卫星定位信号强度预测方法和装置
阅读说明：本技术 卫星定位信号强度预测方法和装置 (Satellite positioning signal strength prediction method and device ) 是由 陈杰 李坚强 陈壮壮 曾崛 王云飞 于 2019-10-31 设计创作，主要内容包括：本申请实施例公开了一种卫星定位信号强度预测方法和装置,通过获取待预测区域的位置信息；使用训练好的卫星定位信号强度预测模型预测位置信息对应的卫星定位信号强度预测值,然后,选取卫星定位信号预测值满足预设条件的位置点作为无人机起飞点或降落点,以确保选取的起飞点或降落点的合适性。这样,避免了无人机野外作业时依靠人工选取无人机起飞点或降落点耗费大量时间的问题,同时,还通过选取合适的起飞点或降落点提高了无人机起飞或降落的安全性和稳定性,确保无人机起飞或降落的安全性和稳定性。(The embodiment of the application discloses a method and a device for predicting satellite positioning signal strength, which are used for predicting the strength of a satellite positioning signal by acquiring the position information of a region to be predicted; and predicting a satellite positioning signal intensity predicted value corresponding to the position information by using the trained satellite positioning signal intensity prediction model, and then selecting a position point with the satellite positioning signal predicted value meeting a preset condition as an unmanned aerial vehicle flying point or landing point so as to ensure the suitability of the selected flying point or landing point. Like this, the problem that dependence manual work selected unmanned aerial vehicle departure point or landing point and consumed a large amount of time when having avoided unmanned aerial vehicle field work, simultaneously, still improved the security and the stability that unmanned aerial vehicle takes off or lands through selecting suitable departure point or landing point, ensured the security and the stability that unmanned aerial vehicle takes off or lands.)
技术领域
本申请属于机器学习技术领域，尤其涉及一种卫星定位信号强度预测方法和装置。
背景技术
在无人机自主飞行的场景中，选取合适的起飞点或降落点是一个至关重要的条件。
目前，无人机起飞点的选取主要依靠人工搬运无人机，通过无人机的自检程序检查出所到位置点的卫星信号强度，当所到位置点的卫星信号强度满足条件时，则将该位置点作为起飞点。而无人机降落点的选取也是主要通过人工肉眼观察的方式选取适合降落的点，例如，选择区域内的空地作为降落点。
另外，主要通过人工选取的无人机起飞点或降落点可能并不是合适的起飞点或降落点。选取的起飞点或降落点如果不合适，会影响无人机起飞或降落的安全性和稳定性。例如，人工选取降落点时，直接将空地作为降落点，该空地作为降落点可能存在降落过程不稳定的情况，如导致实际降落点与选取的降落点存在较大偏差，从而影响无人机降落的稳定性和安全性。
综上，目前无人机起飞点或降落点的选取方式，需要耗费大量时间。另外，所选取的起飞点或降落点不一定是合适的位置点，导致无人机起飞或降落时仍然存在不稳定和安全性不高的问题。
发明内容
本申请实施例提供一种卫星定位信号强度预测方法和装置，避免了无人机野外作业时依靠人工选取起飞点或降落点时浪费大量时间的问题。
第一方面，本申请实施例提供一种卫星定位信号强度预测方法，包括：
