一种用于同步位置信息的设备的制作方法

1.本发明涉及一种用于与另一设备同步位置信息的设备以及相应的方法。


背景技术：

2.保持位置数据高频率同步有利于车队控制、道路交通拥塞监测、交通拥堵预防和自动驾驶车辆等许多应用。
3.例如，对于云提供商和客户来说，许多车辆进行地理位置数据传输是很昂贵的。据预计，每个车辆频繁传输位置或移动数据会导致传输成本很高。移动数据可以包括天气相关数据(温度、风速方向、湿度、降水等)、路标、路况、拥塞、道路图像和车辆数据。为了降低运营支出并可以实现需要对车辆位置进行近实时同步的应用，希望减少车辆与云之间传输的数据量。
4.联网汽车和自动驾驶车辆的出现大大增加了从每个车辆收集高分辨率数据或指标的必要性，并且可能需要与云实时同步此类数据。
5.大量的无人驾驶车辆将产生前所未有的数据量，例如车辆诊断和行程详情，并且还将依赖大量实时数据进行导航。
6.一些传统方案所涉及的压缩方法不针对地理空间数据行为。其它传统方案虽然针对地理空间，但使用的方法效率很低。
7.然而，这些传统方案需要的吞吐量或带宽很高且昂贵，大规模应用这些传统方案可能变得更具挑战性。
8.因此，需要一种用于同步位置信息的改进型设备。


技术实现要素：

9.鉴于上述挑战和缺点，本发明实施例旨在改进用于同步位置信息的传统设备和方法。因此，一个目的在于提供一种用于同步位置信息的改进型设备，这种改进型设备可以对位置信息进行准确同步，无需很高且昂贵的吞吐量。
10.该目的通过所附独立权利要求提供的实施例实现。实施例的有利实现方式在从属权利要求中进一步定义。
11.根据第一方面，本发明涉及用于与第二设备同步位置信息的第一设备，所述第一设备用于：根据现有模型预测所述第一设备的位置，其中，所述现有模型基于所述第一设备的一个或多个参数；检测所述第一设备的所述一个或多个参数和/或位置；基于所述检测到的一个或多个参数和/或所述检测到的位置验证所述现有模型；如果所述预测的位置与所述检测到的位置匹配和/或如果所述模型基于的所述一个或多个参数与所述一个或多个检测到的参数匹配，则确定所述现有模型已被验证，或者如果所述模型无法被验证，则向所述第二设备发送更新的模型和/或所述一个或多个检测到的参数。
12.这提供了以下优点：减少了必须从所述第一设备(例如车辆)向所述第二设备(例如中央位置，例如云或数据中心)发送的数据或参数，同时又可以准确同步位置信息。
13.在第一方面的一种实现方式中，所述第一设备用于基于所述第一设备的所述检测到的一个或多个参数计算所述更新的模型。
14.这提供了以下优点：可以基于检测到的(例如测量到的)参数准确计算所述模型。
15.在第一方面的另一种实现方式中，所述第一设备的所述一个或多个参数包括所述第一设备的速度和/或加速度。
16.这提供了以下优点：可以以简单的方式计算所述模型，例如基于考虑所述第一设备的速度和/或加速度的线性模型。
17.在第一方面的另一种实现方式中，所述现有模型还基于所述第一设备的一个或多个历史位置和/或一个或多个历史参数。所述服务器可以使用所述第一设备的历史数据和走同一条路的其它设备的历史数据。因此，可以产生更好的模型。
18.这提供了以下优点：可以节省所述第一设备的资源，因为使用的是已存储的数据。此外，还可以提高所述模型的准确性，从而提高预测位置信息的准确性。
19.历史数据和设备或车辆网络数据还可以用于改进地理位置数据的预测模型，从而进一步节省传输成本。
20.在第一方面的另一种实现方式中，所述现有模型还基于地图和/或服务信息。
21.这提供了以下优点：可以基于可用地图和/或服务信息更准确地计算所述模型。
22.在第一方面的另一种实现方式中，所述现有模型还基于一个或多个其它第一设备的一个或多个参数。
23.在第一方面的另一种实现方式中，所述第一设备还用于：接收所述一个或多个其它第一设备的所述一个或多个参数；基于所述接收的参数验证所述现有模型；如果所述模型基于的所述一个或多个参数与所述一个或多个接收的参数匹配，则确定所述现有模型已被验证。
