CN106066998A - 基于Z‑score的车辆低速碰撞信号特征数据标准化处理方法 - Google Patents
基于Z‑score的车辆低速碰撞信号特征数据标准化处理方法 Download PDFInfo
- Publication number
- CN106066998A CN106066998A CN201610363632.3A CN201610363632A CN106066998A CN 106066998 A CN106066998 A CN 106066998A CN 201610363632 A CN201610363632 A CN 201610363632A CN 106066998 A CN106066998 A CN 106066998A
- Authority
- CN
- China
- Prior art keywords
- data
- score
- characteristic
- training
- characteristics data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Air Bags (AREA)
Abstract
基于Z‑score的车辆低速碰撞信号特征数据标准化处理方法,属于数据处理领域,用于解决由于碰撞信号提取的特征数据往往具有不同的量纲和量纲单位,导致不同的特征数据在数值上相差很大,对模型的性能影响大的问题,技术要点是:包括如下步骤:对训练特征数据中的每一个特征属性进行所有训练样例求均值;对训练特征数据中的每一个特征属性进行所有训练样例求标准差;对训练特征数据中的每个特征进行Z‑Score归一化处理;保存训练特征数据的均值和标准差参数;对新采集的特征数据进行Z‑Score归一化处理,其中均值和标准差仍然采用训练特征数据的均值和标准差。效果是:通过对数据进行归一化处理来消除车辆碰撞信号特征时间的量纲影响,以解决数据特征之间的可比性。
Description
技术领域
本发明属于数据处理领域,涉及一种车辆低速碰撞信号特征数据标准化处理方法。
背景技术
目前汽车的保有量每年在逐渐的增加,道路交通的不断规划使车辆的行驶速度有所提升,交通事故的发生率也在增加,汽车再发生碰撞后主要的理赔流程为:出险--报案--查勘--定损--核价--核损--核赔--支付,其中定损是根据保险公司所派的专业人员到现场进行勘察之后,根据损失的部位痕迹及程度进行现场初步定损,或者直接到修理厂、4S店、定损中心去定损。这不但耗费了大量的人力物力,而且在定损的过程中对定损员的专业要求较高,也不能完全避免在定损的过程中会有一些汽车内部零件无法判断,所以利用目前较为成熟的机器学习方法对汽车碰撞进行远程定损,不但可以解决人力物力的资源浪费,而且也可更快速更全面的对车辆零件损坏进行判定,所以对车辆低速碰撞远程定损具有重要的意义。在对低速行驶车辆远程定损过程中,主要是对车辆携带设备所采集的加速度、角速度(以下简称车辆行驶信号)等信号进行处理分析、学习判断,然而,对于其中的碰撞信号的特征数据处理过程中,或者在对车辆碰撞信号进行分析时,由于对信号提取的特征不同往往具有不同的量纲和量纲单位,如加速度的最值(以g为单位)与时间间隔(以s为单位),两个特征在数值上相差很大,所以如果不做任何处理就将特征数据输入到分类模型中进行训练,将会对模型的性能有很大的影响。
发明内容
为了解决由于碰撞信号提取的特征数据往往具有不同的量纲和量纲单位,导致不同的特征数据在数值上相差很大,对模型的性能影响大的问题,本发明提出了一种基于Z-score的车辆低速碰撞信号特征数据标准化处理方法,以对数据进行归一化处理来消除特征时间的量纲影响,以解决数据特征之间的可比性。
为了实现上述目的,本发明的技术方案是:
一种基于Z-score的车辆低速碰撞信号特征数据标准化处理方法,包括如下步骤:
步骤1:对训练特征数据中的每一个特征属性进行所有训练样例求均值;
步骤2:对训练特征数据中的每一个特征属性进行所有训练样例求标准差;
步骤3:对训练特征数据中的每个特征进行Z-Score归一化处理;
步骤4:保存训练特征数据的均值和标准差参数;
步骤5:对新采集的特征数据进行Z-Score归一化处理,其中均值和标准差仍然采用训练特征数据的均值和标准差;
所述训练特征数据为车辆低速碰撞信号特征数据,所述的低速是指0到30KM/H。
进一步的,所述步骤1中,训练特征数据的样例总共有n条,则训练特征数据均值的计算公式是:
其中:xi是训练特征数据。
进一步的,所述步骤2中:对n条训练特征数据中的每一个特征属性进行所有训练样例求标准差δ的计算公式是:
进一步的,所述步骤3中,对n条训练特征数据中的每个特征进行Z-Score归一化处理的计算公式是:
其中:x为原始的特征数据,xnew为归一化后的特征数据。