获取待预测区域的位置信息；
使用训练好的卫星定位信号强度预测模型预测所述位置信息对应的卫星定位信号强度预测值。
可以看出，本申请实施例通过获取位置信息，使用卫星定位信号强度预测模型预测该位置信息对应的卫星定位信号强度，从而可以根据预测的卫星定位信号强度选取无人机起飞点或降落点，不用耗费大量时间，降低了人力成本，提高了无人机起飞点或降落点的选取效率。
结合第一方面，在一种可能的实现方式中，在得到所述位置信息对应的卫星定位信号强度预测值之后，还包括：
选取所述卫星定位信号强度预测值满足预设条件的位置点作为无人机的起飞点或降落点。
进一步地，所述卫星定位信号强度预测值满足预设条件，包括：
所述卫星定位信号强度预测值大于或等于预设阈值；
和/或
所述卫星定位信号强度预测值最大。
结合第一方面，在一种可能的实现方式中，所述卫星定位信号强度预测模型为PSO-GPR模型，所述PSO-GPR模型为PSO-pPITC模型、PSO-pPIC模型或PSO-pICF模型。
结合第一方面，在一种可能的实现方式中，所述使用训练好的卫星定位信号强度预测模型预测所述位置信息对应的卫星定位信号强度预测值，包括：
将所述位置信息输入至训练好的所述卫星定位信号强度预测模型，获得所述卫星定位信号强度预测模型输出的方差；
根据所述方差选取预测点；
将所述预测点的位置信息输入至所述卫星定位信号强度预测模型，获得所述卫星定位信号强度预测模型输出的所述预测点的卫星定位信号强度预测值。
结合第一方面，在一种可能的实现方式中，所述卫星定位信号强度预测模型的训练过程包括：
获取训练数据，所述训练数据包括目标区域的位置信息和对应的卫星定位信号强度数据；
使用所述训练数据训练预先构建的卫星定位信号强度预测模型，以得到训练好的卫星定位信号强度预测模型和最优超参数。
结合第一方面，在一种可能的实现方式中，所述卫星定位信号强度预测模型为PSO-GPR模型；所述训练数据包括训练样本和测试样本；
使用所述训练数据训练预先构建的卫星定位信号强度预测模型，以得到训练好的卫星定位信号强度预测模型和最优超参数，包括：
初始化步骤：初始化所述PSO-GPR模型的粒子群参数；
强度预测步骤：基于所述PSO-GPR模型，根据初始化后的粒子群参数、所述测试样本和所述训练样本，计算所述测试样本的卫星定位信号强度预测值；
适应度计算步骤：根据所述测试样本的卫星定位信号强度预测值和卫星定位信号强度实测值，计算每个粒子的适应度值；
适应度评价步骤：将每个粒子的所述适应度值与历史最佳适应度值比较，确定每个粒子的当代最佳适应度值，并根据每个粒子的所述当代最佳适应度值和全局粒子的最佳适应度值，获得当代全局最佳适应度值；
判断步骤：判断是否达到最大迭代次数；若否，更新粒子群所有粒子的位置和速度，产生新的粒子群超参数后，返回上述强度预测步骤、适应度计算步骤、适应度评价步骤和判断步骤；若是，根据所述当代全局最佳适应度值获得最优超参数，并得到训练好的卫星定位信号强度预测模型。
结合第一方面，在一种可能的实现方式中，所述基于所述PSO-GPR模型，根据初始化后的粒子群参数、所述测试样本和所述训练样本，计算所述测试样本的卫星定位信号强度预测值，包括：
将所述训练样本划分为多份训练子样本，并为每一个节点分配一份所述训练子样本；其中，训练子样本数量和节点数量相等；
对所述测试样本使用贪心算法，得到支持集，所述支持集包括位置信息；
基于所述PSO-GPR模型，根据所述训练子样本、所述支持集和所述初始化后的粒子群参数，通过所述节点和主节点计算所述测试样本的卫星定位信号强度预测值；其中，所述主节点为从多个所述节点中随机选取的一个节点。
结合第一方面，在一种可能的实现方式中，所述PSO-GPR模型为PSO-pPITC模型；
基于所述PSO-GPR模型，根据所述训练子样本、所述支持集和所述初始化后的粒子群参数，通过所述节点和主节点计算所述测试样本的卫星定位信号强度预测值，包括：
控制每个所述节点根据所述支持集、所述训练子样本和超参数计算每个所述节点的本地摘要元组，并将所述本地摘要元组发送给所述主节点；其中，所述初始化后的粒子群参数包括所述超参数；
控制所述主节点根据所述本地摘要元组计算全局摘要元组；
控制所述主节点根据所述支持集、所述全局摘要元组和所述测试样本，计算各个所述测试样本的卫星定位信号强度预测值。
结合第一方面，在一种可能的实现方式中，所述PSO-GPR模型为PSO-pPIC模型；
基于所述PSO-GPR模型，根据所述训练子样本、所述支持集和所述初始化后的粒子群参数，通过所述节点和主节点计算所述测试样本的卫星定位信号强度预测值，包括：
控制每个所述节点根据所述支持集、所述训练子样本和超参数计算本地摘要元组；其中，所述初始化后的粒子群参数包括所述超参数；
控制每个所述节点将所述本地摘要元组发送给所述主节点，以指示所述主节点根据所述本地摘要元组计算全局摘要元组，并将所述全局摘要元组发送给每个所述节点；
对每个所述节点的训练子样本使用聚类算法，计算每个所述节点的聚类中心点；
