1.一种W型地磁阵列的多传感器融合决策车辆检测方法，其特征在于，包括以下步骤：S1：对车位进行编号，对于两排车位，分排从左至右对车位进行编号，第一排车位编号为[1,NP]，第二排车位编号为[NP+1,2NP]；将无线地磁传感器节点按照W型阵列部署在车位边界上，具体方式为：所有节点均部署在车位侧边界中点上，同一排车位上的节点间隔两个车位进行部署，两排车位上的节点排间整体偏移一个车位，形成W型无线地磁传感器阵列布局；

S2：将车位状态进行划分，分为空闲和占用两类，空闲标签为0，占用标签为1，由无线地磁传感器节点利用无线地磁传感器阵列对每个车位进行各车位状态地磁数据采集；

S3：对采集到的地磁数据进行时间同步、偏移纠正、缺失值填充、滤波预处理；

S4：将经过预处理后的地磁数据作为模型训练过程的输入，传入进行车位状态检测的深度学习模型，首先对输入数据进行归一化处理，按照如下算式进行：其中，A'表示经过归一化处理后的地磁数据；A表示归一化处理前的地磁数据； 表示输入地磁数据的平均值；σ(A)表示输入地磁数据的标准差；再将归一化后的地磁数据传入RNN网络，获得时序抽象特征，具体过程如下：Ot＝g(V·St)

其中，Ot是t时刻RNN网络的输出，St是t时刻隐藏层的输出，V表示隐藏层到输出层的权重矩阵，其中St通过下式获得：St＝f(U·A't+W·St‑1)

A't表示t时刻的输入地磁数据；St‑1代表t‑1时刻隐藏层的输出；U表示输入层到隐藏层的权重矩阵；W表示隐藏层之间的权重矩阵；将获得的时序抽象特征传入Dropout层，按照伯努利分布以70％的概率随机选择输入数据的一些元素归零，防止网络在训练后期发生过拟合；将时序特征传入两层全连接层，并将特征转换为分类结果，具体过程如下式所示：f1＝W1·tanh(Ot)+b1

其中，f1表示第一层全连接层的输出；W1表示第一层全连接层的权重矩阵；tanh表示tanh激活函数；b1表示第一层全连接层的偏置； 表示全连接层的输出，为各输入样本的车位状态分类结果；W2表示第二层全连接层的权重矩阵；relu表示relu激活函数；b2表示第二层全连接层的偏置；

S5：判断模型是否已完成训练；若模型未完成训练，则进入步骤S6；否则进入步骤S7；

S6：模型未完成训练，则将模型预测的车位状态标签与真实车位状态标签传入二分类交叉熵损失函数，计算分类损失，并通过反向传播更新神经网络参数，继续模型训练，进入步骤S4；

S7：将经过预处理后的地磁数据作为模型训练过程的输入，传入进行车位编号检测的深度学习模型，首先对输入数据进行归一化处理，按照如下算式进行：将输入数据传入一层全连接层，将特征维度转换为d_model，d_model是encoder层设定的特征维度，设置为64；将数据进行位置编码处理，具体过程如下所示：

2i/d_model

PE(pos,2i)＝sin(pos/10000 )

2i/d_model

PE(pos,2i+1)＝cos(pos/10000 )

其中，PE为对应样本的位置编码结果；pos为样本所在序列的位置；2i和2i+1表示位置编码的维度信息，i的取值范围是[0,d_model/2)，位置编码后样本的维度依然为d_model，直接与经维度转换后的输入样本相加；将经过位置编码后的样本输入TransformerEncoder结构，TransformerEncoder的层数设置为3，多头注意力机制设置为4；TransformerEncoder的输出数据尺寸为(N,S,d_model)，其中N代表每一个batch中样本的个数，S表示样本序列的长度，在样本序列维度上对输出数据求平均值，将尺寸变换为(N,d_model)；将变换尺寸后的输出数据传入两层全连接层，并将输出数据转换为样本分类结果，具体过程如下所示：其中，g1表示第一层全连接层的输出； 表示第一层全连接层的权重矩阵； 表示输出数据；表示第一层全连接层的偏置； 表示全连接层的输出，为各输入样本的车位编号分类结果； 表示第二层全连接层的权重矩阵；表示第二层全连接层的偏置；

S8：判断模型是否已完成训练；若模型未完成训练，则进入步骤S9；否则进入步骤S10；

S9：模型未完成训练，则将模型预测的车位编号标签与真实车位编号标签传入交叉熵损失函数，计算分类损失，并通过反向传播更新神经网络参数，继续模型训练，进入步骤S7；

S10：两个模型均已完成训练，分别获得最终的车位状态检测结果和车位编号检测结果。

2.根据权利要求1所述的W型地磁阵列的多传感器融合决策车辆检测方法，其特征在于，所述步骤S2包括以下子步骤：S201：进行静态数据采集，对于空闲0状态，在车位无车的场景下进行一段时间数据采集；对于占用1状态，在车位有车的场景下进行一段时间数据采集；

S202：进行动态数据采集，分别对于停车与出车过程进行一段时间数据采集，数据中包含停车与出车过程中状态0和状态1的变化情况。

3.根据权利要求1所述的W型地磁阵列的多传感器融合决策车辆检测方法，其特征在于，所述步骤S3包括以下子步骤：S301：时间同步，将多个传感器接收到的数据按列拼接，增加输入数据的维度，拼接融合成一张表；在数据包最后设置了两个字节用于指示该数据包的序号pckCnt，开机后周期性地采集数据，一个数据包采集完成后序号加一，由此更准确地将时间与状态一一对应；在对齐各传感器数据时首先根据pckCnt对各传感器数据表进行排序以及去重处理；然后指定一个统一的起始采集时间，各传感器将该起始采集时间对应的数据包作为起始数据包，并删除之前的数据；以各起始包对应的最小序号作为pckCnt_base调整各传感器的序号，统一各传感器的起始序号为pckCnt_base；在保证本表中数据顺序不变的情况下，后面数据的序号也依次作相应的调整；由于一个数据包中包含了十次测量数据，再对这十次测量编号为m，m的范围为[0,9]，新序号为10*pckCnt+m；调整完后各数据表第一行记录的便是同一时刻的地磁数据，此时以调整后各表的pckCnt列为参考连接各表；

S302：基线偏移纠正，将无车状态下数据的平均值作为基线，所有数据均减去对应基线；

S303：对网络丢包造成的缺失值进行填充，缺失值使用邻近数据的平均值来填充，具体方法为向前寻找最近20个不为缺失值的数据，并向后寻找20个不为缺失值的数据，求这40个数据的平均值作为填充值；数据表头20行以及尾20行如果出现缺失值，则直接采用本列数据的均值进行填充；

S304：对地磁数据进行滑动均值滤波，滤波原理如下：

其中，N是滑动均值滤波窗口大小，M(k)是原始地磁数据，A(k)是滤波后的地磁数据。

4.根据权利要求1所述的W型地磁阵列的多传感器融合决策车辆检测方法，其特征在于，所述步骤S6中，二分类交叉熵损失函数的表达式为：ln＝‑(yn*log(δ(zn))+(1‑yn)*log(1‑δ(zn)))其中ln表示第n个样本的损失值；yn表示第n个样本的车位状态标签；zn表示预测第n个样本为正例的概率；δ表示sigmoid函数。

5.根据权利要求1所述的W型地磁阵列的多传感器融合决策车辆检测方法，其特征在于，所述步骤S9中，交叉熵损失函数的表达式为：其中 表示第n个样本的损失值； 表示第n个样本的车位编号标签； 表示预测第n个样本为正例的概率。