24.在第一方面的另一种实现方式中，所述第一设备用于基于所述一个或多个其它第一设备的所述一个或多个参数计算所述更新的模型。
25.有利地，所述第一设备因此减少需要使用压缩感知方法等传输信息的设备(例如车辆)的数量。此外，还可以更准确地计算和更新所述模型。
26.因为许多设备(例如车辆)在同一条道路上行驶，所以这些设备通常传输相似的数据或参数。此外，道路通常是直路或有规律弯曲的弯路，因此道路模型可能很简单。由于道路模式以及同一条道路上共享相同移动行为模式的驾驶员之间的相关性存在冗余，因此利用这一优势可以大幅减少从雾/边缘传输到云的数据，从而降低昂贵的传输成本并大大提高车辆与云之间的同步效率。
27.在第一方面的另一种实现方式中，所述一个或多个其它第一设备的所述一个或多个参数指示所述一个或多个其它第一设备的位置和/或移动与所述第一设备的所述位置和/或移动之间的相关性。
28.在第一方面的另一种实现方式中，所述第一设备用于向所述一个或多个其它第一设备发送所述更新的模型和/或所述一个或多个检测到的参数。
29.在第一方面的另一种实现方式中，所述现有模型基于以下至少一种：机器学习模型(例如回归模型)、运动学模型或任何其它数据建模技术。
30.在第一方面的另一种实现方式中，所述第一设备用于基于在所述第一设备与所述
第二设备之间确定的协议向所述第二设备发送所述更新的模型和/或所述一个或多个检测到的参数。
31.在第一方面的另一种实现方式中，仅当所述预测的位置和/或所述模型基于的所述一个或多个参数分别偏离所述检测到的位置和/或所述一个或多个检测到的参数超过第一阈值和/或第二阈值时，才会向所述第二设备发送所述更新的模型和/或所述一个或多个检测到的参数。
32.在第一方面的另一种实现方式中，所述第一设备用于从所述第二设备接收更新的模型以及将所述现有模型替换为所述接收的更新的模型。
33.在第一方面的另一种实现方式中，所述第一设备用于从所述第二设备接收位置以及基于所述接收的位置验证所述现有模型，其中，如果所述接收的位置与所述检测到的位置匹配，则所述现有模型已被验证。
34.在第一方面的另一种实现方式中，第一设备为车辆或手机。
35.根据第二方面，本发明涉及用于与第一设备同步位置信息的第二设备，所述第二设备用于：根据现有模型预测所述第一设备的位置，其中，所述现有模型基于所述第一设备的一个或多个参数，
36.其中，所述现有模型用于预定义的时间间隔δt，或直到从所述第一设备接收更新的模型和/或一个或多个更新的参数。
37.这意味着所述第一设备可以在δt时间段内累积数据，以便为该δt时间段生成模型。然后，可以向所述第二设备发送代表该时间段的所述模型。所述第二设备可以使用所述接收的模型推断该δt时间段的数据，即所述第二设备接收所述模型之前的δt时间段，因为这是所述模型所代表的数据。此外，所述模型可以预测所述第一设备不再发送任何内容的下一个时间间隔。
38.在第二方面的一种实现方式中，所述第二设备还用于基于所述一个或多个更新的参数计算更新的模型以及向所述第一设备传输所述更新的模型。
39.在第二方面的另一种实现方式中，所述第二设备用于向所述第一设备发送预测的位置。
40.在第二方面的另一种实现方式中，所述第二设备用于从所述第一设备接收更新的模型以及将所述现有模型替换为所述接收的更新的模型。
41.在第二方面的另一种实现方式中，所述现有模型基于以下至少一种：运动学模型、地图和机器学习模型(例如回归模型)。
42.在第二方面的另一种实现方式中，所述现有模型还基于一个或多个其它第一设备的一个或多个参数。
43.根据第三方面，本发明涉及一种用于与第二设备同步位置信息的方法，所述方法包括：根据现有模型预测第一设备的位置，其中，所述现有模型基于所述第一设备的一个或多个参数；检测所述第一设备的所述一个或多个参数和/或位置；基于所述检测到的一个或多个参数和/或所述检测到的位置验证所述现有模型；如果所述预测的位置与所述检测到的位置匹配和/或如果所述模型基于的所述一个或多个参数与所述一个或多个检测到的参数匹配，则确定所述现有模型已被验证，或者如果所述模型无法被验证，则向所述第二设备发送更新的模型和/或所述一个或多个检测到的参数。
