使用过程中可能会出现漂移问题，导致定位结果逐渐偏离实际位置
。
此外，惯性导航系统的精度和稳定性受到设备质量和校准的影响，增加了维护和校准的复杂性和成本
。

技术实现思路

[0008]为了克服现有技术的问题，本专利技术提出一种实时轨迹预测方法，能实时预测当前车辆下一时刻的轨迹，在
GPS
信号弱的时候，预测的轨迹替代
GPS
出现短暂失效的瞬间，从而让车辆的定位更加平滑，在数字孪生服务器上显示的更加清晰
。
[0009]为实现上述目的，本专利技术提供如下技术方案：第一方面，本专利技术提供一种实时轨迹预测方法，包括：
[0010]实时接收当前车辆位置的定位数据和定位“解状态”；
[0011]将采集到的定位数据进行解析和处理，将解析和处理后的数据标记为监督学习数据，所述监督学习数据为满足轨迹预测模型的输入要求的数据；
[0012]基于所述轨迹预测模型实时输出当前车辆的预测轨迹数据；
[0013]基于当前定位“解状态”实时更新
GPS
定位模块上的车辆定位轨迹数据，并将车辆定位轨迹数据通过物联网系统传输至各子系统以及数字孪生服务器中
。
[0014]优选地，所述数据预处理模块对定位数据的处理步骤包括：
[0015]实时接收并保存定位数据；所述定位数据为
NMEA
‑
0183
格式定位数据；
[0016]解析定位数据，从解析后的定位数据中提取经度
、
纬度
、
时间戳
、
速度和航向角等信息，并将经度
、
纬度
、
时间戳
、
速度和航向角标记为第一目标数据；
[0017]对第一目标数据进行缺失值和异常值的检测，并对检测结果进行插值平滑和异常值修正处理，获得第二目标数据；
[0018]对所述第二目标数据进行归一化处理，将归一化后的数据转换成监督学习数据；
[0019]所述监督学习数据划分为时间序列，基于时间序列对轨迹预测模型进行训练
。
[0020]优选地，所述轨迹预测模型包括但不限于以下算法模型的一种：注意力机制和深度
LSTM
神经网络
。
[0021]优选地，所述轨迹预测模型的构件逻辑：
[0022]持续采集定量车辆轨迹数据，将
70
％的定量车辆轨迹数据作为标准训练样本集，所述标准训练样本集的当前时刻车辆位置的定位数据作为轨迹预测模型的输入，当前时刻的下一时刻车辆位置的定位数据作为轨迹预测模型的预测轨迹数据；
[0023]将标准训练样本集对轨迹预测模型进行训练，学习预测轨迹数据，将预测轨迹数据与真实车辆位置的定位数据之间的差距最小化作为训练目标；将轨迹预测模型的输出标记为标准训练样本测试结果；
[0024]将
30
％的定量车辆轨迹数据作为测试样本集，通过轨迹预测模型输出的预测轨迹数据标记为测试样本测试结果；
[0025]比对所述训练样本结果和所述测试样本结果，反复降低模型损失，训练车辆轨迹预测模型，基于车辆轨迹预测模型预测车辆的轨迹
。
[0026]优选地，轨迹预测模型构建内部的轨迹预测逻辑为：
[0027]将监督学习数据划分为时间序列作为第一层
LSTM
层的输入，基于门控单元计算获得第一层
LSTM
层的输出；
[0028]将第一层
LSTM
层的输出作为第二层
LSTM
层的输入，获得第二层
LSTM
层的输出，并在第二层
LSTM
层后面并联接入一个第三层
LSTM
层和注意力机制层；
[0029]将注意力机制层的输出与第三层
LSTM
层的输出进行拼接，将两个关键组件的信息有效地结合起来，可捕捉到车辆轨迹数据中的时序模式和相关特征，而注意力机制层能够增强对不同时间步长的关注度，从而预测车辆的预测轨迹数据
。
[0030]优选地，所述定位“解状态”包括单点解
、
伪距解
、
浮点解和固定解；
[0031]其中：单点解为定位精度误差在
10
米以内的位置信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种实时轨迹预测方法，其特征在于，包括：实时接收当前车辆位置的定位数据和定位“解状态”；将采集到的定位数据进行解析和处理，将解析和处理后的数据标记为监督学习数据，所述监督学习数据为满足轨迹预测模型的输入要求的数据；基于所述轨迹预测模型实时输出当前车辆的预测轨迹数据；基于当前定位“解状态”实时更新
GPS
定位模块上的车辆定位轨迹数据，并将车辆定位轨迹数据通过物联网系统传输至各子系统以及数字孪生服务器中
。2.
根据权利要求1所述的一种实时轨迹预测方法，其特征在于，所述数据预处理模块对定位数据的处理步骤包括：实时接收并保存定位数据；所述定位数据为
NMEA
‑
0183
格式定位数据；解析定位数据，从解析后的定位数据中提取经度
、
纬度
、
时间戳
、
速度和航向角等信息，并将经度
、
纬度
、
时间戳
、
速度和航向角标记为第一目标数据；对第一目标数据进行缺失值和异常值的检测，并对检测结果进行插值平滑和异常值修正处理，获得第二目标数据；对所述第二目标数据进行归一化处理，将归一化后的数据转换成监督学习数据；所述监督学习数据划分为时间序列，基于时间序列对轨迹预测模型进行训练
。3.
根据权利要求2所述的一种实时轨迹预测方法，其特征在于，所述轨迹预测模型包括但不限于以下算法模型的一种：注意力机制和深度
LSTM
神经网络
。4.
根据权利要求3所述的一种实时轨迹预测方法，其特征在于，所述轨迹预测模型的构件逻辑：持续采集定量车辆轨迹数据，将
70
％的定量车辆轨迹数据作为标准训练样本集，所述标准训练样本集的当前时刻车辆位置的定位数据作为轨迹预测模型的输入，当前时刻的下一时刻车辆位置的定位数据作为轨迹预测模型的预测轨迹数据；将标准训练样本集对轨迹预测模型进行训练，学习预测轨迹数据，将预测轨迹数据与真实车辆位置的定位数据之间的差距最小化作为训练目标；将轨迹预测模型的输出标记为标准训练样本测试结果；将
30
％的定量车辆轨迹数据作为测试样本集，通过轨迹预测模型输出的预测轨迹数据标记为测试样本测试结果；比对所述训练样本结果和所述测试样本结果，反复降低模型损失，训练车辆轨迹预测模型，基于车辆轨迹预测模型预测车辆的轨迹
。5.
根据权利要求4所述的一种实时轨迹预测方法，其特征在于，轨迹预测模型构建内部的轨迹预测逻辑为：将监督学习数据划分为时间序列作为第一层
LSTM
层的输入，基于门控单元计算获得第一层
LSTM
层的输出；将第一层
LSTM
层的输出作为第二层
LSTM

【专利技术属性】
技术研发人员：孙金余，杨楣，曹仪明，叶海雄，
申请(专利权)人：上海国际港务集团股份有限公司，
类型：发明
国别省市：