一种基于大数据跨模态残差模型补偿的标准单点定位方法

1.本发明属于导航定位领域，尤其涉及一种基于大数据跨模态残差模型补偿的标准单点定位方法。


背景技术：

2.作为卫星信号的原始观测量之一，伪距有着相当重要的作用，虽然伪距定位的精度不如近年来不断发展的精密单点定位和实时差分定位等方法，但其所具备的算法简单，设站方便，对外部网络信息依赖性低等的特点，使其在众多定位场景中有着不可替代的作用。然而目前没有针对于伪距误差的详细规律研究，充分认识并可以预测其残差，将有助于更好的了解卫星信号体制。
3.从标准单点定位到精密单点定位，再到差分定位。gnss的定位精度在不断的提升，但精度的提升却带来了收敛时间的加长和对外部网络信息的依赖性增加等缺点。作为计算最简单，实时性最高，应用最广泛的定位算法，标准单点定位还是有着其独特的优势。当前最普遍的标准定位算法均是采用最小二乘法或者卡尔曼滤波方法迭代而来，然而在迭代中，由于伪距残差并不是一个已知的量，更多的是将这个量直接忽视或者叠加到坐标和钟差未知数中一并求解，这也是标准单点定位精度不高的一个重要因素。
4.在已有的技术中也有对观测量噪声进行估计的，整体可分为三大类：一是将其视为基于高度角的随机模型，其中bernese软件将其视为余弦函数模型，gamit软件将其视为正弦函数模型，barnes软件将其视为指数函数模型，二是是为信噪比的随机模型，三是将其进行定位然后做最小二乘不断改正其观测量残差值。但这些均不是纯粹针对伪距残差做出的模型，且精度较低。