44.根据第四方面，本发明涉及一种用于与第一设备同步位置信息的方法，所述方法包括：根据现有模型预测所述第一设备的位置，其中，所述现有模型基于所述第一设备的一个或多个参数，其中，所述现有模型用于预定义的时间间隔δt，或直到从所述第一设备接收更新的模型和/或一个或多个更新的参数。
45.这意味着所述第一设备可以在δt时间段内累积数据，以便为该δt时间段生成模型。然后，可以向所述第二设备发送代表该时间段的所述模型。所述第二设备可以使用所述接收的模型推断该δt时间段的数据，即所述第二设备接收所述模型之前的δt时间段，因为这是所述模型所代表的数据。此外，所述模型可以预测所述第一设备不再发送任何内容的下一个时间间隔。
46.根据第五方面，本发明涉及一种包括计算机可读代码指令的计算机程序，当所述计算机可读代码指令在计算机中运行时将使所述计算机执行根据第三方面或第四方面所述的方法。此外，本发明还涉及一种包括计算机可读介质和所述计算机程序的计算机程序产品，其中，所述计算机程序包括在所述计算机可读介质中，并且包括以下组中的一个或多个：只读存储器(read-only memory，rom)、可编程rom(programmable rom，prom)、可擦除prom(erasable prom，eprom)、闪存、电eprom(electrically eprom，eeprom)和硬盘驱动器。
47.根据第六方面，本发明涉及一种包括计算机程序代码指令的计算机可读存储介质，所述计算机程序代码指令可由计算机执行，用于当所述计算机程序代码指令在计算机上运行时执行根据第三方面或第四方面所述的方法。
48.根据第三方面和第四方面所述的方法及其各自的实现方式分别为根据第一方面和第二方面所述的设备及其各自的实现方式提供与上述相同的优点和效果。
49.根据第七方面，本发明涉及用于与第二设备同步位置信息的第一设备，所述第一设备包括处理器和存储器。所述存储器存储指令，所述指令使所述处理器执行根据第三方面和第三方面的可能实现方式中的任一项所述的方法。
50.根据第八方面，本发明涉及用于与第一设备同步位置信息的第二设备，所述第二设备包括处理器和存储器。所述存储器存储指令，所述指令使所述处理器执行根据第四方面和第四方面的可能实现方式中的任一项所述的方法。
51.需要说明的是，本技术中描述的所有设备、元件、单元和模块可以通过软件或硬件元件或其任何类型的组合实现。本技术中描述的各种实体执行的所有步骤和所描述的将由各种实体执行的功能旨在表明相应的实体用于执行相应的步骤和功能。虽然在以下具体实施例的描述中，外部实体执行的具体功能或步骤没有在执行具体步骤或功能的实体的具体详述元件的描述中体现，但是技术人员应清楚，这些方法和功能可以通过相应的硬件或软件元件或其任何组合实现。
附图说明
52.结合所附附图，下面具体实施例的描述阐述上述本发明的各方面及实现方式。
53.图1示出了各实施例提供的用于与第二设备同步位置信息的第一设备和所述第二设备的示意图；
54.图2(a)和图2(b)示出了一个实施例提供的能够有助于用于与第二设备同步位置
信息的第一设备建立道路模型的地图；
55.图3示出了一个实施例提供的由用于与第二设备同步位置信息的第一设备使用的回归模型的示例；
56.图4(a)和图4(b)示出了一个实施例提供的用于与第二设备同步位置信息的第一设备的模型传输同步4(a)和相应地图4(b)的示意图；
57.图5a示出了一个实施例提供的包括用于与第二设备或服务器同步位置信息的第一车辆的车辆集群的示意图；
58.图5b示出了一个实施例提供的包括用于与第二车辆同步位置信息的第一车辆的车辆集群的示意图；
59.图6示出了一个实施例提供的包括用于与第二设备同步位置信息的第一手机的手机集群的示意图；
60.图7示出了一个实施例提供的用于与第二设备同步位置信息的方法的示意图；
61.图8示出了一个实施例提供的用于与第一设备同步位置信息的方法的示意图。
