中长基线单基准站动态定位卡尔曼滤波算法

为了削弱站间星间双差对流层延迟和电离层延迟的影响,实现中长基线实时动态高精度定位,对流层干延迟用Hopfield模型计算,站间星间双差对流层湿延迟用相对对流层天顶延迟估计;站间星间双差电离层延迟用相对电离层天顶延迟估计;在此基础上,将流动站位置参数、相对对流层天顶延迟、相对电离层天顶延迟以及站间星间双差整周模糊度作为状态向量进行卡尔曼滤波估计.经验证,该算法初始历元数少,单历元定位平面中误差小于2 cm,高程中误差小于5 cm.      

GPS桥梁变形监测系统

GPS测量系统包括1个参考站，1个系统完整性监控站和27个桥梁变形监测站，均使月徕卡的CRS 1500 GPS接收系统，参考站的作用是为系统的变形监测站提供实时RTK改正数，系统完整性监控站的作用一方面是对系统的变形监测结果提供独立检核，另一方面也作为后备参考站使用，当参考站出现故障时，系统完整性监控站可以自动接管参考站的一切功能，     

GNSS卫星导航地基增强系统与位置云服务关键技术

针对地基增强系统自主研发了高精度增强参考站网络位置服务平台,通过与国际上代表性的平台系统比测,结果表明:网络RTK服务的初始化时间基本一致,相同测试点两个系统的精度相当,均实现了厘米级的RTK定位.北斗与GPS联合数据处理结果表明:联合解的57条基线在X、Z方向均优于1 mm,Y方向优于2 mm.与北斗和GPS单独解算相比,联合解算分别有55条和53条基线精度得到了改善,占总体的96.5%和93.0%.针对大规模CORS网络的多模GNSS数据融合、处理与位置服务问题,提出了建立位置无关服务和资源池的位置云服务的思想,实现数据处理与分析能力共享、多样性服务、广域无缝定位连接,为广域分布式CORS网络的信息获取、共享、处理和分析等提供了全新的理论基础.      

VRS技术在海湾大桥测量控制中的应用

VRS技术是一种虚拟参考站技术,采用网络RTK,使连续运行的参考站网与处理中心形成一个网络,处理中心运用一定的技术进行解算,并将解算出的改正数实时地发送到用户站,用户站同时能接收卫星信号和来自处理中心的信号,解算出测站的实时三维坐标。     

基于卡尔曼滤波的GPS/DR导航信息融合方法

为了有效地实现GPS/DR(Global Positioning System/Dead Reckoning)组合导航系统的信息融合,提高GPS/DR组合导航系统的精度和可靠性,分析了传统的利用全球定位系统(GPS)与航位推算系统(DR)跟踪车辆位置方法的特点,结合GPS和航位推算DR两种定位方式的优点,在车辆定位技术中采用GPS/DR组合定位技术,构建了基于卡尔曼滤波技术的自适应联合卡尔曼滤波器,使用Matlab软件工具进行了计算机仿真验证,从软件集成的角度探讨了GPS/DR组合定位技术的串口通信等关键技术的软件实现问题,给出了GPS单独导航、DR单独导航和GPS/DR组合导航三种工作状态下的位置误差。从对比中可以看出,组合系统能在任何情况下实现车辆的实时、可靠、准确的定位,定位误差最小,同时还可以减小甚至消除推算定位系统随时间积累的误差。     

GPS非差精密解算软件PLAOD及其性能分析

PLAOD (precise location and orbit determination)是西南交通大学自主研发的GPS非差精密定位定轨软件.该软件目前能够处理GPS观测数据，具有高精度定位、大气反演和低轨卫星轨道确定功能.本文在介绍PLAOD相关理论的基础之上对其性能进行了分析.利用多组GPS观测数据进行测试，通过与IGS (international GNSS service)等相关机构精密产品对比，PLAOD具备如下性能：静态定位精度可达毫米级；动态定位精度可达厘米级；静态对流层天顶延迟的估计精度通常优于1 cm，动态对流层天顶延迟的估计精度在2 cm以内；电离层天顶延迟估计结果与IGS的IONEX (ionosphere exchange)产品具有较高的吻合度；与JPL (jet propulsion laboratory)提供的简化动力学低轨卫星轨道相比，几何法确定轨道的准确度可达厘米级.     