有益效果:在对车辆碰撞信号进行分析时,由于对信号提取的特征不同往往具有不同的量纲和量纲单位,如加速度的最值(以g为单位)与时间间隔(以s为单位),两个特征在数值上相差很大,所以如果不做任何处理就将特征数据输入到分类模型中进行训练,将会对模型的性能有很大的影响。本发明通过对数据进行归一化处理来消除车辆碰撞信号特征时间的量纲影响,以解决数据特征之间的可比性,本发明采用Z-score方法对车辆碰撞信号特征数据进行归一化,通过归一化后的特征数据都处于同一数量级,满足均值为0,方差为1的正态分布,适合进行综合对比分析。
附图说明
图1为本发明实施例2的所述方法的流程图。
具体实施方式
实施例1:一种基于Z-score的车辆低速碰撞信号特征数据标准化处理方法,其特征在于,包括如下步骤:
步骤1:对训练特征数据中的每一个特征属性进行所有训练样例求均值;
步骤2:对训练特征数据中的每一个特征属性进行所有训练样例求标准差;
步骤3:对训练特征数据中的每个特征进行Z-Score归一化处理;
步骤4:保存训练特征数据的均值和标准差参数;
步骤5:对新数据利用步骤3中的公式进行特征数据归一化,其中均值和标准差仍然采用训练数据的均值和标准差,采用训练特征数据的均值和标准差的原因主要有两点,一是新采集的特征如果只有1条,无法求取其均值和标准差,二是在进行测试的时候所采用的参数均应为训练模型时所产生的参数,这样测试数据在使用训练模型时更具有通用性。
所述训练特征数据为车辆低速碰撞信号特征数据,所述的低速是指0到30KM/H。
如权利要求1所述的基于Z-score的车辆低速碰撞信号特征数据标准化处理方法,其特征在于,所述步骤1中,训练特征数据的样例总共有n条,则训练特征数据均值的计算公式是:
其中:xi是训练特征数据。
如权利要求2所述的基于Z-score的车辆低速碰撞信号特征数据标准化处理方法,其特征在于,所述步骤2中:对n条训练特征数据中的每一个特征属性进行所有训练样例求标准差δ的计算公式是:
如权利要求3所述的基于Z-score的车辆低速碰撞信号特征数据标准化处理方法,其特征在于,所述步骤3中,对n条训练特征数据中的每个特征进行Z-Score归一化处理的计算公式是:
其中:x为原始的特征数据,xnew为归一化后的特征数据。
实施例2:
一种基于Z-score的车辆低速碰撞信号特征数据标准化处理方法,主要由以下步骤组成:
步骤1:对训练特征数据中的每一个特征属性进行所有训练样例求均值。假设训练样例总共有n条
步骤2:对n条训练特征数据中的每一个特征属性进行所有训练样例求标准差
其中:为步骤1中的均值
步骤3:对n条训练特征数据中的每个特征进行Z-Score归一化,公式如下
其中:x为原始的特征数据,xnew为归一化后的数据
步骤4:保存训练数据的均值和标准差参数
步骤5:对新数据利用步骤3中的公式进行特征数据归一化,其中均值和标准差仍然采用训练数据的均值和标准差,采用训练特征数据的均值和标准差的原因主要有两点,一是新采集的特征如果只有1条,无法求取其均值和标准差,二是在进行测试的时候所采用的参数均应为训练模型时所产生的参数,这样测试数据在使用训练模型时更具有通用性。
实施例3:
Z-score在车辆低速碰撞信号特征数据标准化处理过程中的应用,该应用具体表现形式如实施例1和实施例2中的技术方案所示。
以上所述,仅为本发明创造较佳的具体实施方式,但本发明创造的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内,根据本发明创造的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明创造的保护范围之内。
Claims (5)
1.一种基于Z-score的车辆低速碰撞信号特征数据标准化处理方法,其特征在于,包括如下步骤:
步骤1:对训练特征数据中的每一个特征属性进行所有训练样例求均值;
步骤2:对训练特征数据中的每一个特征属性进行所有训练样例求标准差;
步骤3:对训练特征数据中的每个特征进行Z-Score归一化处理;
步骤4:保存训练特征数据的均值和标准差参数;
步骤5:对新采集的特征数据进行Z-Score归一化处理,其中均值和标准差仍然采用训练特征数据的均值和标准差;
所述训练特征数据为车辆低速碰撞信号特征数据,所述的低速是指:0到30KM/H。
2.如权利要求1所述的基于Z-score的车辆低速碰撞信号特征数据标准化处理方法,其特征在于,所述步骤1中,训练特征数据的样例总共有n条,则训练特征数据均值的计算公式是:
其中:xi是训练特征数据。
3.如权利要求2所述的基于Z-score的车辆低速碰撞信号特征数据标准化处理方法,其特征在于,所述步骤2中:对n条训练特征数据中的每一个特征属性进行所有训练样例求标准差δ的计算公式是:
4.如权利要求3所述的基于Z-score的车辆低速碰撞信号特征数据标准化处理方法,其特征在于,所述步骤3中,对n条训练特征数据中的每个特征进行Z-Score归一化处理的计算公式是:
其中:x为原始的特征数据,xnew为归一化后的特征数据。