具体实施方式
62.图1示出了各实施例提供的用于与第二设备102同步位置信息的第一设备101和第二设备102的示意图。
63.第一设备101用于据现有模型，即使用所述现有模型，预测第一设备101的位置。所述现有模型基于第一设备101的一个或多个参数。此外，第一设备101还用于检测第一设备101的所述一个或多个参数和/或位置。例如，可以测量第一设备101的所述一个或多个参数和/或可以测量第一设备101的所述位置。
64.此外，第一设备101还用于基于所述检测到的一个或多个参数和/或所述检测到的位置验证所述现有模型。如果所述预测的位置与所述检测到的位置匹配(例如，所述预测的位置与所述检测到的位置相同)，或者所述预测的位置与所述检测到的位置具有某种关系和/或如果所述模型基于的所述一个或多个参数与所述一个或多个检测到的参数匹配(例如，所述检测到的参数的值与用于所述现有模型的值相同)，则所述现有模型已被第一设备101验证。然后，如果所述模型无法被验证，则第一设备101用于向第二设备102发送更新的模型和/或所述一个或多个检测到的参数。所述更新的模型可以由第一设备101基于所述检测到的参数和/或基于所述检测到的位置计算。
65.所述预测第一设备101的所述位置可以采用基于自预测的方法完成。
66.在所谓的本地自路径预测方法中，使用本地收集的第一设备101的位置，例如车辆(在下文中，但不限于本发明，以车辆作为第一设备101的示例)，以预测其在未来时间间隔内的位置。这可以使用以下模型完成：
[0067]-通过时间序列模型，例如线性回归或arima，对车辆路径随时间的变化进行建模，并根据模型推断第一设备101或车辆的接下来的位置。此外，可以使用延迟缓冲区，并可以根据该缓冲区中的数据构建回归模型；
[0068]-使用与驾驶员运动学行为相称的运动学模型(例如基于加速度；速度)，例如，一名驾驶员可能加速和/或刹车更快，而另一名驾驶员可能驾驶更平稳(即可能加速和/或刹车更慢)；
[0069]-使用同一车辆的先前行程识别该特定车辆的车道/路径的重复模式(例如开车往返于家和办公室)。这些数据可用于定义预测车道并节省传输成本。
[0070]
此外，所述预测第一设备101的所述位置可以采用地图辅助自路径预测方法完成。在该方法中，上述方法“本地自路径预测”由另外的数据源支持，即预期驾驶区域的地图。
[0071]
使用所述地图和车辆(或通常是第一设备101)的运动学模型，该方法可以解决仅通过先前的位置数据无法预测路径的情况。例如，在弯路和/或曲折路的情况下，仅基于先前位置的预测不能预测车辆的下一个位置。
[0072]
在所谓的交通服务提供商辅助自路径预测中，上述方法“本地自路径预测”由另外的数据源(即，提供地图、交通、拥塞、速度数据、其它驾驶员数据及与它们的相关性、交通信号灯、路况、第一设备和其它驾驶员的历史数据的至少一个服务提供商)支持。
[0073]
此外，第二设备102可用于根据现有模型预测第一设备101的位置，其中，所述现有模型基于第一设备101的一个或多个参数。第二设备102由此用于(仅)在预定义的时间间隔δt内使用所述现有模型，或直到从第一设备101接收更新的模型和/或一个或多个更新的参数。
[0074]
图2(a)和图2(b)示出了一个实施例提供的能够帮助用于与第二设备102同步位置信息的第一设备101建立道路模型的地图。
[0075]
在图2(a)所示的实施例中，自预测模型涉及弯路。
[0076]
在不使用地图的弯路的情况下，可以使用非线性模型预测第一设备101的位置，如下所述：
[0077]-曲率半径，通过找到道路两条法线的交点并根据它们的交点推算出曲率；
[0078]-贝塞尔曲线：https://en.wikipedia.org/wiki/b％c3％a9zier_curve
[0079]
它可以拟合二次贝塞尔曲线或三次贝塞尔曲线：
[0080]
b(t)＝(1-t)[(1-t)p0 tp1] t[(1-t)p1 tp2]，0≤t≤1，
[0081]
