人工智能在导航定位中的应用

论文摘要

导航定位在无人驾驶、公共交通等领域具有重大应用价值和前景,随着移动智能计算平台的普及,民用导航软件逐步深入民众生活.定位精度是影响导航软件体验的重要因素,但目前导航系统定位精度有限,依靠原始定位数据难以满足日常精确导航的需求.为解决这一应用痛点,本文首次提出导航定位吸附课题,将导航定位从确定“点”的位置,转移为确定“线”的位置,旨在提高路线规划中导航起始道路位置的精准度,解决了导航规划中,起始导航位置定位准确率低的问题,为后续合理的路线规划奠定了基础.鉴于路网数据的保密性,本文将课题研究内容简化为判断某条路是否为导航发起时的真实道路的二分类问题.在实验过程中,借鉴轨迹匹配的思想,结合发起导航时的GPS信息、发起导航前的前序辅助GPS点信息、当前GPS点周围道路信息以及路网信息四部分基础数据,共计生成218个特征.经单因素以及多因素方差分析验证,在95%的置信水平下,89.5%的特征能够单独区分正负样本,9.1%的特征在与其他特征结合时能够区分正负样本.实验中,数据样本量为21100,其中正负样本比例接近3:2,近似为平衡数据.实验前后分别使用了SVM,RF以及XGBoost算法进行五折交叉验证.结果显示,对样本整体而言,基于径向基函数的SVM模型最高预测准确率为76.44%,模型训练耗时9.74s;基于Gini不纯度的RF模型最高准确率为80.01%,模型训练耗时1.45s;基于对数似然损失函数的XGBoost模型最高准确率为82.61%,模型训练耗时8.48s.XGBoost模型训练时间较长与服务器性能有较大关系,由于资源有限,本文仅在双核服务器下运行程序,因此没有彰显出XGBoost支持并行的优势.针对正负样本而言,SVM算法预测准确率、召回率以及F1值均极不稳定;RF算法预测结果均较为稳定,其准确率、召回率以及F1值维持在70%～80%之间,但负样本各项指标均低于正样本;XGBoost算法与RF一致,对正,负样本的预测较为稳定,负样本的各项指标均低于正样本,但准确率、召回率以及F1值能基本维持在85%左右.实验中,负样本各项指标均低于正样本的现象与负样本为构造样本有关.此外,对比RF与XGBoost算法Top10重要度特征,结果显示有60%的特征重合.RF中辅助GPS高精度分布特征并非预期的重要特征,按照常理该特征不应作为重要特征出现.而XGBoost算法的重要特征均与预期相符,是较为准确的重要特征排序,具体排序结果为:道路长度、机头方向、起点流量、导航点到道路的垂足距离、垂足点距离道路上游出口的长度、导航点GPS精度、连通道路长度、辅助GPS机头方向最大值、辅助GPS机头方向平均值、道路Formway.综上,XGBoost算法对本文课题具有最佳的预测能力,二分类准确率达82.01%.在本次实验中,共采用了三种不同类型的模型进行二分类.模型算法由简单到复杂,从弱学习器到集成学习,算法覆盖了凸二次规划、决策树以及提升树.在逐步提高模型复杂度的同时,降低模型方差以及偏差,实现了模型预测精度的逐步提升,是有效的模型选择方案.但不足之处在于,数据样本量相对不足,无法实现分城市,分GPS数量等级预测,以进一步提高预测精度。

论文目录

文章来源

类型: 硕士论文

作者: 武晓媛

导师: 刘艳

关键词: 导航定位吸附,支持向量机,集成学习,随机森林

来源: 武汉大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 自然地理学和测绘学,公路与水路运输,计算机软件及计算机应用,自动化技术

单位: 武汉大学

分类号: TP18;U495;P228.4

总页数: 79

文件大小: 2083K

下载量: 61

相关论文文献

• [1].基于迭代随机森林算法的糖尿病预测[J]. 长春工业大学学报 2019(06)
• [2].基于改进随机森林的城市河流水生态健康评价研究[J]. 海河水利 2019(06)
• [3].基于随机森林癫痫患者脑电数据的分析研究[J]. 中国数字医学 2020(01)
• [4].基于局部均值分解和迭代随机森林的脑电分类[J]. 吉林大学学报(信息科学版) 2020(01)
• [5].网贷平台数据的随机森林预测模型实证分析[J]. 宜宾学院学报 2019(12)
• [6].采用单类随机森林的异常检测方法及应用[J]. 西安交通大学学报 2020(02)
• [7].随机森林数据情感挖掘方法分析[J]. 通讯世界 2020(01)
• [8].运用最大熵模型和随机森林模型对东北红松分布的模拟[J]. 东北林业大学学报 2020(03)
• [9].基于随机森林算法的城区土地覆盖分类研究[J]. 河北省科学院学报 2020(01)
• [10].运用随机森林模型对北京市林分蓄积生长量的预测[J]. 东北林业大学学报 2020(05)
• [11].融合人工鱼群和随机森林算法的膝关节接触力预测[J]. 中国医学物理学杂志 2020(04)
• [12].结合特征选择和优化随机森林的无线网络数据丢失重建[J]. 上海电力大学学报 2020(03)
• [13].基于随机森林算法的耕地质量定级指标体系研究[J]. 华南农业大学学报 2020(04)
• [14].一种基于随机森林的组合分类算法设计与应用[J]. 电子设计工程 2020(16)
• [15].基于随机森林算法的日光温室内气温预测模型研究[J]. 中国农学通报 2020(25)
• [16].基于因子分析和迭代随机森林方法的学生成绩综合评价——以都匀市某高中为例[J]. 黔南民族师范学院学报 2020(04)
• [17].基于随机森林模拟的辽宁省降水量空间分布研究[J]. 陕西水利 2020(09)
• [18].随机森林模型在膝关节炎患者结构特征与症状定量分析中的应用（英文）[J]. 磁共振成像 2020(10)
• [19].基于特征选择的极限随机森林算法研究[J]. 计算机应用研究 2020(09)
• [20].随机森林回归分析方法在代谢组学批次效应移除中的应用[J]. 中国卫生统计 2020(05)
• [21].一种面向非均衡分类的随机森林算法[J]. 计算机与现代化 2018(12)
• [22].随机森林模型和决策树模型在肝硬化上消化道出血预后中的应用[J]. 中国卫生统计 2019(02)
• [23].基于随机森林的债券违约分析[J]. 当代经济 2018(03)
• [24].基于改进网格搜索算法的随机森林参数优化[J]. 计算机工程与应用 2018(10)
• [25].随机森林在城市不透水面提取中的应用研究[J]. 云南师范大学学报(自然科学版) 2017(03)
• [26].一种顺序响应的随机森林:变量预测和选择[J]. 小型微型计算机系统 2017(08)
• [27].基于随机森林回归的军械器材需求预测[J]. 自动化应用 2017(09)
• [28].流式大数据下随机森林方法及应用[J]. 西北工业大学学报 2015(06)
• [29].面向高维数据的随机森林算法优化探讨[J]. 商 2016(04)
• [30].深度随机森林在离网预测中的应用[J]. 计算机科学 2016(06)

标签：导航定位吸附论文;  支持向量机论文;  集成学习论文;  随机森林论文;