技术实现要素：

5.为更清晰的掌握伪距残差变化规律，并且提高标准单点定位的精度，本发明提出一种基于大数据跨模态残差模型补偿的标准单点定位方法。本发明采用无向图建立时间与残差、空间与残差、卫星仰角与残差以及卫星方位角与残差条件之间的联系，再利用随机游走建立全局关系，最后将随机游走产生的元组进行跨模态表征学习建立起历史关系模型。在预测上，根据输入的空间条件、卫星仰角条件和卫星方位角条件结合输出策略得到最终预测结果。最终将此残差补偿到标准单点定位算法中。较之传统的标准单点定位方法，具有了更高的精度，且不需要时刻依赖外接网络，2到3个月更新一次模型即可保证50天内保持模型能达到的最佳水平进行本地化计算。
6.为达到上述目的，本发明采用如下技术方案：
7.一种基于大数据跨模态残差模型补偿的标准单点定位方法，包括如下步骤：
8.步骤1、获取伪距残差；
9.步骤2、建立无向图；
10.步骤3、建立随机游走元组；
11.步骤4、建立跨模态表征模型；
12.步骤5、获得预测策略；
13.步骤6、设计标准单点定位方法。
14.进一步地，所述步骤1包括：
15.伪距残差采用精密星历与观测文件计算得出：
[0016][0017]
式中是观测站r与卫星j在频率i下的伪距观测量，其真实距离，c是光速，dtr，dt
(j)
分别是接收机钟差和卫星钟差，ci
(j)
(t)是电离层延迟，ct
(j)
(t)是对流层延迟，ε
′
ρ
为残差；
[0018]
将所获取的伪距残差与对应的卫星号及仰角、方位角、观测站坐标和观测站时间构成一组数据组，数据组中的每一个元素都视为一个节点。
[0019]
进一步地，所述步骤2中，所述无向图表明节点之间是否相关以及相关程度，节点间的权重设置为其出现的频次。
[0020]
进一步地，所述步骤3包括：
[0021][0022]
式中，v
(t)
是当前节点，p()是概率，p(v
(t+1)
|v
(t)
)表示从v
(t)
节点选择下一节点v
(t+1)
的概率，β()表示相邻节点集合，d()表示相邻节点个数，生成一组随机游走序列w＝randomwalk(g,v0,t)＝(v0,v1···vt-1
)，其中randomwalk()表示随机游走算法，g表示无向图关系，v0代表起始节点，t代表序列长度。
[0023]
进一步地，所述步骤4包括：
[0024]
针对数据组的特点，建立起四组无向图并分别建立随机游走序列，以表示无向图关系，其中x和y分别表示一类节点，∪表示关联，δ
xy
表示节点间的关联度，训练节点i生成节点j的概率为：
[0025][0026]
式中uj，vi，uk是节点j，节点i和节点k的嵌入向量，k代表与节点i相邻的所有节点，x表示与i相邻节点的集合；实际计算得到的概率为：
[0027][0028]
式中ε
ij
是节点i和节点j的边缘权重，x表示与i相邻节点的集合；
[0029]
定义g
xy
的损失函数为：
[0030]
[0031]
式中kul表示kl散度，表示为其中n表示随机变量p和q存在的取值，x表示与i相邻节点的集合，y表示与j相邻节点的集合。所以同时训练四组无向图的最终损失函数f如下：
[0032][0033]
式中分别代表观测站坐标与残差的损失函数、卫星仰角与残差的损失函数、卫星方位角与残差的损失函数、卫星号与残差的损失函数；
[0034]
为了减轻计算采取负采样方法，则最终学习的损失函数s为：
[0035][0036]
其中，σ()代表sigmoid函数、m代表负采样采用的数量，uj，vi，uk是节点j，节点i和节点k的嵌入向量，k代表与节点i相邻的所有节点。
[0037]
进一步地，所述步骤5包括：
[0038]
获得残差预测模型后进行预测工作，由于伪距残差的特性，时间上越靠近的节点是越可信的，输入条件包含卫星号的仰角和方位角、观测站坐标，利用输入条件计算出模型映射空间中距离最近的的10个残差值，根据10个残差值的历史最近一次出现的时间进行加权计算得出最终预测结果，加权方法如下：
[0039][0040][0041]
式中α为权重，αi是第i个预测值的权重，t
now
,ts,t
start
分别是当前时间，预测值在历史模型中的时间，模型开始时间。
[0042]
进一步地，所述步骤6包括：
[0043]
l＝gx+ε
′
ρ
ꢀꢀꢀꢀ
(10)
[0044]
g＝[g1,g2···gi
]
ꢀꢀꢀ
(11)
[0045][0046]
x＝(g
t
g)-1gt
l
ꢀꢀꢀ
(13)
[0047]
式(11)中gi如式(12)所示，为中间参数，其中分别表示ri对x、y、z的偏导数；
[0048]
伪距定位如公式(10)-式(13)所示，其中l表示接收机与gnss卫星的伪距和几何距离的差值，即为伪距残差，
[0049]
有益效果：
[0050]
1、本发明对多元异构信息构建统一空间描述：本发明可预测不同时间和空间、卫星仰角、卫星方位角条件下的伪距观测量残差，这些条件的描述维度不同，同时包含了数字元素、文字元素和坐标元素，适用性更强。
[0051]
