CN106067035A - 基于人工智能有监督学习决策树方法建立不同车型分目标远程定损系统及方法 - Google Patents

Abstract

基于人工智能有监督学习决策树方法建立不同车型分目标远程定损系统及方法,属于车辆定损领域，为了解决车辆碰撞后，对于碰撞后的碰撞车辆的目标检测的问题，技术要点是：目标检测子系统,判断车辆发生碰撞的对象,所述目标检测子系统对目标训练数据进行学习从而生成目标模型，所述目标模型建立使用智能有监督学习决策树方法。有益效果：上述技术方案，可以实现对于车辆碰撞的目标检测，在远程定损的这个技术领域使用了机器学习的方法，针对的机器学习方法，在定损过程中，判别的准确率上得以提升。

Description

基于人工智能有监督学习决策树方法建立不同车型分目标远 程定损系统及方法

技术领域

本发明属于车辆定损领域，涉及基于人工智能有监督学习决策树方法建立不同车型分目标远程定损系统及方法。

背景技术

针对车辆在低速运动(包括低速道路行驶、车辆停靠等)过程中频发碰撞事故而导致的理赔纠纷问题，远程定损技术通过采集车辆行驶过程中的多种信号(如速度、加速度、角速度、声音等)并用信号处理和机器学习技术加以分析，以判断碰撞是否发生以及碰撞后车辆的损毁情况。

车辆发生碰撞事故后，前端设备能够检测出碰撞的发生并截取碰撞过程的信号，通过无线网络发送至云端，远程服务器从收到的信号中抽取出事先设计的特征值，用机器学习算法进行分析，先判断碰撞数据的准确性，再判断碰撞物体和工况情况，以确定碰撞数据集对什么零件产生了哪种等级的损伤，然后根据零件损伤等级计算出参考理赔金额并发送至保险公司。这期间会涉及对于车型、工况、目标、零件和区域的检测。

发明内容

为了解决车辆碰撞后，对于碰撞后的碰撞车辆的目标检测的问题，本发明提出了一种基于人工智能有监督学习决策树方法建立不同车型分目标远程定损系统，以实现定损过程中的目标检测和判断。

为了解决上述技术问题，本发明提供的技术方案的要点是：一种基于人工智能有监督学习决策树方法建立不同车型分目标远程定损系统，包括：

车型选择子系统，选择车辆所对应的车型数据作为总数据集；

数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；

碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型，所述碰撞模型建立使用智能有监督学习决策树方法；

工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型，所述工况模型建立使用智能有监督学习决策树方法；

目标检测子系统,判断车辆发生碰撞的对象,所述目标检测子系统对目标训练数据进行学习从而生成目标模型，所述目标模型建立使用智能有监督学习决策树方法。

有益效果：上述技术方案，可以实现对于车辆碰撞的目标检测，在远程定损的这个技术领域使用了机器学习的方法，针对的机器学习方法，在定损过程中，判别的准确率上得以提升；本发明通过选择车型来导入该车型所对应的数据，而数据分类则是为了模型训练和测试的目的而加入的步骤；目标的检测是该方案实现的目的，是经过一系列操作所要得到的结果。

附图说明

图1为本发明所述的系统的结构示意框图。

具体实施方式

为了对本发明作出更为清楚的解释，下面对本发明涉及的技术术语作出定义：

工况：碰撞角度、方向、目标、区域等全体碰撞信息；

车型：汽车型号；

目标：碰撞目标；

区域：碰撞位置；

零件：汽车零件；

工况检测：检测本车碰撞角度、方向、目标、区域等全体碰撞信息；

车型检测：检测与本车发生碰撞的汽车型号；

目标检测：检测本车碰撞目标；

区域检测：检测本车碰撞位置；

零件检测：检测本车汽车零件。

实施例1：

一种基于人工智能有监督学习决策树方法建立不同车型分目标远程定损系统，包括：

车型选择子系统，选择车辆所对应的车型数据作为总数据集；

数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；

碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型，所述碰撞模型建立使用智能有监督学习决策树方法；

工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型，所述工况模型建立使用智能有监督学习决策树方法；

目标检测子系统,判断车辆发生碰撞的对象,所述目标检测子系统对目标训练数据进行学习从而生成目标模型，所述目标模型建立使用智能有监督学习决策树方法。

所述碰撞检测子系统包括，碰撞训练模块、碰撞测试模块、碰撞验证模块，所述碰撞训练模块用于对碰撞训练数据进行学习从而生成碰撞模型，碰撞测试模块用于将碰撞测试数据带入碰撞模型中检测碰撞模型的结果，碰撞验证模块使用真实跑车数据验证碰撞模型的可靠性和准确率；