5.Z-score在车辆低速碰撞信号特征数据标准化处理过程中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610363632.3A CN106066998A (zh) | 2016-05-27 | 2016-05-27 | 基于Z‑score的车辆低速碰撞信号特征数据标准化处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610363632.3A CN106066998A (zh) | 2016-05-27 | 2016-05-27 | 基于Z‑score的车辆低速碰撞信号特征数据标准化处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106066998A true CN106066998A (zh) | 2016-11-02 |
Family
ID=57420314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610363632.3A Pending CN106066998A (zh) | 2016-05-27 | 2016-05-27 | 基于Z‑score的车辆低速碰撞信号特征数据标准化处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106066998A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779223A (zh) * | 2016-12-21 | 2017-05-31 | 创维互联(北京)新能源科技有限公司 | 一种光伏系统发电功率实时预测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509243A (zh) * | 2011-09-20 | 2012-06-20 | 河北中烟工业有限责任公司 | 卷烟制造过程质量评价方法及其系统 |
CN104462819A (zh) * | 2014-12-09 | 2015-03-25 | 国网四川省电力公司信息通信公司 | 一种基于密度聚类的局部离群点检测方法 |
CN104699702A (zh) * | 2013-12-09 | 2015-06-10 | 中国银联股份有限公司 | 数据挖掘及分类方法 |
CN105003249A (zh) * | 2015-08-06 | 2015-10-28 | 北京航空航天大学 | 一种基于总流量与电导探针阵列信号的水平井流型识别方法 |
CN105064993A (zh) * | 2015-08-06 | 2015-11-18 | 北京航空航天大学 | 一种基于电导探针阵列信息融合的垂直井含水率测量方法 |
CN105572572A (zh) * | 2015-12-19 | 2016-05-11 | 渤海大学 | 基于wknn-lssvm的模拟电路故障诊断方法 |
CN105608600A (zh) * | 2015-12-18 | 2016-05-25 | 焦点科技股份有限公司 | 一种对b2b卖家效果评估和优化方法 |
-
2016
- 2016-05-27 CN CN201610363632.3A patent/CN106066998A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509243A (zh) * | 2011-09-20 | 2012-06-20 | 河北中烟工业有限责任公司 | 卷烟制造过程质量评价方法及其系统 |
CN104699702A (zh) * | 2013-12-09 | 2015-06-10 | 中国银联股份有限公司 | 数据挖掘及分类方法 |
CN104462819A (zh) * | 2014-12-09 | 2015-03-25 | 国网四川省电力公司信息通信公司 | 一种基于密度聚类的局部离群点检测方法 |
CN105003249A (zh) * | 2015-08-06 | 2015-10-28 | 北京航空航天大学 | 一种基于总流量与电导探针阵列信号的水平井流型识别方法 |
CN105064993A (zh) * | 2015-08-06 | 2015-11-18 | 北京航空航天大学 | 一种基于电导探针阵列信息融合的垂直井含水率测量方法 |
CN105608600A (zh) * | 2015-12-18 | 2016-05-25 | 焦点科技股份有限公司 | 一种对b2b卖家效果评估和优化方法 |
CN105572572A (zh) * | 2015-12-19 | 2016-05-11 | 渤海大学 | 基于wknn-lssvm的模拟电路故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