根据所述聚类中心点，将所述测试样本划分至对应的目标节点，以指示每个所述目标节点根据划分得到的测试样本、所述本地摘要元组和所述全局摘要元组，计算所述测试样本的卫星定位信号强度预测值。
结合第一方面，在一种可能的实现方式中，所述根据所述聚类中心点，将所述测试样本划分至对应的目标节点，包括：
分别计算所述测试样本中每一个样本与每个所述聚类中心点的距离；
对于每一个所述样本，将所述距离最小对应的节点作为所述样本对应的目标节点，并将所述样本划分至对应的目标节点。
结合第一方面，在一种可能的实现方式中，所述PSO-GPR模型为PSO-pICF模型；
基于所述PSO-GPR模型，根据所述训练子样本、所述支持集和所述初始化后的粒子群参数，通过所述节点和主节点计算所述测试样本的卫星定位信号强度预测值，包括：
控制每个所述节点根据所述支持集和超参数，通过ICF理论计算每个所述节点的协方差矩阵的因子；其中，所述初始化后的粒子群参数包括所述超参数；
控制每个所述节点根据所述训练子样本和所述协方差矩阵的因子，分别计算每个所述节点的本地摘要元组，并将所述本地摘要元组发送给所述主节点；
控制所述主节点根据所述本地摘要元组计算全局摘要元组，并将所述全局摘要元组发送给每个所述节点；
控制每个所述节点根据所述训练子样本、所述全局摘要元组和所述本地摘要元组的目标组件，计算预测组件元组，并将所述预测组件元组发送给所述主节点；
控制所述主节点根据所述预测组件元组，计算所述测试样本的卫星定位信号强度预测值。
第二方面，本申请实施例提供一种卫星定位信号强度预测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法。
第三方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一项所述的方法。
第四方面，本申请实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得卫星定位信号强度预测装置执行上述第一方面中任一项所述的方法。
可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的卫星定位信号强度预测模型的训练流程示意框图；
图2为本申请实施例提供的步骤S102的具体流程示意框图；
图3为本申请实施例提供的步骤S202的流程示意框图；
图4为本申请实施例提供的步骤S303的一种流程示意框图；
图5为本申请实施例提供的步骤S303的另一种流程示意框图；
图6为本申请实施例提供的步骤S303的又一种流程示意框图；
图7为本申请实施例提供的一种卫星定位信号强度预测方法的流程示意框图；
图8为本申请实施例提供的一种无人机起飞点或降落点选取方法的一种流程示意框图；
图9为本申请实施例提供的卫星定位信号强度预测装置的结构框图；
图10为本申请实施例提供的卫星定位信号强度预测装置的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。
本申请实施例通过获取待预测区域的位置信息，再使用预先训练好的卫星定位信号强度预测模型预测该位置信息对应的卫星定位信号强度。预测相应位置的卫星定位信号强度之后，可以根据该卫星定位信号强度的大小选取出无人机起飞点或降落点。相较于现有通过人工遍历区域内的各个位置的方式去选取起飞点或降落点的方式，本申请实施例提供的方案可以降低人力成本，缩短时间。另外，根据各个位置点的卫星定位信号强度预测值，选取出预测值符合预设条件的位置点作为无人机起飞点或降落点，以确保选取的起飞点或降落点的合适性，从而保证无人机起飞或降落的安全性和稳定性。
下面将分模型训练阶段和预测阶段介绍本申请实施例提供的方案。
模型训练阶段
参见图1，为本申请实施例提供的卫星定位信号强度预测模型的训练流程示意框图，该训练过程可以包括以下步骤：
步骤S101、获取训练数据，训练数据包括目标区域的位置信息和对应的卫星定位信号强度数据。
需要说明的是，上述目标区域可以是任意区域。也即，上述目标区域可以是所需要预测的区域，也可以是所需要预测的区域之外的区域。例如，所需要预测的区域为A区域，上述目标区域可以为A区域，也可以为不同于A区域的B区域。相较于言，上述目标区域和所需要预测的区域相同，可以使得预测结果更加准确。
上述位置信息可以为坐标和/或经纬度信息。一般情况下，目标区域内有多个点，该位置信息包括目标区域内相应点的位置信息。例如，上述训练数据包括A区域内所有点的经纬度信息。
上述卫星定位信号强度数据可以例如为但不限于GPS信号强度数据、GLONASS信号强度数据、Galileo信号强度数据或北斗卫星定位信号强度数据。
可以理解的是，每个点均有其对应的卫星定位信号强度。例如，该训练数据包括目标区域内的A点、B点、C点、D点和E点，以及这5各点对应的GPS信号强度。
