本發(fā)明涉及車輛位置丟失數據的補齊，特別是涉及一種車輛位置丟失數據的補齊方法及系統(tǒng)。

背景技術：

1、車聯(lián)網環(huán)境下，由于無線通信的傳播特性，兩個無線收發(fā)器可能感知不到對方，在同一時間發(fā)送數據分組，導致在兩個發(fā)送端可達范圍內接收端的分組沖突，這就是著名的隱藏終端問題。由于沒有中央實體協(xié)調發(fā)送，并且發(fā)送端也不在同一“元胞”(車輛之間可以相互感知)內，因此隱藏節(jié)點會嚴重影響分組接收成功率。另外，車輛密度對車輛位置廣播消息的成功接收性能也有重要影響。在場景其他條件不變的情況下，隨著車輛密度增加，成功接收車輛位置的概率顯著減小。以上不可靠因素將引起車輛位置數據丟包，從而導致車輛位置相關信息的丟失。

2、傳統(tǒng)數據補齊處理方面研究主要包括根據歷史變化趨勢和不同時間段的數據，利用加權估計預測方法，對缺失數據信息進行補齊。如采用線性差值的方法，利用數據關系矩陣的差異性，尋求出數據之間的聯(lián)系，并基于相鄰數據差異性矩陣，對缺失的數據進行了補齊；利用概率的方法，對不同時間段數據的相似性進行研究，利用數據的規(guī)律，對缺失數據進行補齊。這些方法都是基于對歷史數據的粗糙處理，精度低，無法滿足交通管理對車輛位置數據高精度的要求。隨著支持向量機的出現，通過對歷史數據進行預測，該類方法有效地提高了位置數據的精度，但其依舊需要對歷史數據進行提取，工作復雜且處理時間較長，無法滿足車聯(lián)網中交通信息高效準確的處理需求。

技術實現思路

1、本發(fā)明的目的在于，提出一種車輛位置丟失數據的補齊方法及系統(tǒng)，解決如何簡單、快速對車輛位置數據實時的補齊的技術問題。

2、一方面，提供一種車輛位置丟失數據的補齊方法，包括：

3、獲取車輛位置數據，并對該車輛位置數據進行預處理，得到樣本數據；

4、將預處理后的樣本數據輸入預先訓練的向量模型，得到車輛位置數據的補齊數據；其中，所述向量模型用于將車輛位置的歷史數據作為過去的觀測值估計對應的丟失值對丟失數據進行補齊；

5、判斷所述車輛位置數據的補齊數據的精度是否在預設的精度允許范圍內，若不在預設的精度允許范圍內，則對所述向量模型的參數進行調整，并通過所述樣本數據對調整后的向量模型進行預訓練，直到補齊數據的精度在預設的精度允許范圍內為止；若在預設的精度允許范圍內，則將此時的車輛位置數據的補齊數據輸出為最終的車輛位置數據的補齊數據。

6、優(yōu)選地，所述對該車輛位置數據進行預處理具體包括，

7、將車輛位置數據輸入預設的支持向量機中，判斷所述車輛位置數據是否滿足預設的學習條件，若滿足預設的學習條件，則將所述車輛位置數據輸出為樣本數據，若不滿足預設的學習條件，則重新獲取車輛位置數據生成對應的可學習的樣本數據。

8、優(yōu)選地，所述預先訓練的向量模型具體包括，

9、

10、x(τ)＝[p(τ-1),p(τ-1),…,p(τ-s)]t

11、y＝p(τ)

12、其中，f(x)表示采用歷史數據對丟失數據補齊，ω和b表示非線性約束逼近式中的參數，x(τ)表示τ時刻車輛位置，表示預設的補齊模型參數，p(τ)表示所要補齊的τ時刻道路上丟失的位置數據，y表示車輛的位置信息中維度，x表示車輛的位置信息中經度，τ表示時刻，t表示時間值。

13、優(yōu)選地，所述向量模型通過以下過程進行訓練，

14、獲取車輛位置的歷史數據，根據車輛位置的歷史數據對應的時間序列確定不同時間段位置數據的關系，得到對應的數據集，其中，所述數據集表示歷史數據與不同時段數據對應的高度劃分；

15、將數據集輸入所述向量模型，得到輸出的結果，并判斷輸出的結果的精度，當輸出的結果的精度在允許的范圍內時，輸出此時的向量模型作為訓練后的向量模型。

16、優(yōu)選地，還包括，

17、若輸出的結果的精度不在允許的范圍內，則對向量模型的訓練參數進行調整優(yōu)化，重新獲對應的數據集并輸入所述向量模型，直到輸出的結果的精度在允許的范圍內為止。

18、另一方面，還提供一種車輛位置丟失數據的補齊系統(tǒng)，用于實現所述車輛位置丟失數據的補齊方法，包括：

19、預處理模塊，用于獲取車輛位置數據，并對該車輛位置數據進行預處理，得到樣本數據；

20、數據補齊模型，用于將預處理后的樣本數據輸入預先訓練的向量模型，得到車輛位置數據的補齊數據；其中，所述向量模型用于將車輛位置的歷史數據作為過去的觀測值估計對應的丟失值對丟失數據進行補齊；