周友行等: ""批量钻削监测信号双谱特征融合研究及应用"", 《机械工程学报》 * |
张志坚等: ""基于多变量多项式模型的多模态生物特征分数层融合算法"", 《中国科学技术大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779223A (zh) * | 2016-12-21 | 2017-05-31 | 创维互联(北京)新能源科技有限公司 | 一种光伏系统发电功率实时预测方法及装置 |
CN106779223B (zh) * | 2016-12-21 | 2020-10-27 | 创维互联(北京)新能源科技有限公司 | 一种光伏系统发电功率实时预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104802737B (zh) | 一种基于手机的车辆异常驾驶行为检测方法 | |
CN105976449A (zh) | 车辆远程自动定损碰撞检测方法及系统 | |
CN106066907B (zh) | 基于多零件多模型判断的定损分等级方法 | |
CN108877213B (zh) | 交通事故的识别方法及系统 | |
Karimi et al. | Signal reconstruction, modeling and simulation of a vehicle full-scale crash test based on Morlet wavelets | |
CN105512358A (zh) | 基于cae仿真技术的汽车碰撞事故定损方法 | |
Cooper | Commercial vehicle aerodynamic drag reduction: historical perspective as a guide | |
Pitanuwat et al. | An investigation of fuel economy potential of hybrid vehicles under real-world driving conditions in Bangkok | |
CN103606272B (zh) | 一种基于客流量的快速公交到站时刻预测方法 | |
CN104833535A (zh) | 一种铁道车辆车轮踏面擦伤的检测方法 | |
CN105427620A (zh) | 一种基于出租车运行数据的非法营运车辆识别方法 | |
Zolali et al. | A behavioral model of drivers’ mean speed influenced by weather conditions, road geometry, and driver characteristics using a driving simulator study | |
CN107529659A (zh) | 安全带佩戴检测方法、装置及电子设备 | |
US9665995B2 (en) | Method and system for performing crash analysis of one or more vehicles | |
CN112356849A (zh) | 一种危险驾驶的预警方法及装置 | |
CN108920757A (zh) | 一种基于计算机仿真的汽车碰撞事故再现方法 | |
Yu et al. | The benefit of simulation test application on the development of autonomous driving system | |
CN106066998A (zh) | 基于Z‑score的车辆低速碰撞信号特征数据标准化处理方法 | |
CN106021639A (zh) | 基于cae仿真分析结果的受损零件损伤判断和分类方法及维修工时预估方法 | |
CN108898857A (zh) | 一种考虑安全可靠性的交叉口机动车绿灯间隔设置方法 | |
CN105320812A (zh) | 一种cae行人保护头部碰撞中包边胶和膨胀胶材料的检测方法 | |
CN111047142B (zh) | 一种基于层次分析法的汽车评分方法及系统 | |
Zheng et al. | A novel set of driving style risk evaluation index system for UBI-based differentiated commercial vehicle insurance in China | |
CN105303837A (zh) | 一种检测驾驶人跟驰行为特性参数的方法及系统 | |
CN115497303A (zh) | 一种复杂检测条件下的高速公路车速检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161102 |