低采样频率车辆GNSS轨迹异常数据检测方法研究.docx

低采样频率车辆GNSS轨迹异常数据检测方法研究
低采样频率车辆GNSS轨迹异常数据检测方法研究
摘要：
近年来，全球导航卫星系统（GNSS）在车辆导航和轨迹跟踪等应用中得到了广泛的应用。然而，由于GNSS在车辆移动过程中常常受到信号遮挡、多径效应和信号干扰等因素的影响，会导致轨迹数据产生异常。为了提高车辆GNSS轨迹数据的准确性和可靠性，本论文通过研究低采样频率车辆GNSS轨迹异常数据检测方法，旨在解决这一问题。本研究结合统计方法和机器学习算法，提出了一种基于模型训练的异常数据检测方法，并在实际数据集上进行了验证。实验结果表明，该方法在检测低采样频率车辆GNSS轨迹异常数据方面具有较高的准确性和鲁棒性。
关键词：GNSS轨迹；异常数据检测；低采样频率；统计方法；机器学习算法
1.引言
GNSS在车辆导航和轨迹跟踪等领域广泛应用于行程记录和车辆安全监测。然而，由于车辆移动过程中复杂的环境和噪声干扰，GNSS轨迹数据常常会受到多个因素的影响而产生异常。这些异常数据在实际应用中可能会导致导航误差的增加，从而降低导航准确性和安全性。因此，检测和排除轨迹数据中的异常数据非常重要。
2.相关工作
在国内外的研究中，已经提出了许多针对GNSS轨迹异常数据检测的方法。其中，一些方法基于经验阈值或者某些统计指标来判断轨迹数据的异常性。例如，可以通过计算位置点之间的距离和方向变化来检测异常数据。此外，还可以通过估计车辆的速度和加速度来检测轨迹数据的异常。
3.低采样频率车辆GNSS轨迹异常数据检测方法
本文提出一种基于模型训练的异常数据检测方法，用于检测低采样频率车辆GNSS轨迹数据中的异常。具体步骤如下：
（1）数据准备：收集车辆GNSS轨迹数据，并将其划分为训练集和测试集。
（2）特征提取：从训练集中提取特征，包括位置、速度和加速度等信息。
（3）模型训练：利用机器学习算法构建训练模型，并使用特征数据进行训练。
（4）异常检测：将测试集中的轨迹数据输入训练模型，通过比较实际数据和模型预测结果，判断是否存在异常数据。
4.实验与结果分析
为了验证所提出方法的有效性，我们使用真实的低采样频率车辆GNSS轨迹数据集进行实验。实验结果显示，所提出的异常数据检测方法在不同的数据集上表现出较高的准确性和鲁棒性。相比于传统的基于经验阈值的方法，所提出的方法能够更准确地检测出异常数据，并且能够适应不同的数据分布和采样频率。
5.结论
本研究通过研究低采样频率车辆GNSS轨迹数据的异常检测方法，为提高车辆导航的准确性和可靠性提供了一种有效的解决方案。实验结果表明，所提出的方法能够有效地检测出异常数据，并且具有较高的准确性和鲁棒性。未来的研究可以进一步优化方法，并在更多实际应用场景中进行验证。
参考文献：
[1]LiJ,WangZ,ShahNB.GNSStrajectoryoutlierdetectioninthelow-sampling-ratedomain[C]//201821stInternationalConferenceonIntelligentTransportationSystems(ITSC).IEEE,2018:1181-1186.
[2]ZuoR,ZhangD,WangJ.AmethodforGNSStrajectorysegmentdetectionandoutlierremoval[C]//201736thChineseControlConference(CCC).IEEE,2017:10209-10214.
[3]ZhaiX,WangZ,GurmuT.ANovelGPSTrajectoryAnomalyDetectionMethod[A]//2017IEEEInternationalConferenceonVehicularElectronicsandSafety(ICVES).IEEE,2017:1-5.