多项式回归：简单弯路为二次回归，曲折路为三次回归：https://en.wikipedia.org/wiki/polynomial_regression(见图3)：
[0082]
y＝β0 β1x β2x2 ε。
[0083]
此外，地图可以帮助为弯路或曲折路建立正确的模型。同一车辆在弯路周围的历史数据也可以帮助建立能够在岔路的情况下有所帮助的模型。基于当前位置，使用历史数据，可以计算车辆的下一个位置。
[0084]
在一个实施例中，第一设备101和第二设备102共用同一模型，而第一设备101的实际位置遵循该模型，不需要传输移动数据。先前驾驶员在弯路周围的历史数据也可以帮助建立模型。
[0085]
在一个实施例中，第二设备102使用其它设备(例如驾驶员)的信息、历史数据、存储的地图建立模型，并将模型传输到第一设备101。只要实际数据与模型匹配，第一设备101就不会向第二设备102传输移动数据。
[0086]
在另一个实施例中，第一设备101存储地图数据并为移动数据建立模型。移动数据可以包括天气相关数据(温度、风速方向、湿度、降水等)、路标、路况、拥塞、道路图像和车辆数据。它与第二设备102同步所述模型，并且只要所述模型有效就不会向第二设备102传输新模型。
[0087]
图4(a)和图4(b)示出了一个实施例提供的用于与第二设备102同步位置信息的第一设备101的模型传输同步4(a)和相应地图4(b)的示意图。
[0088]
在第一步中，第一设备101(此处为车辆)向第二设备102(此处为云)传输模型m1；
[0089]
在第二步中，第一设备101基于地图数据传输位置c2和新的曲线模型cm(在第一步和第二步之间，第二设备102遵循模型m1)；
[0090]
在第三步中，第一设备101传输新线性模型m2；
[0091]
在第四步中，第二设备102基于第一设备101的历史通知可能的轨迹t1(右转)(见图6(b))；
[0092]
在第五步中，第一设备101验证第二设备102建议的轨迹t1并保持静默；
[0093]
在第六步中，第二设备102基于常见的交通行为发送模型m3，模型m3具有减慢的速度；
[0094]
在第七步中，第二设备102选择第一设备101作为交通拥堵集群主，并向集群中的其它设备(此处为车辆)通知新的模型m4和第一设备101作为集群主的角色。其它车辆验证第二设备102建议的m4并保持静默。另一方面，第一设备101向第二设备102传输位置或速度数据。
[0095]
因此，可以使用预测方法，以便从车辆的本地数据及过去使用了类似路径的其它车辆的本地数据中学习要传输的地理空间数据的模型，然后利用该模型以允许车辆仅发送超出计算机模型的数据或者仅在该模型存在重大错误的情况下发送数据。
[0096]
综上所述，提出了一种第一设备101(例如车辆)和第二设备102(例如服务器)之间的同步方法以减少移动数据传输量，所述方法包括以下步骤：
[0097]
第一步 收集第一设备101的数据(位置、速度、传感器)；
[0098]
第二步 为所述数据计算模型；
[0099]
第三步 传输所述模型；
[0100]
第四步 使用所述模型由第二设备102推断时间间隔δt内的数据，或者使用所述预测模型推断所述数据直到从第一设备101接收新的模型或原始数据。
[0101]
第五步 由第一设备101将所述预测模型与真实数据进行比较，并在需要时计算新模型。基于从发现最后一个模型不适用的时刻开始的δt时间计算所述新模型，并将所述新模型传输至第二设备102。在所述模型代表实际数据时，不需要传输。
[0102]
模型可以由第二设备102计算并传输至第一设备101，可选地，由运动学模型和/或地图和/或机器学习模型辅助。
[0103]
只有要传输的比特数小于在当前时间间隔内使用传统压缩算法时的比特数，才能传输模型和相对于模型的压缩。
[0104]
可以使用任何机器学习或其它建模技术生成数据的模型，例如自回归方法。
[0105]
第一设备101和第二设备102之间的协议可以将模型及其参数和压缩数据发送至第二设备102。
