(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211050760.4 (22)申请日 2022.08.29 (71)申请人 中国人民解 放军32021部队 地址 100094 北京市海淀区513 6信箱 (72)发明人 郭睿　赵金贤　刘帅　陈建兵　 李晓杰　郭靖蕾　辛洁　唐成盼　 赵志远　李松林　任晖　唐晓宁　 (74)专利代理 机构 北京丰浩知识产权代理事务 所(普通合伙) 11781 专利代理师 李学康 (51)Int.Cl. G06F 16/29(2019.01) G06F 16/215(2019.01) G06F 16/2458(2019.01) G01S 19/01(2010.01)G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种北斗导航服务定位性能智能预测方法 及装置 (57)摘要 本发明公开了一种北斗导航服务定位性能 智能预测方法及装置， 所述方法包括从预设数据 库中采样定位性能数据， 得到初始数据序列； 对 所述初始数据序列进行处理， 得到训练数据序 列； 利用所述训练数据序列， 对预设的长短期记 忆网络进行训练， 得到目标长短期记忆网络； 将 所述训练数据序列输入所述目标长短期记忆网 络进行处理， 得到定位性能预测信息。 利用该方 法可对北斗系统导航服务定位性能结果进行高 精度预报分析， 有利于对全球服务区域内各监测 地区的定位结果进行数字化分析管理。 提高北斗 系统定位 性能的智能化预报能力。 权利要求书3页 说明书11页 附图2页 CN 115408483 A 2022.11.29 CN 115408483 A 1.一种北斗导 航服务定位性能智能预测方法， 其特 征在于， 所述方法包括： S1.从预设数据库中采样定位 性能数据， 得到初始数据 序列； S2.对所述初始数据 序列进行处 理， 得到训练数据 序列； S3.利用所述训练数据序列， 对预设的长短期记忆网络进行训练， 得到目标长短期记忆 网络； S4.将所述训练数据序列输入所述目标长短期记忆网络进行处理， 得到定位性能预测 信息。 2.根据权利要求1所述的北斗导航服务定位性 能智能预测方法， 其特征在于， 所述从预 设数据库中采样定位 性能数据， 得到初始数据 序列， 包括： S11.根据定位 性能预测目标时长TF， 计算采样开始时刻Ta； 所述Ta＝T0‑d×TF； 式中， T0表示预设数据库存储的最新数据时间； d表示预设的训练序列与预测序列的比 值， TF表示定位 性能预测目标时长； S12.从预设数据库对定位性能类型为P的数据进行采样， 采样自Ta时刻开始， 采样步长 为 τ， 得到初始数据 序列； 所述采样步长与定位 性能预测目标步长相同。 3.根据权利要求1所述的北斗导航服务定位性 能预测方法， 其特征在于， 所述对所述初 始数据序列进行处 理， 得到训练数据 序列， 包括： S21.采用3倍均方差剔除方法， 对所述初始数据序列中的异常值进行剔除， 得到第一数 据序列； 所述异常值包括 零值和野值； S22.采用绝对离差中位数法， 对所述第一数据序列中的离群值进行剔除， 得到第二数 据序列； S23.采用二阶多项式拟合插值方法， 拟合长度为60， 对所述第二数据序列中的缺失值 进行填充， 得到训练数据 序列。 4.根据权利要求3所述的北斗导航服务定位性 能智能预测方法， 其特征在于， 所述采用 绝对离差中位数法， 对所述第一数据 序列中的离群值进行剔除， 得到第二数据 序列， 包括： S221.计算所述第一数据 序列中所有数据的中位数， 得到中位数； S222.遍历所述第一数据序列中所有数据， 计算每个数据与所述中位数的绝对偏差值， 得到绝对偏差值序列； S223.计算所述 绝对偏差值序列中所有绝对偏差值的中位数， 得到绝对偏差值中位数； S224.