2、本发明采用图神经网络和自然语言处理的方法处理多因素预测问题：本发明既涉及时间因素，又涉及空间因素，还包含卫星号及其仰角和方位角等其他因素信息，难以用时序分析或者空间分析等模型统一描述，采用图神经网络和自然语言处理的方法，将以上信息放入同一维度中，简化了问题处理难度。
[0052]
3、本发明将伪距残差视为已知量进行标准单点定位：本发明针对以往标准单点定位粗略估计或忽略残差的问题，及逆行了残差的补偿，这进一步的提升了标准单点定位的精度。
附图说明
[0053]
图1为本发明的一种基于大数据跨模态残差模型补偿的标准单点定位方法流程图；
[0054]
图2为g
xy
表示的节点间关系图。
具体实施方式
[0055]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0056]
如图1所示，本发明的一种基于大数据跨模态残差模型补偿的标准单点定位方法包括如下步骤：
[0057]
步骤1、获取伪距残差：
[0058]
伪距残差采用精密星历与观测文件计算出：
[0059][0060]
式中是观测站r与卫星j在频率i下的伪距观测量，其真实距离，c是光速，dtr，dt
(j)
分别是接收机钟差和卫星钟差，ci
(j)
(t)是电离层延迟，ct
(j)
(t)是对流层延迟，ε
′
ρ
即为所要的残差。
[0061]
真实距离采用卫星精密星历和观测站已知坐标求出，电离层延迟由saastamoinen模型，对流层延迟由双频进行消除，卫星钟差由精密星历得到，观测站钟差难以直接获取，将由历史结果进行ppp定位结算的钟差代替。
[0062]
将所获取的伪距残差与对应的卫星号及仰角、方位角、观测站坐标和时间构成一组数据。数据中的每一个元素都视为一个节点。
[0063]
步骤2、建立无向图：
[0064]
无向图可以表明节点之间是否相关以及相关程度，节点间的权重设置为其出现的频次。
[0065]
步骤3、建立随机游走元组：
[0066][0067]
式中，v
(t)
是当前节点，p()是概率，p(v
(t+1)
|v
(t)
)表示从v
(t)
节点选择下一节点v
(t+1)
的概率，β()表示相邻节点集合，d()表示相邻节点个数，生成一组随机游走序列w＝randomwalk(g,v0,t)＝(v0,v1···vt-1
)，其中randomwalk()表示随机游走算法，g表示无向图关系，v0代表起始节点，t代表序列长度。
[0068]
步骤4、建立跨模态表征模型：
[0069]
针对数据组的特点，如图2所示，建立起四组无向图并分别建立随机游走序列，针对数据组的特点，建立起四组无向图并分别建立随机游走序列，以为例表示无向图关系，其中x和y分别表示一类节点，∪表示关联，δ
xy
表示节点间的关联度，节点i生成节点j的概率为：
[0070][0071]
式中uj，vi，uk是节点j，节点i和节点k的嵌入向量，k代表与节点i相邻的所有节点，x表示与i相邻节点的集合；实际计算得到的概率为：
[0072][0073]
式中ε
ij
是节点i和节点j的边缘权重，x表示与i相邻节点的集合，所以需要学习的就是让理论概率去接近真实概率，定义g
xy
的损失函数为：
[0074][0075]
式中kul表示kl散度，表示为其中n表示随机变量p和q存在的取值，x表示与i相邻节点的集合，y表示与j相邻节点的集合。
[0076][0077]
式中分别代表观测站坐标与残差的损失函数、卫星仰角与残差的损失函数、卫星方位角与残差的损失函数、卫星号与残差的损失函数。
[0078]
由于这种计算量过大，为了减轻计算将采取负采样方法，所以最终学习的损失函数为：
[0079][0080]
其中，σ()代表sigmoid函数、m代表负采样采用的数量，uj，vi，uk是节点j，节点i和
节点k的嵌入向量，k代表与节点i相邻的所有节点。
[0081]
步骤5、获得预测策略：
[0082]
获得残差预测模型后便可以进行预测工作，由于伪距残差的特性，时间上越靠近的点是越可信的，输入条件包含卫星号的仰角和方位角，观测站坐标，以此预测出最可能的10个值，根据预测值的历史最近一次出现的时间进行加权计算得出最终预测结果，加权方法如下：
[0083][0084][0085]
式中α为权重，αi是第i个预测值的权重,t
now
,ts,t
start
分别是当前时间，预测值在历史模型中的时间以及模型开始时间。
[0086]
步骤6、设计定位方法：
[0087]
l＝gx+ε
′
ρ
ꢀꢀꢀ
(10)
[0088]
g＝[g1,g2···gi
]
ꢀꢀꢀ
(11)
[0089][0090]
x＝(g
t
g)-1gt
l
ꢀꢀꢀ
(13)
[0091]
式(11)中gi如式(12)所示，其中分别表示ri对x、y、z的偏导数；
[0092]
伪距定位如公式(10)-式(13)所示，其中l表示的是接收机与gnss卫星的伪距和几何距离的差值，称为伪距残余量，通常在此方法中，补偿了伪距残差，因此