所述工况检测子系统包括，工况训练模块、工况测试模块、工况验证模块，所述工况训练模块用于对工况训练数据进行学习从而生成工况模型，所述工况测试模块用于将工况测试数据带入模型中检测工况模型的结果，工况验证模块使用真实跑车数据验证工况模型的可靠性和准确率；

所述目标检测子系统包括，目标训练模块、目标测试模块、目标验证模块，所述目标训练模块用于将目标训练数据进行学习从而生成目标模型，目标测试模块用于将目标测试数据带入模型中检测目标模型的结果，目标验证模块使用真实跑车数据验证目标模型的可靠性和准确率。

所述智能有监督学习决策树方法包括：

S1.如果Examples都为正，那么返回label＝+的单结点树Root；

S2.如果Examples都为反，那么返回label＝+的单结点树Root；

S3.如果Attributes为空，那么返回单结点树Root，label＝Examples中最普遍的Target_attribute的值；

S4.否则开始：

S4.1.A为Attributes中分类Examples能力最好的属性；

S4.2.A也为Root的决策属性；

S4.3.对于A的每个可能值vi；

S4.3.1.在Root下加一个新的分支对应测试A＝vi；

S4.3.2.令Examplesvi为Examples中满足A属性值为vi的子集；

S4.3.3.如果Examplesvi为空；

S4.3.4.在这个新分支下加一个叶子结点，结点的label＝Examples中最普遍的Target_attribute值；

S4.3.5.否则在这个新分支下加一个子树

ID3(Examplesvi,Target_attribute,Attributes-{A})；

S5.结束；

S6.返回Root；

其中：Examples为训练样例集，Target_attribute是决策树要测试的目标属性，Attributes是除目标属性外供学习到的决策树测试的属性列表，返回一棵能正确分类给定Examples的决策树。

实施例2：

一种基于人工智能有监督学习决策树方法建立不同车型分目标远程定损方法，包括以下步骤：

步骤一.选择车辆所对应的车型数据作为总数据集；

步骤二.读取CAE仿真数据和实车数据，并相应对数据进行分类；

步骤三.判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型，所述碰撞模型建立使用智能有监督学习决策树方法；

步骤四.判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型，所述工况模型建立使用智能有监督学习决策树方法；

步骤五.判断车辆发生碰撞的对象，所述目标检测子系统对目标训练数据进行学习从而生成目标模型，所述目标模型建立使用智能有监督学习决策树方法。

具体步骤是：

步骤三包括：

S3.1.使用碰撞检测子系统对CAE碰撞仿真数据处理，再对其进行分类以产生碰撞训练数据和碰撞测试数据；

S3.2.在碰撞训练模块中对碰撞训练数据进行学习并产生碰撞模型，来模拟碰撞训练数据的效果；

S3.3.在碰撞测试模块中使用碰撞测试数据来测试碰撞模型的结果；

S3.4.使用真实跑车数据作为碰撞验证数据并带入碰撞验证模块，来验证碰撞模型的准确性；

步骤四包括：

S4.1.使用工况检测子系统对CAE工况仿真数据处理，再对其进行分类产生工况训练数据和工况测试数据；

S4.2.在工况训练模块中对工况训练数据进行学习并产生工况模型，来模拟工况训练数据的效果；

S4.3.在工况测试模块中使用工况测试数据来测试工况模型的结果；

S4.4.使用真实跑车数据作为工况验证数据并带入工况验证模块，来验证工况模型的准确性；

步骤五包括：

S1.使用目标检测子系统处理CAE损伤仿真数据处理，再对其进行分类产生损伤判断训练数据和损伤判断测试数据；

S2.在目标训练模块中对损伤判断训练数据进行学习并产生损伤模型，来模拟目标训练数据的效果；

S3.在目标测试模型中使用损伤判断测试数据来测试目标判断模型的结果；

S4.使用真实跑车数据作为目标验证数据并带入目标验证模块，来验证目标判断模型的准确性。

本实施例使用有监督学习之决策树方法建立数学模型，决策树学习是一种逼近离散值目标函数的方法，在这种方法中学习到的函数被表示为一棵决策树。

决策树通过把实例从艮节点排列到某个叶子结点来分类实例，叶子结点即为实例所属的分类。树上的每一个结点指定了对实例的某个属性的测试，并且该结点的每一个后继分支对应于该属性的一个可能值。分类实例的方法是从这棵树的 根节点开始，测试这个结点的属性，然后按照给定实例的属性值对应的树枝向下移动，然后这个过程在以新结点的根的子树上重复。

决策树对应表达

(Outlook＝Sunny∧Humidity＝Normal)∨(Outlook＝Overcast)∨(Outlook＝Rain∧Wind＝Weak)