[0106]
一个第一设备101的数据可以与另一个设备(例如其它车辆)的数据相关联。关联模型被传送至第二设备102，第二设备102根据第一设备101的模型和关联模型推断所述另一个设备的数据。
[0107]
图5a示出了一个实施例提供的车辆集群的示意图，这些车辆包括用于与第二设备
同步位置信息的第一设备101(在本例中，第一设备101为车辆101)。
[0108]
具体地，图5a示出了一种通用预测模型，其中，服务器102指示每个方向上的每个指定的单个车辆101报告其周围的所有车辆的移动数据信息，例如在交通拥堵中，如图5a所示。
[0109]
具体地，车辆101和车辆500中的每一个与服务器102同步位置信息(每一个针对不同的交通方向，每一个由所述服务器要求报告)。所有其它车辆不需要与所述服务器同步方向。此外，它们也不相互通信。
[0110]
图5b示出了一种车载自组织网络(vehicular ad-hoc network，vanet)模型，其中，网络中的车辆之间相互通信，并向指定车辆101报告。指定车辆101是vanet中向云或第二设备102发送移动数据的单个车辆。
[0111]
在一个实施例中，车辆互联，如以下两种场景所述：
[0112]
1)一组车辆一起行驶，服务器(第二设备102)识别集群，通知其中一个车辆传输“组的位置”，而不是从所有组成员接收位置。该被选车辆101向其它组成员通知它的位置，并且其它组成员将保持沉默，直到它们与共同(组)位置不同。
[0113]
2)同一附近区域中的车辆可以选择代表(车辆101)来传输它们的位置。该代表可以计算“客户”车辆之间的集群、回归或相关性，并有效地传输它们的位置。这不仅可以压缩位置数据，还可以显著减少与云(第二设备102)的连接数。此外，不仅可以压缩位置数据，还可以压缩“本地感知”数据，例如当前交通信息、停车场或优化的耗油量。
[0114]
为了完整起见，下文总结了基于通用预测的模型，其中，下面指定的模型通常是有效的，而与vanet场景无关。它们是通用预测的一部分，与汽车是否联网无关。
[0115]
通用路径预测方法：在该方法中，使用与车辆101行驶在同一条道路/车道上的其它车辆的位置来预测车辆101的下一个位置。这可以使用以下程序完成：
[0116]-将在同一位置行驶的车辆的车道群聚，提取共同的车道模式并用于预测下一个位置。例如，其它驾驶员的经验也可用于预测该车辆的下一个转弯。如果90％的驾驶员在下一个交叉路口左转，则假设在下一个交叉路口左转，模型的出错率只有10％；
[0117]-收集当前车辆101之前的相邻车辆的车道。例如，当在车队或交通拥堵中行驶时，前面的车辆可能预测车辆101的未来位置。在另一个实施例中，道路通常指示驾驶员的速度和驾驶行为。例如，汽车在右侧车道上通常比在左侧车道上慢。在小路上，汽车通常具有相同的驾驶模式。其它驾驶员的经验可以用于预测车辆101的位置和其它传感器信息的模型；
[0118]
采用相关/回归方法，以找出当前车辆101与前面的相邻车辆之间的相似性。
[0119]
在一个实施例中，仅当数据偏离模型超过配置的错误阈值时，才会显式传输数据。
[0120]
在一个实施例中，可以基于车辆的速度和加速度建立模型，以在允许的误差内预测(或拟合)车辆的数据。
[0121]
在一个实施例中，可以基于车辆的位置建立模型，以在允许的误差内预测(或拟合)车辆的数据。
[0122]
在一个实施例中，对于所有车辆采样时间可以是固定的，因此成本相对较低，因为每许多车辆只应传输一次采样时间。
[0123]
在一个实施例中，在交通拥堵的情况下，单个代表可以报告许多车辆的确切位置或环境数据，节省了大量传输成本。该代表的选择可以根据联网车辆已知算法进行，也可以
由中央服务器进行。每个车辆可以遵循中央服务器(第二设备102)向车辆101传输的模型，也可以周期性地传输其位置。只有当模型不再有效时，车辆才开始传输其位置。
[0124]