基于RTK功能的GPS道路中线测设计原理与试验

介绍了GPS实时动态定位（RTK）技术的基本原理，一种新的基于RTK功能的高斯平面坐标的GPS道路中线测设的原理方法，其中包括使用一元解决任意复杂曲线的多种中桩点里程定义问题，以及区线的测设一体化技术，介绍了相应的试验情况。     

VRS动态随机模型建模方法的综合比较与分析

为寻求一种最优的VRS(虚拟参考站)动态随机模型建模方法,阐述了实时动态数据处理系统中4种随机模型——标准随机模型、高度角相关模型、SNR(信噪比)模型和自适应模型的建模原理;从验后单位权方差、ADOP(模糊度精度因子)、模糊度有效性检验(F-ratio)和滤波残差等多个角度综合分析了各模型在VRS系统中的有效性及其优劣,并从统计学的角度和基于模型自身缺陷的分析,提出了模型改进的方案.结果表明,自适应模型的滤波残差和验后单位权方差分别在0和1附近波动,具有明显的白噪声特性,其在ADOP的计算能力上也有明显优势,但在F-ratio的计算能力上与其它模型相当.综合而言,自适应模型应作为VRS实时动态随机模型建模首选.     

基于径向基神经网络的大连站客运量预测

针对铁路客运量在时序上的复杂非线性特征,采用径向基函数(RBF)神经网络对铁路客运量时间序列进行预测.用自相关分析技术分析时间序列的延迟特性,据此确定RBF神经网络的输入、输出向量,建立了基于MATLAB7.0环境下的RBF神经网络客运量预测模型,并用大连站实际客运量数据进行了验证.结果表明,该模型拟合精度和预测精度较高、计算速度较快.     

基于径向基神经网络的大连站客运量预测

针对铁路客运量在时序上的复杂非线性特征,采用径向基函数(RBF)神经网络对铁路客运量时间序列进行预测.用自相关分析技术分析时间序列的延迟特性,据此确定RBF神经网络的输入、输出向量,建立了基于MATLAB7.0环境下的RBF神经网络客运量预测模型,并用大连站实际客运量数据进行了验证.结果表明,该模型拟合精度和预测精度较高、计算速度较快.     

基于出租车GPS数据的路段平均速度估计模型

为了解决现有基于GPS数据的路段平均速度估计模型应用条件苛刻、难以满足低成本和高精度信息需求问题,考虑不同类型GPS车辆运行特征,设计了两个基于出租车GPS数据估计路段平均速度的改进模型.基于两个改进模型,设计了路段平均速度的融合估计方法.用某城市局部路网的出租车GPS数据验证两个改进模型,并与传统模型进行了对比分析....     

IGS超快星历在对流层实时监测中的应用研究

通过比较广播星历和IGS（国际GPS服务机构）目前提供的3种精密星历的精度和时延性，得出只有超快星历（IGU）才能满足对流层监测的时间要求．根据实际数据进一步分析了超快星历卫星轨道和卫星钟差的精度，提出了利用轨道松弛联合轨道质量指数加权的方法，并利用四川GPS连续观测网（GPSNOS）的实测数据进行了检验．结果表明，此方法可以解决IGU中的“病态”卫星问题，从而使IGU能有效地用于对流层实时监测．     

适用于公交营运监管的车辆组合定位技术研究 ——以上海市为例

公交行业营运监管对车辆定位可靠性要求较高。为解决现有GPS 技术存在的信号盲区问题,引入信标定位法（RFID 技术）,通过布设于首、末站点的RFID 基站采集车辆定位数据与运行途中的GPS位置数据相融合,实现车辆运行轨迹的量化理,准确判定和统计有效班次;引入航迹推算法（DR） 与GPS技术形成组合定位,当车辆GPS定位信号在中途站点区域短时间中断 时切换到航迹推算模式（DR）,利用里程计和角速度陀螺仪测量距离及方向,计算出车辆的到离站时间。在公交监管应用实例中,依托GPS / RFID组合定位技术获取的线路运能统计数据与运营企业上报的电子路单一致,验证了该组合模式的可靠性。对于GPS /DR 定位技术切换式组合模式,运用计算机仿真测算航迹推算法的定位偏差,仿真试验结果表明偏差值小于站点区域半径,符合中途站点车辆识别的要求。     