上述训练数据可以具体通过采集模块采集得到，该采集模块采集位置信息和该位置信息对应的卫星定位信号强度。采集模块可为由GPS单元和串口组成的模块，也可为安装GPStest软件的模块。具体应用中，该采集模块可以具体安装在无人车或者是其它移动设备上，例如，当采集模块安装在无人车上时，控制无人车遍历上述目标区域，以采集到上述目标区域的位置信息和对应的卫星定位信号强度。又例如，上述采集模块安装在手机上时，可以在目标区域内移动该手机，以采集到所需的训练数据。
步骤S102、使用训练数据训练预先构建的卫星定位信号强度预测模型，以得到训练好的卫星定位信号强度预测模型和最优超参数。
需要说明的是，上述卫星定位信号强度预测模型用于预测卫星定位信号强度，该模型的输入为位置信息，输出为该位置信息对应的卫星定位信号强度值。例如，输入该模型的为A点的经纬度，模型的输出为A点的GPS信号强度值。
该卫星定位信号强度预测模型可以为但不限基于粒子群优化的高斯过程回归模型PSO-GPR模型(其中，(Gaussian process regression，GPR)，(Particle SwarmOptimization，PSO))。
进一步地，参见图2示出的步骤S102的具体流程示意框图，上述卫星定位信号强度预测模型为PSO-GPR模型；上述训练数据包括训练样本和测试样本，其中，训练样本和测试样本均包括位置信息和对应的卫星定位信号强度。
上述步骤S102，即上述使用训练数据训练预先构建的卫星定位信号强度预测模型，以得到训练好的卫星定位信号强度预测模型和最优超参数的过程可以包括：
步骤S201、初始化步骤，该步骤具体包括：初始化PSO-GPR模型的粒子群参数。
需要说明的是，上述粒子群参数包括粒子群规模、惯性权重、参数的搜索区域(即最大位置)、最大速度、最大迭代次数和超参数等。
上述超参数是指核函数的参数。核函数有多种，在初始化粒子群参数之前，可以根据实际需要人为选取高斯核函数作为上述核函数。该高斯核函数的计算公式如下：
其中，x1为空间中的任一点，x2为核函数中心，σ为核函数的参数。
当然，上述核函数还可以其它函数，并不限于上文提及的高斯核函数。
步骤S202、强度预测步骤，该步骤具体包括：基于PSO-GPR模型，根据初始化后的粒子群参数、测试样本和训练样本，计算测试样本的卫星定位信号强度预测值。
具体地，在初始化粒子群参数之后，可以先根据初始化后的粒子群参数和训练样本去训练PSO-GPR模型，训练完成之后可以使用PSO-GPR模型计算测试样本的卫星定位信号强度预测值。
在一些实施例中，参见图3示出的步骤S202的流程示意框图，上述步骤S202的具体流程可以包括：
步骤S301、将训练样本划分为多份训练子样本，并为每一个节点分配一份训练子样本；其中，训练子样本数量和节点数量相等。
需要说明的是，可以将训练样本平均划分为m份，然后再将这m份训练子样本分别划分至m个节点；也可以将训练样本随机划分为m份，然后再将这m份划分至m个节点。其中，一个节点对应一份训练子样本数据。
步骤S302、对测试样本使用贪心算法，得到支持集，支持集包括位置信息。
需要说明的是，上述支持集的位置信息为测试样本的位置信息。贪心算法已被本领域技术人员所熟知，在此不再赘述。
步骤S303、基于PSO-GPR模型，根据训练子样本、支持集和初始化后的粒子群参数，通过节点和主节点计算测试样本的卫星定位信号强度预测值；其中，主节点为从多个节点中随机选取的一个节点。
需要说明的是，上述PSO-GPR模型为PSO-pPITC模型、PSO-pPIC模型或PSO-pICF模型。具体地，基于每个节点的支持集、训练子样本以及初始化后粒子群参数等，通过多个节点和一个主节点，并行计算测试样本的卫星定位信号强度预测值。
下面将分别对PSO-pPITC模型、PSO-pPIC模型和PSO-pICF模型三种模型的测试样本的卫星定位信号强度预测过程进行介绍。
PSO-GPR模型为PSO-pPITC模型
参见图4示出的步骤S303的一种流程示意框图，上述步骤S303的具体过程可以包括：
步骤S401、控制每个节点根据支持集、训练子样本和超参数计算每个节点的本地摘要元组，并将本地摘要元组发送给主节点；其中，初始化后的粒子群参数包括超参数。
具体地，从多个节点中随机选取一个节点作为主节点。然后控制每个节点计算本地摘要，即每个节点根据支持集、自身的训练子样本和超参数等，计算自身的本地摘要元组。每个节点计算出自身的本地摘要之后，各个节点再将本地摘要发送至主节点。
其中，本地摘要的计算公式可以如下公式(2)和(3)。
其中，训练样本为(D,yD)，每个节点的训练子样本为
步骤S402、控制主节点根据本地摘要元组计算全局摘要元组。
具体地，在各个节点将各自的本地摘要元组发送给主节点之后，主节点根据所接收到的本地摘要元组和下面的公式(4)和(5)，计算出一个全局摘要元组
步骤S403、控制主节点根据支持集、全局摘要元组和测试样本，计算各个测试样本的卫星定位信号强度预测值。
具体地，主节点在计算出全局摘要元组之后，可以根据支持集S、全局摘要元组和测试样本的位置信息，计算出测试样本的各个位置信息对应的卫星定位信号强度预测值和方差，计算公式如下公式(6)和(7)