21、還用于，判斷所述車輛位置數據的補齊數據的精度是否在預設的精度允許范圍內，若不在預設的精度允許范圍內，則對所述向量模型的參數進行調整，并通過所述樣本數據對調整后的向量模型進行預訓練，直到補齊數據的精度在預設的精度允許范圍內為止；若在預設的精度允許范圍內，則將此時的車輛位置數據的補齊數據輸出為最終的車輛位置數據的補齊數據。

22、優(yōu)選地，所述預處理模塊具體用于，將車輛位置數據輸入預設的支持向量機中，判斷所述車輛位置數據是否滿足預設的學習條件，若滿足預設的學習條件，則將所述車輛位置數據輸出為樣本數據，若不滿足預設的學習條件，則重新獲取車輛位置數據生成對應的可學習的樣本數據。

23、優(yōu)選地，還包括，

24、預訓練模塊，用于通過以下過程進行訓練，獲取車輛位置的歷史數據，根據車輛位置的歷史數據對應的時間序列確定不同時間段位置數據的關系，得到對應的數據集，其中，所述數據集表示歷史數據與不同時段數據對應的高度劃分；

25、將數據集輸入所述向量模型，得到輸出的結果，并判斷輸出的結果的精度，當輸出的結果的精度在允許的范圍內時，輸出此時的向量模型作為訓練后的向量模型。

26、優(yōu)選地，所述預先訓練的向量模型具體包括，

27、

28、x(τ)＝[p(τ-1),p(τ-1),…,p(τ-s)]t

29、y＝p(τ)

30、其中，f(x)表示采用歷史數據對丟失數據補齊，ω和b表示非線性約束逼近式中的參數，x(τ)表示τ時刻車輛位置，表示預設的補齊模型參數，p(τ)表示所要補齊的τ時刻道路上丟失的位置數據，y表示車輛的位置信息中維度，x表示車輛的位置信息中經度，τ表示時刻，t表示時間值。

31、優(yōu)選地，所述預訓練模塊，還用于若輸出的結果的精度不在允許的范圍內，則對向量模型的訓練參數進行調整優(yōu)化，重新獲對應的數據集并輸入所述向量模型，直到輸出的結果的精度在允許的范圍內為止。

32、綜上，實施本發(fā)明的實施例，具有如下的有益效果：

33、本發(fā)明提供的車輛位置丟失數據的補齊方法及系統(tǒng)，與傳統(tǒng)采用同一屬性已有的歷史趨勢來進行數據補齊方法相比，本發(fā)明在精度以及泛化能力上都有更好的效果，能夠滿足車聯(lián)網安全應用和交通管理中對車輛位置數據的高精度要求。另外，由于本發(fā)明不需要提取歷史趨勢數據，所以計算簡單、快速，滿足了于車聯(lián)網環(huán)境下對車輛位置數據實時、在線的補齊要求。

技術特征：

1.一種車輛位置丟失數據的補齊方法，其特征在于，包括：

2.如權利要求1所述的方法，其特征在于，所述對該車輛位置數據進行預處理具體包括，

3.如權利要求2所述的方法，其特征在于，所述預先訓練的向量模型具體包括，

4.如權利要求3所述的方法，其特征在于，所述向量模型通過以下過程進行訓練，

5.如權利要求4所述的方法，其特征在于，還包括，

6.一種車輛位置丟失數據的補齊系統(tǒng)，用于實現如權利要求1-5任一項所述的方法，其特征在于，包括：

7.如權利要求6所述的系統(tǒng)，其特征在于，所述預處理模塊具體用于，將車輛位置數據輸入預設的支持向量機中，判斷所述車輛位置數據是否滿足預設的學習條件，若滿足預設的學習條件，則將所述車輛位置數據輸出為樣本數據，若不滿足預設的學習條件，則重新獲取車輛位置數據生成對應的可學習的樣本數據。

8.如權利要求7所述的系統(tǒng)，其特征在于，還包括，

9.如權利要求8所述的系統(tǒng)，其特征在于，所述預先訓練的向量模型具體包括，

10.如權利要求9所述的系統(tǒng)，其特征在于，所述預訓練模塊，還用于若輸出的結果的精度不在允許的范圍內，則對向量模型的訓練參數進行調整優(yōu)化，重新獲對應的數據集并輸入所述向量模型，直到輸出的結果的精度在允許的范圍內為止。

技術總結
本發(fā)明提供一種車輛位置丟失數據的補齊方法及系統(tǒng)，包括，獲取車輛位置數據，并對該車輛位置數據進行預處理，得到樣本數據；將預處理后的樣本數據輸入預先訓練的向量模型，得到車輛位置數據的補齊數據；判斷所述車輛位置數據的補齊數據的精度是否在預設的精度允許范圍內，若不在預設的精度允許范圍內，則對所述向量模型的參數進行調整，并通過所述樣本數據對調整后的向量模型進行預訓練，直到補齊數據的精度在預設的精度允許范圍內為止；若在預設的精度允許范圍內，則將此時的車輛位置數據的補齊數據輸出為最終的車輛位置數據的補齊數據。本發(fā)明能夠滿足車聯(lián)網安全應用和交通管理中對車輛位置數據的高精度要求，對車輛位置數據實時在線的補齊。

技術研發(fā)人員：莫元富,張進,蔡剛強,殷杰,馬立武
受保護的技術使用者：廣東省智能網聯(lián)汽車創(chuàng)新中心有限公司
技術研發(fā)日：
技術公布日：2025/1/9