使用统计测试来确定每一个实例属性单独分类训练样例的能力。分类能力最好的属性被选作树的根结点的测试。然后为根节点属性的每个可能值产生一个分支，并把训练样例排列到适当的分支之下。然后重复整个过程，用每个分支结点关联的训练样例来选取在该点被测试的最佳属性。这形成了对合格决策树的贪婪搜索(greedysearch)，也就是算法从不回溯重新考虑原来的选择。

ID3(Examples,Target_attribute,Attributes)，本实施例的智能有监督学习决策树方法包括：

S1.如果Examples都为正，那么返回label＝+的单结点树Root；

S2.如果Examples都为反，那么返回label＝+的单结点树Root；

S3.如果Attributes为空，那么返回单结点树Root，label＝Examples中最普遍的Target_attribute的值；

S4.否则开始：

S4.1.A为Attributes中分类Examples能力最好的属性；

S4.2.A也为Root的决策属性；

S4.3.对于A的每个可能值vi；

S4.3.1.在Root下加一个新的分支对应测试A＝vi；

S4.3.2.令Examplesvi为Examples中满足A属性值为vi的子集；

S4.3.3.如果Examplesvi为空；

S4.3.4.在这个新分支下加一个叶子结点，结点的label＝Examples中最普遍的Target_attribute值；

S4.3.5.否则在这个新分支下加一个子树

ID3(Examplesvi,Target_attribute,Attributes-{A})；

S5.结束；

S6.返回Root；

其中：Examples为训练样例集，Target_attribute是决策树要测试的目标属性，Attributes是除目标属性外供学习到的决策树测试的属性列表，返回一棵能正确分类给定Examples的决策树。

实施例3：

具有与实施例1或2相同的技术方案，更为具体的是：

上述方案中的总体数据集：全部是CAE仿真数据和跑车数据；分为三份如下

1.训练数据集：是用来训练模型或确定模型参数(CAE仿真数据和跑车数据)。

2.验证数据集：是用来做模型选择(modelselection)，即做模型的最终优化及确定的(CAE仿真数据和跑车数据)。

3.测试数据集：则纯粹是为了测试已经训练好的模型的推广能力。(CAE仿真数据和跑车数据)。

本实施例中还对定损过程中涉及的滤波、加权选取、特征提取、归一化、特征变换作出了说明。

1.滤波器技术：已实现的滤波方法包括FIR滤波、FIR切比雪夫逼近法、切比雪夫滤波、巴特沃兹滤波等，在主程序的Filtering.m文件实现。各滤波器均为常见的滤波器，Matlab都有相应的函数实现，具体算法可参考信号处理专业书籍。此处给出FIR滤波器的内容和流程的介绍。

有限冲击响应数字滤波器(FIR，FiniteImpulseResponse)是一种全零点的系统，FIR滤波器的设计在保证幅度特性满足技术要求的同事，很容易做到严格的线性相位特性，所以据有稳定和线性相位特性是FIR滤波器的突出优点。切比雪夫逼近法是一种等波纹逼近法，能够使误差频带均匀分布，对同样的技术指标，这种比肩发需要的滤波器阶数低，对于同样阶数的滤波器，这种逼近法最大误差最小，其设计的主要步骤如下：

步骤1：滤波器参数的设置

滤波器的参数包括：通带截止频率、阻带截止频率、通带最大衰减和阻带最小衰减；

步骤2：设置在通带和阻带上理想的幅频响应

步骤3：给定在通带截止频率和阻带截止频率点上的加权

步骤4：利用方程计算切比雪夫逼近法滤波器系数

步骤5：保存系数

步骤6：提取系数进行数据滤波

其中：滤波器参数的设置是为了保证信号在进行处理的过程中不会出现失真现象，滤波后的信号的截止频率和采样频率需要满足奈奎斯特定理，也就是在滤波后信号的最高频率不能超过原信号采样频率的1/2，否则就会出现漏频现象。根据目前项目中的信号采集板的采样频率主要是50Hz和1KHz，以50Hz为例根据公式F_截止<50/2，故选择滤波器截止频率在25以下。

2.特征提取技术：特征抽取是在碰撞信号上进行的。判断碰撞使用的特征包括窗口内加速度绝对值的最大值、窗口内加速度最大值与最小值之间的差值、窗口内加速度的平均能量(窗口内所有点的加速度的平方和除以点数)、窗口内各点斜率的绝对值的平均值。