其中，um为测试样本，
PSO-GPR模型为PSO-pPIC模型
通过上述的PSO-pPITC模型预测测试样本的卫星定位信号强度时，可能存在预测效果不佳的情况，基于此，为了提高预测效果，可以基于PSO-pPIC模型进行预测。
参见图5示出的步骤S303的另一种流程示意框图，上述步骤S303的具体过程可以包括：
步骤S501、控制每个节点根据支持集、训练子样本和超参数计算本地摘要元组；其中，初始化后的粒子群参数包括超参数。
具体地，从多个节点中随机选取出一个节点作为主节点，然后再控制每个节点计算本地摘要元组。每个节点根据支持集、训练子样本和超参数，通过上文的公式(2)和(3)计算本地摘要。
步骤S502、控制每个节点将本地摘要元组发送给主节点，以指示主节点根据本地摘要元组计算全局摘要元组，并将全局摘要元组发送给每个节点。
具体地，每个节点计算出各自的本地摘要元组之后，将本地摘要元组发送至主节点。主节点根据所接收到的本地摘要元组，通过上述公式(4)和(5)计算出一个全局摘要元组，并将所计算的全局摘要元组发送给每个节点。
步骤S503、对每个节点的训练子样本使用聚类算法，计算每个节点的聚类中心点。
具体地，对于一个节点来说，根据该节点的训练子样本的位置信息，通过聚类算法计算出该节点的聚类中心点。例如，根据一个节点所划分的训练子样本的经纬度信息，使用聚类算法得到该节点的聚类中心点。依此，分别计算出每一个节点的聚类中心点。
步骤S504、根据聚类中心点，将测试样本划分至对应的目标节点，以指示每个目标节点根据划分得到的测试样本、本地摘要元组和全局摘要元组，计算测试样本的卫星定位信号强度预测值。
具体地，在确定出每个节点的聚类中心点之后，可以根据每个聚类中心点将测试样本划分至对应的节点。测试样本包括多个位置信息，计算一个位置信息到各个聚类中心点的距离，然后再将距离值最小的聚类中心点作为该位置信息对应的目标节点，即将该位置信息对应的样本划分至该目标节点。
例如，测试样本包括A点、B点、C点、E点、D点以及E点的经纬度信息和对应的GPS信号强度值，对于A点来说，根据A点的经纬度信息和每个聚类中心点的经纬度信息，计算A点到每一个聚类中心点的欧式距离，然后将计算得到的多个欧式距离进行排序，将欧式距离数值最小的聚类中心点作为A点对应的目标节点，即将A点对应的样本数据划分给其对应的目标节点。同理，分别计算B点、C点、D点和E点到每个聚类中心点的欧式距离，再将欧式距离最小的节点作为目标节点，再将该点的样本数据划分至对应的目标节点，以将测试样本的所有样本数据划分至对应的节点。
也就是说，上述根据聚类中心点，将测试样本划分至对应的目标节点的具体过程可以包括：分别计算测试样本中每一个样本与每个聚类中心点的距离；对于每一个样本，将距离最小对应的节点作为样本对应的目标节点，并将样本划分至对应的目标节点。
可以理解的是，根据测试样本与聚类中心点的距离大小将各个样本数据划分至对应的节点，可能会存在有一些节点没有划分到样本数据，有一些节点划分到的样本数据很多，或者有一些节点划分到的样本数据很少的情况。
在将测试样本划分至对应的目标节点之后，各个目标节点可以根据主节点发送的全局摘要元组和自身对应的本地摘要元组，使用划分得到的测试样本数据计算出测试样本对应的卫星定位信号强度预测值，具体计算公式如下公式(8)、(9)和(10)。
PSO-GPR模型为PSO-pICF模型；
参见图6示出的步骤S303的又一种流程示意框图，上述步骤S303的具体过程可以包括：
步骤S601、控制每个节点根据支持集和超参数，通过ICF(矩阵不完全分解)理论计算每个节点的协方差矩阵的因子；其中，初始化后的粒子群参数包括超参数。
具体地，从多个节点中随机选取一个节点作为主节点。然后控制每个节点根据支持集和超参数，使用ICF(矩阵不完全分解)理论和公式(11)计算每个节点的协方差矩阵的因子。
步骤S602、控制每个节点根据训练子样本和协方差矩阵的因子，分别计算每个节点的本地摘要元组，并将本地摘要元组发送给主节点。
具体地，每个节点在计算出协方差矩阵的因子之后，控制每个节点根据自身的训练子样本
步骤S603、控制主节点根据本地摘要元组计算全局摘要元组，并将全局摘要元组发送给每个节点。
具体地，在控制每个节点计算出本地摘要元组之后，每个节点将各自的本地摘要元组发送给主节点，主节点根据所接收到的本地摘要元组，通过公式(15)和(16)计算出全局摘要元组。然后主节点再将全局摘要元组发送给各个节点。
其中，全局摘要元组为
步骤S604、控制每个节点根据训练子样本、全局摘要元组和本地摘要元组的目标组件
具体地，各个节点在接收到全局摘要元组之后，根据训练子样本、全局摘要元组和本地摘要元组的一个目标组件，通过公式(17)和(18)，计算出各自的预测组件元组。然后，各个节点将各自的预测组件元组发送至主节点。
步骤S605、控制主节点根据预测组件元组，计算测试样本的卫星定位信号强度预测值。
