[发明专利]一种普适的区域环境信息移动感知及预测方法

权利要求书

1.一种普适的区域环境信息移动感知及预测方法，其特征在于：包含以下步骤：

步骤1：在云端数据库中利用已有测得的环境数据，采用区域化随机变量分析的方法对这些数据进行空间和结构的分析，并得出协方差和变差函数的表达式；

步骤2：利用改进的随机L-BFGS算法优化变差函数模型，采取不均匀小批量采样的策略，并且通过几个较小的Hessian矩阵的更新来近似原随机L-BFGS算法中的Hessian矩阵；

步骤3：利用改进的随机L-BFGS算法优化的变差函数对克里格算法进行优化，并利用此算法进行普适的区域环境空间信息预测，并将预测结果传送至云端；

步骤4：利用共享单车采集环境数据的时间和空间的关系进行时空预测分析，得出目标区域的时空预测结果，并将预测结果传送至云端数据库；

所述步骤4中，设目标区域一小时生成一次全局的环境预测数据，采集的环境数据均有经纬度和时间标记；

在t_o时刻需要对y_o进行预测，t_i为已知数据点的采集时刻，t_io＝t_o-t_i，设距离需要预测时刻的时间长为t_io；

其中时间影响因子距离影响因子为

由于一小时预测一次目标区域的全局环境信息，因此需要按照t_io的不同分情况讨论：t_io≤30，30＜t_io≤100，100_io＜t三种情况：

t_io≤30这段时间内，已知数据点中t_io≤30的数据y_i′，这个时间段内采集的数据离预测时间相近，比较准确，所以这一段时间内的时空相关系数为：η_ti≤30＝η_ti×η_li，这一段时间内的数据插值结果为式中n′为t_io≤30的数据点的个数，A(y_i′)为t_io≤30的数据点的值，A′(y)为t_io≤30内的预测结果；

30＜t_io≤100这段时间内，时间影响因子和距离影响因子同样重要，所以时空系数为：α_io＝-0.01t_io+1，并计算30＜t_io≤100内的值：并对ρ_io进行排序，只有在前50％的ρ_io对应的y_io的和α_io才参与计算，其余被舍弃；从而这一段时间内的数据插值结果为式中n″为30＜t_io≤100的数据点的个数，A(y_i″)为30＜t_io≤100的数据点的值，A″(y)为30＜t_io≤100内的预测结果；

100_io＜t时间内，距离需要预测的时间点时间过长，参与预测的结果不太准确，因此这段时间内获取的数据不参与计算；

最后利用时间和空间的影响因子获得预测结果A₂(y_o)＝A′(y)+A″(y)；

步骤5：在云端数据库中对的克里格预测结果和时间空间的预测结果进行分析，对每一个经纬度的预测值取两种预测结果的中位数，得出目标区域内环境信息的最终预测值，并输出最终的环境预测结果图。

2.根据权利要求1所述的一种普适的区域环境信息移动感知及预测方法，其特征在于：所述步骤1中，在已有测得的环境数据中，如同一经纬度有两个相同类型的数据，则需要选择距离需要预测时间点最近的数据。