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

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

基于Z-score的车辆低速碰撞信号特征数据标准化处理方法

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：

$\stackrel{\‾}{x}=\underset{i=1}{\overset{n}{\Σ}}{x}_i$

其中：x_i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：

$\mathrm{\δ}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2}$

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：

$x_{new}=\frac{x-\stackrel{\‾}{x}}{\mathrm{\δ}}$

其中：x为原始的特征数据，x_new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：

$\stackrel{\‾}{x}=\underset{i=1}{\overset{n}{\Σ}}{x}_i$

其中：x_i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：

$\mathrm{\δ}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2}$

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：

$x_{new}=\frac{x-\stackrel{\‾}{x}}{\mathrm{\δ}}$

其中：x为原始的特征数据，x_new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

$\stackrel{\‾}{x}=\underset{i=1}{\overset{n}{\Σ}}{x}_i$

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

$\mathrm{\δ}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2}$

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

$x_{new}=\frac{x-\stackrel{\‾}{x}}{\mathrm{\δ}}$

其中：x为原始的特征数据，x_new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：

$\stackrel{\‾}{x}=\underset{i=1}{\overset{n}{\Σ}}{x}_i$

其中：x_i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：

$\mathrm{\δ}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2}.$

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：

$x_{new}=\frac{x-\stackrel{\‾}{x}}{\mathrm{\δ}}$

其中：x为原始的特征数据，x_new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。