具体地，主节点在接收到各个节点的预测组件元组之后，通过公式(19)和(20)计算出测试样本各个位置信息对应的卫星定位信号强度预测值和方差
可以看出，在计算测试样本的卫星定位信号强度预测值时，设置多个节点并行计算，缩短了计算耗时，提高了计算效率。
在计算出测试样本的卫星定位信号强度预测值之后，可以将根据预测值和实测值计算粒子的适应度。
步骤S203、适应度计算步骤，该步骤具体包括：根据测试样本的卫星定位信号强度预测值和卫星定位信号强度实测值，计算每个粒子的适应度值。
具体地，根据公式(21)计算每个粒子的适应度值。
其中，f为每个粒子的适应度值，{g(xj),j＝1,2,...,k}为所有测试样本的预测的卫星定位信号强度值，{yj,j＝1,2,3...,k}为所有测试样本的实际的卫星定位信号强度值。
步骤S204、适应度评价步骤，该步骤具体包括：将每个粒子的适应度值与历史最佳适应度值比较，确定每个粒子的当代最佳适应度值，并根据每个粒子的当代最佳适应度值和全局粒子的最佳适应度值，获得当代全局最佳适应度值。
其中，上述历史最佳适应度值为先前迭代过程中的最佳适应度值。当代全局最佳适应度值的计算公式为公式(22)。
ghesl m+1＝arg min(f(gbest m)，f(Phesti m+1)) (22)
步骤S205、判断步骤，该步骤具体包括：判断是否达到最大迭代次数；若否，更新粒子群所有粒子的位置和速度，产生新的粒子群超参数后，返回上述强度预测步骤、适应度计算步骤、适应度评价步骤和判断步骤；若是，根据当代全局最佳适应度值获得最优超参数，并得到训练好的卫星定位信号强度预测模型。
具体地，如果达到最大迭代次数，得到此时的超参数和训练好的模型，此时的超参数为最优超参数。反之，如果没有达到最大迭代次数，则更新相应参数后，重新返回上述步骤S202、S203、S204和S205，直到达到最大迭代次数为止。
预测阶段
模型训练完成之后，可以使用训练好的卫星定位信号强度预测模型进行预测。下面将对预测过程进行介绍。
参见图7，为本申请实施例提供的一种卫星定位信号强度预测方法的流程示意框图，该方法可以包括以下步骤：
步骤S701、获取待预测区域的位置信息。
需要说明的是，上述位置信息可以为经纬度信息和/或坐标信息。该位置信息可以具体通过采集模块，采集模块可以具体安装于无人车或者其它移动设备上。
其中，待预测区域内可能包括多个位置点，获取待预测区域的卫星信息可以是获取待预测区域内所有位置点的位置信息，也可以获取待预测区域内一部分位置点的位置信息。
步骤S702、使用训练好的卫星定位信号强度预测模型预测位置信息对应的卫星定位信号强度预测值。
具体地，将采集得到的位置信息输入至训练好的卫星定位信号强度预测模型，获得卫星定位信号强度预测模型输出的卫星定位信号强度预测值。例如，将某点的经纬度信息输入至卫星定位信号强度预测模型中，输出的是该点卫星定位信号强度预测值。
上述卫星定位信号强度预测模型可以为但不限于PSO-GPR模型，该PSO-GPR模型为PSO-pPITC模型、PSO-pPIC模型或PSO-pICF模型。
可以理解的是，模型训练完成之后，模型的本地摘要元组、全局摘要元组、支持集、超参数以及核函数等参数已经确定。在使用模型进行预测的过程中，其计算过程与训练过程的相应计算过程类似，只是不用再重新计算本地摘要元组、全局摘要元组、支持集和超参数等。
例如，当PSO-GPR模型为PSO-pPITC模型时，根据支持集、全局摘要元组和输入的位置信息，计算出该位置信息对应的卫星定位信号强度预测值。
可以看出，通过获取位置信息，使用卫星定位信号强度预测模型预测该位置信息对应的卫星定位信号强度，从而可以根据预测的卫星定位信号强度选取无人机起飞点或降落点，不用耗费大量时间，降低了人力成本。
在预测出相应区域的卫星定位信号强度值之后，可以根据预先设定的起飞条件选取符合的起飞点或者根据降落条件选取降落点。
参见图8示出的无人机起飞点或降落点选取方法的一种流程示意框图，该方法可以包括：
步骤S801、获取待预测区域的位置信息。
步骤S802、使用训练好的卫星定位信号强度预测模型预测位置信息对应的卫星定位信号强度预测值。
需要说明的是，步骤S801～S802与步骤S701～S702相同，相关介绍请参见上文相应内容，在此不再赘述。
步骤S803、选取卫星定位信号强度预测值满足预设条件的位置点作为无人机的起飞点或降落点。
需要说明的是，设置上述预设条件的目的是保证所选取的起飞点或降落点的合适性，从而保证无人机起飞或降落的安全性和稳定性。在一些实施例中，上述预设条件可以为卫星定位信号强度预测值最大，即选取卫星定位信号强度预测值最大的位置点作为无人机的起飞点或降落点。
但是，在一些情况下，卫星定位信号强度预测值最大的位置点的周围环境可能并不适合无人机起飞或降落，例如，卫星定位信号强度预测值最大的位置点为陡坡或者湖泊等，此时，不能再将该点选为降落点或起飞点，在这种情况下，上述预设条件为卫星定位信号强度预测值大于预设阈值，且位置点周围环境较佳，即选取卫星定位信号强度预测值大于预设阈值，且位置点周边环境适合无人机起飞或降落的点作为起飞点或降落点。