基于所述绝对偏差值序列和所述绝对偏差值中位数， 利用偏离中心距离计算公 式， 计算所述第一数据序列中每个定位数据的偏离中心距离值， 得到偏离中心距离序列； 所 述偏离中心 距离计算公式为： 式中， yi表示第一数据序列中第i个定位数据， f(yi)表示yi偏离中心距离值， abs( ·)表 示求绝对值， Ya表示定位结果中位数， Ymad表示绝对偏差值的中位数； S225.依据所述偏离中心距离序列， 遍历所述第一数据序列， 将对应的偏离中心距离值 大于C的定位数据， 从所述第一数据序列中剔除， 得到第二数据序列； 所述C取值不小于权　利　要　求　书 1/3 页 2 CN 115408483 A 21.4826。 5.根据权利要求1所述的北斗导航服务定位性 能智能预测方法， 其特征在于， 所述预设 的长短期记 忆网络包括遗 忘门， 输入门， 隐藏层,输出门， 状态值； 所述预设的长短期记忆网络的权重系数向量包括遗忘门权重系数向量(Wxf， Whf， Wcf)、 输入门权重系数向量(Wxi， Whi， Wci)、 状态值权重系数向量(Wxc， Whc)； 式中， 下标x， f， i， h， o， c 分别表示输入数据， 遗 忘门， 输入门， 隐藏层， 输出门， 状态值； 所述预设的长短期记 忆网络的偏置向量 为B； 所述B表示 为： B＝(bo， bi， bf， bc)； 式中， 下标o， i， f， c对应的偏置值分别表示输出门， 输入门， 遗 忘门， 状态值的偏置值。 6.根据权利要求5所述的北斗导航服务定位性 能智能预测方法， 其特征在于， 所述利用 所述训练数据 序列， 对预设的长短期记 忆网络进行训练， 得到目标长短期记 忆网络， 包括： 利用所述训练数据 序列， 对预设的长短期记 忆网络进行正向处 理， 得到输出值； 根据所述输出值和实 际的定位结果， 利用预设的长短期记忆网络反向计算， 得到误差 项集； 所述 误差项集包括每 个细胞的误差项； 根据所述 误差项集中相应的误差项， 更新所述权 重系数向量和所述偏置向量； 对所述预设的长短期记忆网络进行k轮次迭代训练， 得到目标长短期记忆网络； 所述k 取值范围为5 0≤k≤150。 7.根据权利要求6所述的北斗导航服务定位性 能智能预测方法， 其特征在于， 所述利用 所述训练数据 序列， 对预设的长短期记 忆网络进行正向处 理， 得到输出值， 包括： 将xt输入所述遗忘门， 利用所述遗忘门中Sigmoid函数、 遗忘门权重系数向量(Wxf， Whf， Wcf)、 遗忘门偏置值bf， 对xt、 ht‑1、 ct‑1进行处理， 得到ft； 利用所述输入门中Sigmoid函数、 输入门权重系数向量(Wxi， Whi， Wci)、 输入门偏置值bi， 对xt、 ht‑1、 ct‑1进行处理， 得到it； 利用tanh函数、 状态值权重系数向量(Wxc， Whc)， 对ht‑1和xt进行处理， 得到时刻t的状态 候选向量 将所述it与所述 相乘， 得到时刻t的状态更新信息 ΔCt； 将所述ft与ct‑1相乘， 再加上 所述ΔCt， 得到时刻t的状态值ct； 利用输出门中第二Sigmoid函数、 输入门权重系数向量(Wxo， Who， Wco)输出门偏置值bo， 对 xt、 ht‑1、 ct进行处理， 得到时刻t的输出值 ot； 利用所述隐藏层第二tanh函数， 对所述ct进行处理， 得到时刻t的隐藏层变数Δ ht； Δht＝tanh(ct) 将所述Δ ht与所述ot相乘， 得到时刻t的隐藏层输出值ht； 上述步骤中， xt表示时刻t输入所述预设的长短期记忆网络的定位数据； ht表示时刻t隐 藏层的输出， it表示时刻t输入门的输出， ft表示时刻t遗忘门， ct表示时刻t细胞状态， ot为 表示时刻t所述预设的长短期记 忆网络的输出。 8.根据权利要求1所述的北斗导航服务定位性 能智能预测方法， 其特征在于， 所述将所 述训练数据 序列输入所述目标长短期记 忆网络进行处 理， 得到定位性能预测信息， 包括：权　利　要　求　书 2/3 页 3 CN 115408483 A 3