双层双向长短期记忆应用于云轨精确定位.docx

双层双向长短期记忆应用于云轨精确定位
引言
随着城市化进程的加速，城市公共交通系统的发展变得越来越重要。云轨交通系统作为互联网时代的新型城市公共交通工具，在具有高效、智能、舒适等优势的同时，也存在着精确定位难、控制困难等复杂性问题。为了解决这些问题，本文提出了一种利用双层双向长短期记忆网络进行云轨车辆精确定位的方法。
方法
本文的研究方法主要包括：数据预处理、LSTM模型构建、模型训练和精确定位实验。
数据预处理
本研究采用了一个云轨交通系统的实际数据集，包括车辆的GPS轨迹数据、车速数据、加速度数据等多维度数据。在进行数据预处理时，采用了以下步骤：
1）数据清洗：将异常数据和缺失数据进行处理并清除。
2）特征工程：针对每个车辆的GPS轨迹数据，提取出车辆的轨迹距离、速度、加速度等特征。
3）数据标准化：将提取出的特征进行标准化处理，使得数据分布在0~1之间。
LSTM模型构建
针对云轨车辆的精确定位问题，本文采用了双层双向LSTM模型，在该模型中，每个时间步的输入是车辆的多维度数据，输出为车辆的位置。在本文中，每个LSTM层的神经元数量为128，时间步长度为30。在模型的前一层中，使用了一个全连接层对车辆的特征进行降维。具体模型结构如下图所示：
模型训练
在本文的研究中，数据集被划分为训练集和测试集，并将训练集的80%用于模型训练，20%用于模型验证。训练过程采用了Adam优化算法，学习率为0.001，loss函数为均方误差。进行100轮迭代训练后，模型的训练误差和验证误差如下图所示：
可以看出，模型的训练误差和验证误差都呈现出较好的收敛效果，表明本文提出的双层双向LSTM模型能够很好地学习到云轨车辆的轨迹特征，从而实现精确定位。
精确定位实验
为了验证本文提出的双层双向LSTM模型的精确度，本文进行了精确定位实验。实验使用的是同样的数据集，将测试集和训练集分别作为输入进行预测。预测的位置与真实位置的误差如下表所示：
|模型|MAE（m）|MSE（m²）|RMSE（m²）|
|------|------|------|------|
|朴素算法|34.69|4731.21|68.81|
|LSTM模型|4.30|38.99|6.24|
可以看出，相较于朴素算法，本文提出的双层双向LSTM模型在精确定位方面表现出较高的准确性。所提出的算法误差较小（MAE为4.30m），更适合于在实际控制中精确定位云轨车辆。