在其它一些实施例中，上述预设条件也可以为卫星定位信号强度预测值大于或等于预设阈值，即将卫星定位信号强度预测值大于或等于预测阈值的点作为候选位置点，然后，再基于需要从这些候选位置点中选取强度较大或者强度最大的点作为起飞点或降落点。
需要说明的是，上述预设阈值可以根据实际需要进行设定，例如，当需要选取无人机起飞点时，该预设阈值为28db，即当某个点的卫星定位信号强度预测值大于或等于28db时，则选取该点作为无人机起飞点或候选起飞点，反之，则获取其他区域的位置信息进行预测。
可以看出，基于每个位置点的卫星定位信号强度预测值，根据预设条件从各个位置点中选取目标位置点，将该目标位置点作为无人机的起飞点或降落点，以确保选取的起飞点或降落点的合适性，从而确保无人机起飞或降落的安全性和稳定性。
在预测过程中，可以将所采集的多个位置信息均输入至卫星定位信号强度预测模型中，以预测出所有位置信息对应的卫星定位信号强度预测值。也可以先计算出所有位置信息的方差，再根据方差选取需要预测卫星定位信号强度的位置信息。
在一些实施例中，上述使用训练好的卫星定位信号强度预测模型预测位置信息对应的卫星定位信号强度预测值的具体过程可以包括：
将位置信息输入至训练好的卫星定位信号强度预测模型，获得卫星定位信号强度预测模型输出的方差；根据方差选取预测点；将预测点的位置信息输入至卫星定位信号强度预测模型，获得卫星定位信号强度预测模型输出的预测点的卫星定位信号强度预测值。
具体地，使用训练好的卫星定位信号强度预测模型计算出各个位置信息对应的方差，方差的大小表示该位置点的不确定因素大小，方差越大，不确定因素越大。在计算出各个位置信息对应的方差之后，选取方差值大的点作为不确定因素大的点，不确定因素大的点即为需要预测的点，预测出选取出的预测点的卫星定位信号强度值，再进行比对多个预测点的卫星定位信号强度值，最后确定无人机起飞点或降落点。
其中，在计算方差之后，根据方差选取预测点时，可以根据设置的阈值大小选取预测点，即将方差大于设置的阈值的位置点作为预测点，该阈值根据需要进行设定；也可以根据需要自行选取方差比较大的几个位置点作为预测点。
可以看出，这种方式不用对整个待预测区域的每个点均进行强度预测，相较于对所有点进行强度预测，其减少了计算量，从而提高了预测效率。
需要说明的是，采集的训练数据如为A区域的数据，使用A区域的数据去训练模型，最终得到的卫星定位信号强度预测模型可以用于A区域的卫星定位信号强度，也可直接用于预测其他区域(A区域以外的区域)的卫星定位信号强度，但可能存在预测不准确的情况。因此，若要预测除A区域外的其他区域的卫星定位信号强度时，最好采集需要预测的区域的数据去重新训练卫星定位信号强度预测模型。
对应于上文实施例所述的卫星定位信号强度预测方法，图8示出了本申请实施例提供的卫星定位信号强度预测装置的结构框图。
参照图9，该装置包括：
位置信息获取模块91，用于获取待预测区域的位置信息；
预测模块92，用于使用训练好的卫星定位信号强度预测模型计算位置信息对应的卫星定位信号强度预测值。
在一种可能的实现方式中，上述装置还可以包括：
选取模块93，用于选取卫星定位信号强度预测值满足预设条件的位置点作为无人机的起飞点或降落点。进一步地，卫星定位信号强度预测值满足预设条件，包括：卫星定位信号强度预测值大于或等于预设阈值；和/或卫星定位信号强度预测值最大。
在一种可能的实现方式中，卫星定位信号强度预测模型为PSO-GPR模型，PSO-GPR模型为PSO-pPITC模型、PSO-pPIC模型或PSO-pICF模型。
在一种可能的实现方式中，上述预测模块具体用于：
将位置信息输入至训练好的卫星定位信号强度预测模型，获得卫星定位信号强度预测模型输出的方差；
根据方差选取预测点；
将预测点的位置信息输入至卫星定位信号强度预测模型，获得卫星定位信号强度预测模型输出的预测点的卫星定位信号强度预测值。
在一种可能的实现方式中，上述装置还包括训练模块94，该训练模型用于：
获取训练数据，训练数据包括目标区域的位置信息和对应的卫星定位信号强度数据；
使用训练数据训练预先构建的卫星定位信号强度预测模型，以得到训练好的卫星定位信号强度预测模型和最优超参数。
进一步地，卫星定位信号强度预测模型为PSO-GPR模型；训练数据包括训练样本和测试样本；
上述模型训练模块具体用于执行：
初始化步骤：初始化PSO-GPR模型的粒子群参数；
强度预测步骤：基于PSO-GPR模型，根据初始化后的粒子群参数、测试样本和训练样本，计算测试样本的卫星定位信号强度预测值；
适应度计算步骤：根据测试样本的卫星定位信号强度预测值和卫星定位信号强度实测值，计算每个粒子的适应度值；
适应度评价步骤：将每个粒子的适应度值与历史最佳适应度值比较，确定每个粒子的当代最佳适应度值，并根据每个粒子的当代最佳适应度值和全局粒子的最佳适应度值，获得当代全局最佳适应度值；