在一个实施例中，车辆101的数据与其它车辆的数据相关联。例如，相邻车道上的车辆是相关联的。它们的驾驶道路模式相同。即使左侧的车道比右侧的车道快，但它们是相关联的。例如，回归模型可以捕获这种相关性，并基于另一车道汽车预测一辆车的位置。当车辆不在集群中行驶时，与另一车道的相关性最有用。当在集群中时，更好的选择是选择该集群的代表(例如位于该集群主的汽车)。
[0125]
在图5所示的实施例中，自预测模型涉及直路。在该示例中，具有加速度和速度的简单运动学模型足以描述所述第一设备的位置。
[0126]
因此，该模型仅由加速度和速度两个参数组成。第二设备102根据该模型推断第一设备101(例如车辆或汽车)的位置，并周期性地与第一设备101进行验证。
[0127]
更复杂的情况是，当加速度不恒定时。时间序列模型可以预测车辆101的下一个位置(例如，整合移动平均自回归模型(autoregressive integrated moving average model，arima))。同样，第二设备102周期性地验证车辆位置。回归模型可以与延迟缓冲区一起使用，该延迟缓冲区将最后n个位置存储为时间的函数。车辆101可以将该模型传输至第二设备102(例如服务器102)，并且车辆101验证新数据是否符合该模型。当该模型发生变化时，车辆101用新模型更新服务器102。
[0128]
综上所述，提出了以下方法，以便在与其它车辆在一个集群中时减少车辆数据传输量，所述方法包括：
[0129]
第一步 选择代表集群的集群主(第一设备101)；
[0130]
第二步 为用于集群主101的公用数据计算模型，例如回归模型；
[0131]
第三步 传输所述模型；
[0132]
第四步 由接收器(第二设备102)使用所述模型推断集群中所有车辆的数据；
[0133]
第五步 由接收器102通知集群中的其它车辆，以便周期性地传输所述数据，其中传输周期比没有集群主代表时更长；
[0134]
第六步 当某个车辆的数据与集群主的数据不同时，向该车辆通知重新开始定期传输来自接收器102的数据。
[0135]
在一个实施例中，当实际数据与模型不同时，接收器102使用联网车辆协议向集群中的每个车辆传输模型，并且车辆重新开始定期数据传输。
[0136]
图6示出了一个实施例提供的手机集群的示意图，这些手机包括用于与第二设备102同步位置信息的第一设备101(在本例中，第一设备101为手机101)。
[0137]
在一个实施例中，该集群由手机和服务器(第二设备102)选出的代表(即手机101)组成，其中，所述服务器例如是云中的服务器。如果该集群中的手机之间存在协议，则可以使用该协议来选择集群代表。
[0138]
在火车、公共汽车、出租车或渡轮中，可以识别在同一条路径或车道上一起行驶的一群设备，并且可以减少位置传输。此外，该火车或公共汽车可以使用联网车辆协议来表示其乘客的位置。
[0139]
此外，云中的基站或服务器可以识别本地客户端，并在公共汽车或出租车上等传输它们的位置。
[0140]
图7示出了用于与第二设备同步位置信息的方法700的示意图。
[0141]
方法700包括以下步骤：
[0142]-根据现有模型预测701第一设备101的位置，其中，所述现有模型基于所述第一设备的一个或多个参数；
[0143]-检测702第一设备101的所述一个或多个参数和/或位置；
[0144]-基于所述检测到的一个或多个参数和/或所述检测到的位置验证703所述现有模型；
[0145]-如果所述预测的位置与所述检测到的位置匹配和/或如果所述模型基于的所述一个或多个参数与所述一个或多个检测到的参数匹配，则确定704所述现有模型已被验证；或者
[0146]-如果所述模型无法被验证，则向所述第二设备102发送705更新的模型和/或所述一个或多个检测到的参数。
[0147]
图8示出了用于与第一设备101同步位置信息的方法800的示意图。
[0148]
方法800包括以下步骤：
[0149]-根据现有模型预测801第一设备101的位置，其中，所述现有模型基于第一设备101的一个或多个参数，其中，所述现有模型用于预定义的时间间隔δt，或直到从第一设备101接收更新的模型和/或一个或多个更新的参数。