[0093]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于大数据跨模态残差模型补偿的标准单点定位方法，其特征在于，包括如下步骤：步骤1、获取伪距残差；步骤2、建立无向图；步骤3、建立随机游走元组；步骤4、建立跨模态表征模型；步骤5、获得预测策略；步骤6、设计标准单点定位方法。2.根据权利要求1所述的一种基于大数据跨模态残差模型补偿的标准单点定位方法，其特征在于，所述步骤1包括：伪距残差采用精密星历与观测文件计算得出：式中是观测站r与卫星j在频率i下的伪距观测量，其真实距离，c是光速，dt
r
，dt
(j)
分别是接收机钟差和卫星钟差，ci
(j)
(t)是电离层延迟，ct
(j)
(t)是对流层延迟,ε
′
ρ
为残差；将所获取的伪距残差与对应的卫星号及仰角、方位角、观测站坐标和观测站时间构成一组数据组，数据组中的每一个元素都视为一个节点。3.根据权利要求2所述的一种基于大数据跨模态残差模型补偿的标准单点定位方法，其特征在于，所述步骤2中，所述无向图表明节点之间是否相关以及相关程度，节点间的权重设置为其出现的频次。4.根据权利要求3所述的一种基于大数据跨模态残差模型补偿的标准单点定位方法，其特征在于，所述步骤3包括：式中，v
(t)
是当前节点，p()是概率，p(v
(t+1)
|v
(t)
)表示从v
(t)
节点选择下一节点v
(t+1)
的概率，β()表示相邻节点集合，d()表示相邻节点个数，生成一组随机游走序列w＝randomwalk(g,v0,t)＝(v0,v1···
v
t-1
)，其中randomwalk()表示随机游走算法，g表示无向图关系，v0代表起始节点，t代表序列长度。5.根据权利要求4所述的一种基于大数据跨模态残差模型补偿的标准单点定位方法，其特征在于，所述步骤4包括：针对数据组的特点，建立起四组无向图并分别建立随机游走序列，以表示无向图关系，其中x和y分别表示一类节点，∪表示关联，δ
xy
表示节点间的关联度，训练节点i生成节点j的概率为：
式中u
j
，v
i
，u
k
是节点j，节点i和节点k的嵌入向量，k代表与节点i相邻的所有节点，x表示与i相邻节点的集合；实际计算得到的概率为：式中ε
ij
是节点i和节点j的边缘权重，x表示与i相邻节点的集合；定义g
xy
的损失函数为：式中kul表示kl散度，表示为其中n表示随机变量p和q存在的取值，x表示与i相邻节点的集合，y表示与j相邻节点的集合；所以同时训练四组无向图的最终损失函数f如下：式中分别代表观测站坐标与残差的损失函数、卫星仰角与残差的损失函数、卫星方位角与残差的损失函数、卫星号与残差的损失函数；为了减轻计算采取负采样方法，则最终学习的损失函数s为：其中，σ()代表sigmoid函数、m代表负采样采用的数量，u
j
，v
i
，u
k
是节点j，节点i和节点k的嵌入向量，k代表与节点i相邻的所有节点。6.根据权利要求5所述的一种基于大数据跨模态残差模型补偿的标准单点定位方法，其特征在于，所述步骤5包括：获得残差预测模型后进行预测工作，由于伪距残差的特性，时间上越靠近的节点是越可信的，输入条件包含卫星号的仰角和方位角、观测站坐标，利用输入条件计算出模型映射空间中距离最近的的10个残差值，根据10个残差值的历史最近一次出现的时间进行加权计算得出最终预测结果，加权方法如下：算得出最终预测结果，加权方法如下：式中α为权重，α
i
是第i个预测值的权重,t
now
,t
s
,t
start
分别是当前时间，预测值在历史模
型中的时间，模型开始时间。7.根据权利要求6所述的一种基于大数据跨模态残差模型补偿的标准单点定位方法，其特征在于，所述步骤6包括：l＝gx+ε
′
ρ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)g＝[g1,g2···
g
i
]
ꢀꢀꢀꢀꢀꢀꢀ
(11)x＝(g
t
g)-1
g
t
l
ꢀꢀꢀꢀꢀꢀ
(13)式(11)中g
i
如式(12)所示，为中间参数，其中分别表示r
i
对x、y、z的偏导数；伪距定位如公式(10)-式(13)所示，其中l表示接收机与gnss卫星的伪距和几何距离的差值，即为伪距残差，

技术总结
本发明提出一种基于大数据跨模态残差模型补偿的标准单点定位方法，采用无向图建立时间与残差、空间与残差、卫星仰角与残差以及卫星方位角与残差条件之间的联系，再利用随机游走建立全局关系，最后将随机游走产生的元组进行跨模态表征学习建立起历史关系模型。在预测上，根据输入的空间条件、卫星仰角条件和卫星方位角条件结合输出策略得到最终预测结果。最终将此残差补偿到标准单点定位算法中。本发明具有更高的精度，且不需要时刻依赖外接网络，每次对模型的更新可保证60天内以最佳精度进行本地化计算。行本地化计算。行本地化计算。


技术研发人员：于丰正 袁洪 罗瑞丹 陈思 杨光 李亚平 万红霞
受保护的技术使用者：中国科学院空天信息创新研究院
技术研发日：2023.07.27
技术公布日：2023/10/19