基于极限学习机的公交行程时间预测方法

以公交车GPS数据为基础,建立了基于极限学习机方法的公交站点间行程时间预测模型.依据GPS数据在站点附近的特征表现,定义了公交车到站临界点,并分析了临界点处车辆的5种运行状态;提出了公交车到站时刻估算方法,进而得到公交车行程时间数据;通过分析公交车行程时间数据内在特征,确定了极限学习机模型关键参数及其纬度;最后,以长春市88路公交车GPS数据为基础进行了方法验证.结果表明,所用ELM方法预测误差约为11%,并与应用广泛的BP神经网络、RBF神经网络、SVM进行对比分析,发现ELM方法在满足精度前提下拥有更快训练速度与预测可靠性.     

CORS在浮动车交通信息采集系统中的应用

针对目前GPS浮动车交通信息采集系统中GPS原始数据因精度产生的问题,在深入分析CORS系统的基础上,提出结合CORS系统,对浮动车采集数据进行实时差分改正的优化方案。CORS与GIS结合对综合信息进行输入,将能大幅度改善数据的准确性,提高数据的利用率,实现数据质量的优化。     

GPS精密定位中的海潮负荷改正

为了正确选用海潮模型和潮波数以提高GPS定位的精度,根据测站位移的海潮负荷改正理论,分别用瑞典昻萨斯天文台和日本国家天文台的潮波数据计算了部分IGS站的海潮负荷改正,并对两者的计算结果进行了比较.结果表明,在大洋和内陆,两者结果的差异较小,但在沿海地区差异较大,因此GPS精密定位不仅应考虑测站位移的海潮负荷改正,还应注意选择合适的海潮模型及潮波数.     

基于优化PSO-BP算法的耦合时空特征下地铁客流预测

为提高地铁客流预测的准确性,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,提取了影响地铁客流变化的5个主要因素,包括节日、非节日、时间段、站点和天气,构建了反向传播(BP)神经网络,预测了地铁客流;利用引入自适应变异与均衡惯性权重的粒子群优化(PSO)算法,优化了BP神经网络,形成了考虑复杂因素影响的地铁客流预测系统;选取了换乘站、非换乘站的首站与中间站,引入天气、节日、非节日因素,对比了不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差。研究结果表明:考虑天气、节日、非节日因素,换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了40.13%、31.46%和23.89%,较分时段的BP神经网络模型分别平均下降了17.50%、17.86%和17.32%;非换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了16.50%、20.99%和32.59%,较分时段的BP神经网络模型分别平均下降了11.48%、12.10%和17.73%;各站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差、平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了24.37%、24.48%和29.69%,较分时段的BP神经网络模型分别平均下降了13.49%、14.02%和17.59%,因此,利用考虑多影响因素的优化PSO-BP神经网络模型能提高地铁客流预测的准确性。      

基于深度CNN-LSTM-ResNet组合模型的出租车需求预测

利用海量的离线GPS数据进行出租车需求预测是智能城市与智能交通系统的重要组成部分.本文提出了一种基于深度学习的出租车需求预测方法(CNN-LSTM-ResNet),将出租车GPS数据和天气数据等转化为栅格数据,输入模型获得预测结果.该模型先使用卷积神经网络(CNN)提取城市范围交通流量的空间特征,然后引入残差单元加深网络层数,并利用长短期记忆网络(LSTM)提取GPS数据的临近性、周期性和趋势性,最后通过权重融合以上3个分量,并与外部因素(天气、节假日和空气质量指数)进一步融合,从而预测城市特定区域的出租车需求.采用西安市出租车GPS数据进行实验验证,结果表明,该模型与传统预测模型(如ARIMA,CNN,LSTM)相比具有更高的预测精度.     

基于改进极限学习机的公交站点短时客流预测方法

以公交车IC 卡和GPS数据为基础，提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC 卡和GPS 数据在站点的特征表现和内在联系，定义了站点间距，并分析了站间距和车辆到总站距离间的联系；提出了公交乘客上车站点确定方法，进而得到公交站点上车客流量；通过分析公交客流数据特征，确定ELM输入参数维度，并采用IPSO 算法找到ELM的最优隐含层节点参数；最后依托广州市19 路公交车客流数据仓库进行了方法验证.结果表明：所用优化后的ELM方法预测误差在10%以内，并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析，发现改进的ELM方法拥有更高的可靠性和泛化性能.