[0150]
已经结合作为示例的各实施例以及实现方式描述了本发明。但本领域技术人员通过实施本发明，研究附图、本发明以及权利要求，能够理解并获得其它变体。单个元件或其它单元可满足权利要求书中所叙述的若干实体或项目的功能。在互不相同的从属权利要求中列举一些措施并不表示这些措施的组合不能用于有益的实现方式。
[0151]
本发明的其它系统、方法、特征和优点在检查以下附图和详细描述后对本领域技术人员来说会变得显而易见。所有这些附加系统、方法、特征和优点都包括在本说明书中，在本发明的范围内，并受到所附权利要求书的保护。
[0152]
已出于说明的目的提供本发明的各实施例的描述，并不旨在穷举或局限于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下，许多修改和变化对本领域普通技术人员而言是显而易见的。选择本文所使用的术语是为了更好地解释实施例的原理、实际应用或优于市场中发现的技术的技术改进，或者是为了使本领域其它普通技术人员能够理解本文公开的实施例。
[0153]
预计在从本技术走向成熟的专利的有效期内，将开发许多相关的密钥，并且术语“密钥”的范围旨在先验地包括所有此类新技术。
[0154]
本文所使用的术语“约”是指
±
10％。
[0155]
术语“包括”、“具有”以及其变化形式表示“包括但不限于”。该术语包括了术语“由
……
组成”以及“主要由
……
组成”。
[0156]
短语“主要由
……
组成”表示组成物或方法可以包括附加的成分和/或步骤，但前提是附加的成分和/或步骤不会实质上改变所要求的组成物或方法的基本和新颖特性。
[0157]
除非上下文另有明确说明，否则本文所使用的单数形式“一个(a/an)”和“所述(the)”包括复数含义。例如，术语“一种复合物”或“至少一种复合物”可以包括多种复合物，包括其混合物。
[0158]
本文所使用的词语“示例性的”表示“作为一个示例、实例或说明”。任何被描述为“示例性的”实施例不一定解释为比其它实施例更优选或更有利，和/或排除其它实施例的特征的结合。
[0159]
本文所使用的词语“可选地”表示“在一些实施例中提供且在其它实施例中没有提供”。本发明的任何特定实施例都可以包括多个“可选的”特征，除非这些特征有冲突。
[0160]
在本技术中，本发明的各实施例可以通过范围格式呈现。应理解，范围格式的描述仅仅是为了方便和简洁起见，不应被解释为对本发明范围的固定限制。因此，对于范围的描述应被认为已经具体公开所有可能的子范围以及该范围内的单个数值。例如，对于例如从1到6的范围的描述应被视为已具体公开了从1到3、从1到4、从1到5、从2到4、从2到6、从3到6等的子范围以及该范围内的单个数字例如1、2、3、4、5和6。不论范围有多广，这都适用。
[0161]
当本文指示一个数字范围时，表示包括所指示的范围内的任何所列举的数字(分数或整数)。短语“第一指示数字和第二指示数字之间的范围”以及“从第一指示数字到第二指示数字的范围”在本文中可互换使用，表示包括第一指示数字和第二指示数字以及二者之间的所有分数和整数。
[0162]
应了解，为清楚起见，在不同实施例的上下文中描述的本发明的某些特征还可以组合提供于单个实施例中。相反，为简洁起见，在单个实施例的上下文中描述的本发明的各个特征也可以单独提供、以任何合适的子组合提供，或适合于本发明的任何其它描述的实施例。在各实施例的上下文中描述的某些特征不应当被认为是这些实施例的基本特征，除非在没有这些元件的情况下实施例是不可操作的。
[0163]
本说明书中所提及的所有公开、专利和专利申请都在本文中以全文引用的方式并入本说明书中，程度如同每一单独的公开、专利或专利申请被专门并且单独地指示以引用的方式并入本文中一般。此外，本技术中对任何参考文件的引用或鉴别不应理解为承认该参考文件是作为本发明的现有技术可获得的。对于章节标题而言，它们不应当被解释为必然的限制。