[发明专利]一种车辆定位异常判定方法、系统、存储介质及电子设备

权利要求书

1.一种车辆定位异常判定方法，其特征在于，所述方法包括：

根据目标车辆当前采样时刻的定位数据和前一采样时刻的定位数据，基于训练好的基于代价敏感的神经网络模型进行定位状态的初步识别，获取初步识别结果；

当所述初步识别结果为预设定位状态时，获取所述目标车辆非预设定位状态时的历史定位数据，并将所述历史定位数据发送至路侧设备；

所述路侧设备基于所述历史定位数据，根据车辆运动状态方程进行位置计算，获取所述历史定位数据对应的每个历史采样时刻的第一位置信息和当前采样时刻的第一位置信息，并根据每个历史采样时刻的第一位置信息和历史定位数据确定第一距离偏差均值；

所述路侧设备基于路侧感知系统获取所述历史定位数据对应的每个历史采样时刻的第二位置信息和当前采样时刻的第二位置信息，并根据每个历史采样时刻的第二位置信息和历史定位数据确定第二距离偏差均值；

所述路侧设备基于当前采样时刻的第一位置信息和当前采样时刻的定位数据，确定当前采样时刻对应的第一距离偏差；

所述路侧设备基于当前采样时刻的第二位置信息和当前采样时刻的定位数据，确定当前采样时刻对应的第二距离偏差；

所述路侧设备基于所述第一距离偏差均值、第二距离偏差均值、当前采样时刻对应的第一距离偏差和当前时刻对应的第二距离偏差进行车辆定位异常的判定，获取判定结果。

2.根据权利要求1所述的方法，其特征在于，所述定位数据，包括：位置信息、速度、纵向加速度和行驶方位角；所述位置信息，包括：经度和纬度。

3.根据权利要求1所述的方法，其特征在于，所述基于代价敏感的神经网络模型，使用的神经网络为前馈反向神经网络，包括输入层、隐含层和输出层，输入层神经元的个数等同于输入特征的维数，隐含层中的激活函数采用sigmoid函数，输出层神经元的个数等同于被分类状态的数量；其中，输入层的输入特征包括：前一采样时刻的定位数据和当前采样时刻的位置信息。

4.根据权利要求1所述的方法，其特征在于，所述基于代价敏感的神经网络模型，包括：

其中，E为网络误差函数，S为训练集，p为S中的某一样本，r_i为网络输出层第i个神经元的实际输出，o_i为网络输出层第i个神经元的期望输出，class(p)为样本p的类别，K[j,i]为将第i类错误分成第j类的代价因子，C(i)、C(j,i)为分类代价矩阵。

5.根据权利要求2所述的方法，其特征在于，所述路侧设备利用如下方式确定每个采样时刻的第一位置信息，包括：

其中，x_M+1¹和y_M+1¹分别为任一M+1采样时刻所述目标车辆的第一经度和第一纬度；M的取值范围为M＝K-1，K-2,...,K-N；K为当前采样时刻；N为预设阈值；v_M、a_M、x_M、y_M和θ_M分别为M采样时刻所述目标车辆的行驶速度、纵向加速度、经度、纬度和行驶方位角；R为地球半径。