English
Online-SVR for Vehicular Position Prediction during GPS Outages using Low-cost INS
文件大小：
1175k
资源说明：在线支持向量回归机(Online-SVR)是一种用于在GPS失效期间利用低成本惯性导航系统(INSTR)预测车辆位置的先进技术。本文主要探讨了车辆定位在智能交通系统(ITS)中的重要性，并提出了一种新的预测方法，即在线支持向量回归机(OL-SVR)。这种方法能够利用GPS可用期间收集的数据建立模型，并在GPS失效时准确预测车辆的位置。该方法被证明比现有的偏最小二乘回归(PLSR)和人工神经网络(ANN)两种预测技术更高效、更精确。
车辆定位技术是智能交通系统中日益增长的重要研究领域之一。随着城市的快速发展，车辆数量越来越多，对精确的车辆定位系统需求日益迫切。据估计，平均而言，约40%的人口每天至少有一个小时是在路上度过的。获取连续且准确的车辆定位，对于缓解交通拥堵、提升道路安全、以及实现有效的交通管理至关重要。
惯性导航系统(INS)是一种独立的导航系统，它不依赖于外部信号，而是通过测量车辆自身的加速度和角速度来计算位置和速度。然而，由于INS存在累积误差，其定位结果随时间的推移会逐渐失去准确性。相比之下，全球定位系统(GPS)提供了一种基于卫星的定位服务，可以提供精确的位置信息。但是，在城市峡谷、隧道内或是GPS信号被干扰时，GPS无法提供连续的定位服务。
为了克服GPS和INS各自的缺点，研究者们提出了将INS和GPS数据结合起来的集成定位方法。这种结合方式能够提供连续且可靠的导航解决方案，特别是在GPS失效时。不过，之前的集成方法大多数是离线方法，并没有充分考虑到由于交通事件、恶劣天气条件或高峰时段造成的传感器数据波动。
本研究提出了在线支持向量机(Online-SVR)技术，它是一种受监督的统计学习技术。在线支持向量回归机(OL-SVR)在GPS可用期间通过融合INS和GPS数据来建模INS误差；当GPS失效时，利用训练好的OL-SVR方法预测车辆的准确位置。OL-SVR是一种在线学习方法，可以实时适应传感器数据的波动和变化，因此比传统的离线方法更适合动态和变化的环境。
研究团队在真实的城市道路环境下进行了高峰期的实验，并通过模拟结果证明，OL-SVR在位置预测方面比PLSR和ANN两种已知的预测技术更为高效和准确，实现了20.3%到64.8%的准确率提升。这表明OL-SVR在智能交通系统中具有巨大的应用潜力。
OL-SVR的提出与应用，为智能交通系统中的车辆定位提供了一种新的视角和方法。其不仅能够提高定位的准确性，而且在数据融合、误差修正和预测算法方面为未来的智能交通系统提供了新的研究方向。智能交通系统的发展是提升交通效率、减少事故发生率以及优化城市交通规划的关键，而车辆定位技术则是这一系统的核心组成部分之一。随着物联网、大数据和人工智能技术的发展，车辆定位技术将会得到更多的技术支持，从而实现更高效的智能交通管理。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
