Детальная информация

Работа посвящена задаче повышения точности и надёжности обработки геопространственных данных транспортных средств в условиях нестабильного спутникового сигнала (GPS/ГЛОНАСС). Рассматриваются методы автоматического обнаружения аномалий, вызванных потерей сигнала, многолучевым распространением, аппаратными сбоями и другими факторами. Проведён обзор современных подходов к обработке геоданных, включая статистический анализ, машинное обучение и фильтрацию сигналов. Особое внимание уделено проблемам спутниковой навигации в условиях городской застройки, тоннелей и других зон со слабым покрытием. Предложен комбинированный метод выявления аномалий, сочетающий анализ сигнала, предсказание траекторий и алгоритмы кластеризации. Реализована система оценки достоверности координат в реальном времени. Экспериментальное тестирование на реальных данных показало высокую эффективность метода по сравнению с традиционными подходами. Разработка может применяться в интеллектуальных транспортных системах, логистике, мониторинге автопарков и автономном вождении для фильтрации аномальных траекторий и повышения надёжности навигации.

This work addresses the challenge of improving the accuracy and reliability of geospatial data processing for vehicles under unstable satellite signal conditions (GPS/GLONASS). It explores methods for automatically detecting anomalies caused by signal loss, multipath propagation, hardware failures, and other factors. A review of modern approaches is presented, including statistical analysis, machine learning, and signal filtering techniques. Special attention is given to navigation issues in urban environments, tunnels, and areas with weak satellite coverage. A hybrid anomaly detection method is proposed, combining signal analysis, trajectory prediction, and clustering algorithms. A real-time coordinate reliability assessment system is implemented. Experimental testing on real-world data demonstrated the method’s high efficiency compared to traditional approaches. The solution can be applied in intelligent transportation systems, logistics, fleet monitoring, and autonomous driving to filter out anomalous trajectories and improve navigation reliability.