判断步骤：判断是否达到最大迭代次数；若否，更新粒子群所有粒子的位置和速度，产生新的粒子群超参数后，返回上述强度预测步骤、适应度计算步骤、适应度评价步骤和判断步骤；若是，根据当代全局最佳适应度值获得最优超参数，并得到训练好的卫星定位信号强度预测模型。
更进一步地，在一种可能的实现方式中，上述模型训练模块具体用于：
将训练样本划分为多份训练子样本，并为每一个节点分配一份训练子样本；其中，训练子样本数量和节点数量相等；
对测试样本使用贪心算法，得到支持集，支持集包括位置信息；
基于PSO-GPR模型，根据训练子样本、支持集和初始化后的粒子群参数，通过节点和主节点计算测试样本的卫星定位信号强度预测值；其中，主节点为从多个节点中随机选取的一个节点。
更进一步地，PSO-GPR模型为PSO-pPITC模型时，训练模块具体用于：
控制每个节点根据支持集、训练子样本和超参数计算每个节点的本地摘要元组，并将本地摘要元组发送给主节点；其中，初始化后的粒子群参数包括超参数；
控制主节点根据本地摘要元组计算全局摘要元组；
控制主节点根据支持集、全局摘要元组和测试样本，计算各个测试样本的卫星定位信号强度预测值。
更进一步地，PSO-GPR模型为PSO-pPIC模型时，上述训练模块具体用于：
控制每个节点根据支持集、训练子样本和超参数计算本地摘要元组；其中，初始化后的粒子群参数包括超参数；
控制每个节点将本地摘要元组发送给主节点，以指示主节点根据本地摘要元组计算全局摘要元组，并将全局摘要元组发送给每个节点；
对每个节点的训练子样本使用聚类算法，计算每个节点的聚类中心点；
根据聚类中心点，将测试样本划分至对应的目标节点，以指示每个目标节点根据划分得到的测试样本、本地摘要元组和全局摘要元组，计算测试样本的卫星定位信号强度预测值。
在一种可能的实现方式中，上述训练模块具体用于：
分别计算测试样本中每一个样本与每个聚类中心点的距离；
对于每一个样本，将距离最小对应的节点作为样本对应的目标节点，并将样本划分至对应的目标节点。
更进一步地，上述PSO-GPR模型为PSO-pICF模型时，上述训练模块具体用于：
控制每个节点根据支持集和超参数，通过ICF理论计算每个节点的协方差矩阵的因子；其中，初始化后的粒子群参数包括超参数；
控制每个节点根据训练子样本和协方差矩阵的因子，分别计算每个节点的本地摘要元组，并将本地摘要元组发送给主节点；
控制主节点根据本地摘要元组计算全局摘要元组，并将全局摘要元组发送给每个节点；
控制每个节点根据训练子样本、全局摘要元组和本地摘要元组的目标组件，计算预测组件元组，并将预测组件元组发送给主节点；
控制主节点根据预测组件元组，计算测试样本的卫星定位信号强度预测值。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图10为本申请一实施例提供的卫星定位信号强度预测装置的结构示意图。如图10所示，该实施例的卫星定位信号强度预测装置10包括：至少一个处理器100、存储器101以及存储在所述存储器101中并可在所述至少一个处理器100上运行的计算机程序102，所述处理器100执行所述计算机程序102时实现上述任意各个卫星定位信号强度预测方法实施例中的步骤。
所述卫星定位信号强度预测装置10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备，该卫星定位信号强度预测装置可以集成于无人车等设备。当然，该卫星定位信号强度预测装置也可以具体外现为无人机或其它移动设备等。该卫星定位信号强度预测装置可包括，但不仅限于，处理器100、存储器101。本领域技术人员可以理解，图10仅仅是卫星定位信号强度预测装置10的举例，并不构成对卫星定位信号强度预测装置10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器100可以是中央处理单元(Central Processing Unit，CPU)，该处理器100还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器101在一些实施例中可以是所述卫星定位信号强度预测装置10的内部存储单元，例如卫星定位信号强度预测装置10的硬盘或内存。所述存储器101在另一些实施例中也可以是所述卫星定位信号强度预测装置10的外部存储设备，例如所述卫星定位信号强度预测装置10上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器101还可以既包括所述卫星定位信号强度预测装置10的内部存储单元也包括外部存储设备。所述存储器101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在卫星定位信号强度预测装置上运行时，使得卫星定位信号强度预测装置执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种基于AGPS定位系统的智能拖车方法