[發(fā)明專利]估計GPS數據的方法和裝置

在審

• 申請?zhí)枺?/td>: 201810026638.0
• 申請日: 2018-01-11
• 公開（公告）號: CN110033088A
• 公開（公告）日: 2019-07-19
• 發(fā)明（設計）人: 門春雷;劉艷光;張文凱;陳明軒;郝尚榮;鄭行;徐進
• 申請（專利權）人: 北京京東尚科信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 中原信達知識產權代理有限責任公司 11219
• 代理人: 張一軍;楊曉偉

1.一種估計GPS數據的方法，其特征在于，包括：

獲取第一時刻的GPS數據、第一時刻的慣性測量單元數據以及第二時刻的慣性測量單元數據；

采用通過訓練深度學習模型得到的估計模型，根據所述第一時刻的GPS數據、第一時刻的慣性測量單元數據以及第二時刻的慣性測量單元數據，估計第二時刻的GPS數據；

其中，第一時刻的時間戳早于第二時刻的時間戳。

2.根據權利要求1所述的方法，其特征在于，獲取第一時刻的GPS數據、第一時刻的慣性測量單元數據以及第二時刻的慣性測量單元數據之前，所述方法包括：將GPS數據丟失時刻的上一時刻作為第一時刻。

3.根據權利要求1所述的方法，其特征在于，訓練深度學習模型包括：

選取任一時間段內的歷史慣性測量單元數據和歷史GPS數據作為樣本集，歷史慣性測量單元數據的時間戳和歷史GPS數據的時間戳同步；

按照時間順序將樣本集分為訓練集和測試集；

采用訓練集中的歷史慣性測量單元數據和歷史GPS數據訓練深度學習模型，得到待測試模型；

采用測試集中的歷史慣性測量單元數據和歷史GPS數據測試待測試模型，以確定估計模型。

4.根據權利要求3所述的方法，其特征在于，所述深度學習模型包括循環(huán)神經網絡RNN模型；

采用訓練集歷史慣性測量單元數據和歷史GPS數據訓練深度學習模型，得到待測試模型，包括：

確定RNN模型的初始結構和參數；

將訓練集中初始時刻T₀的歷史GPS數據初始時刻T₀的歷史慣性測量單元數據和T₀的下一時刻T₁的歷史慣性測量單元數據輸入RNN模型，RNN模型輸出時刻T₁的GPS數據根據與T₁時刻的歷史GPS數據的誤差更新RNN模型的參數；

將T_n時刻的歷史慣性測量單元數據輸入更新后的RNN模型，輸出T_n時刻的GPS數據根據與T_n時刻的歷史GPS數據的誤差更新RNN模型的參數，并按照歷史慣性測量單元數據的時間戳先后順序進行迭代以得到待測試模型；其中，中間變量n＝2,3,4…m，m為訓練集中歷史慣性測量單元數據的數據量；

采用測試集中的歷史慣性測量單元數據和歷史GPS數據測試待測試模型，以確定估計模型，還包括：

若測試集中歷史GPS數據與待測試模型輸出的GPS數據的平均誤差小于設定閾值，則將待測試模型作為估計模型。

5.根據權利要求1所述的方法，其特征在于，所述慣性測量單元數據包括：加速度、角速度和磁力感應數據；

所述GPS數據包括位置和速度。

6.一種估計GPS數據的裝置，其特征在于，包括：數據采集模塊、估計模塊；

所述數據采集模塊，用于：獲取第一時刻的GPS數據、第一時刻的慣性測量單元數據以及第二時刻的慣性測量單元數據；

所述估計模塊，用于：采用通過訓練深度學習模型得到的估計模型，根據所述第一時刻的GPS數據、第一時刻的慣性測量單元數據以及第二時刻的慣性測量單元數據，估計第二時刻的GPS數據；

其中，第一時刻的時間戳早于第二時刻的時間戳。

7.根據權利要求6所述的裝置，其特征在于，所述數據采集模塊，用于：將GPS數據丟失時刻的上一時刻作為第一時刻。

8.根據權利要求6所述的裝置，其特征在于，所述裝置還包括訓練模塊；所述訓練模塊，用于：

選取任一時間段內的歷史慣性測量單元數據和歷史GPS數據作為樣本集，歷史慣性測量單元數據的時間戳和歷史GPS數據的時間戳同步；

按照時間順序將樣本集分為訓練集和測試集；

采用訓練集中的歷史慣性測量單元數據和歷史GPS數據訓練深度學習模型，得到待測試模型；

采用測試集中的歷史慣性測量單元數據和歷史GPS數據測試待測試模型，以確定估計模型。