判断零件种类所使用的特征包括速度、加速度最大值到最小值之间的平均能量、最大值和最小值之间的幅值/两者之间的宽度、加速度最大值、加速度最小值、最大值所在半波的宽度、最小值所在半波的宽度、最大值和最小值之间的差值、最大值到最小值之间的跨度、各点斜率的绝对值的平均值、信号进行傅立叶变换后0～38频率范围内的信号的各个频率分量的幅值。

3.归一化技术：为了消除特征之间的量纲或数量级不同而对分类任务造成的不利影响，需要对特征数据进行归一化处理，使得各特征值之间具有可比性，避免数值较大的特征淹没数值较小的特征。原始的特征数据经过归一化处理后，各特征处于相同的值域范围。由于Z-Score的性能表现更好，使用Z-Score做为归一化方法。

4.特征变换技术：在特征较多的情况下，为了消除特征之间的相关性并减少冗余特征，需要对特征进行变换，用尽可能少的新特征来反映样本信息。在实验样本较少的情况下(本项目的实际情况)降低过多的特征维数，还能在一定程度上避免过拟合或欠拟合的发生。根据实际需要，目前已实现的特征变换是PCA。通过实验发现，PCA对于提高本项目的分类性能并无帮助，甚至还有所下降，这是由于目前所使用的特征较少，没有冗余特征，因此暂不使用PCA，但是随着后续特征的逐步增加，不排除以后使用PCA的可能性。

附图1中，记载的：车型选择即为本发明中的车型选择子系统；数据分类模块即为本发明中的数据分类子系统；碰撞判断模块即为本发明中的碰撞检测子系统；工况检测模块即为本发明的工况检测子系统；车型检测模块即为本发明的车型检测子系统；零件检测模块即零件检测子系统；目标检测模块即为本发明的目标检测子系统，区域检测模块即为本发明的区域检测子系统。

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 (6)

1.一种基于人工智能有监督学习决策树方法建立不同车型分目标远程定损系统，其特征在于，包括：

车型选择子系统，选择车辆所对应的车型数据作为总数据集；

数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；

碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型，所述碰撞模型建立使用智能有监督学习决策树方法；

工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型，所述工况模型建立使用智能有监督学习决策树方法；

目标检测子系统,判断车辆发生碰撞的对象,所述目标检测子系统对目标训练数据进行学习从而生成目标模型，所述目标模型建立使用智能有监督学习决策树方法。

2.如权利要求1所述的基于人工智能有监督学习决策树方法建立不同车型分目标远程定损系统，其特征在于，

所述碰撞检测子系统包括，碰撞训练模块、碰撞测试模块、碰撞验证模块，所述碰撞训练模块用于对碰撞训练数据进行学习从而生成碰撞模型，碰撞测试模块用于将碰撞测试数据带入碰撞模型中检测碰撞模型的结果，碰撞验证模块使用真实跑车数据验证碰撞模型的可靠性和准确率；

所述工况检测子系统包括，工况训练模块、工况测试模块、工况验证模块，所述工况训练模块用于对工况训练数据进行学习从而生成工况模型，所述工况测试模块用于将工况测试数据带入模型中检测工况模型的结果，工况验证模块使用真实跑车数据验证工况模型的可靠性和准确率；

所述目标检测子系统包括，目标训练模块、目标测试模块、目标验证模块，所述目标训练模块用于将目标训练数据进行学习从而生成目标模型，目标测试模块用于将目标测试数据带入模型中检测目标模型的结果，目标验证模块使用真实跑车数据验证目标模型的可靠性和准确率。

3.如权利要求1或2基于人工智能有监督学习决策树方法建立不同车型分目标远程定损系统，其特征在于，所述智能有监督学习决策树方法包括：

S1.如果Examples都为正，那么返回label＝+的单结点树Root；

S2.如果Examples都为反，那么返回label＝+的单结点树Root；

S3.如果Attributes为空，那么返回单结点树Root，label＝Examples中最普遍的Target_attribute的值；

S4.否则开始：

S4.1.A为Attributes中分类Examples能力最好的属性；

S4.2.A也为Root的决策属性；

S4.3.对于A的每个可能值vi；

S4.3.1.在Root下加一个新的分支对应测试A＝vi；

S4.3.2.令Examples vi为Examples中满足A属性值为vi的子集；

S4.3.3.如果Examples vi为空；

S4.3.4.在这个新分支下加一个叶子结点，结点的label＝Examples中最普遍的Target_attribute值；

S4.3.5.否则在这个新分支下加一个子树ID3(Examplesvi,Target_attribute,Attributes-{A})；

S5.结束；

S6.返回Root；

其中：Examples为训练样例集，Target_attribute是决策树要测试的目标属性，Attributes是除目标属性外供学习到的决策树测试的属性列表，返回一棵能正确分类给定Examples的决策树。

4.一种基于人工智能有监督学习决策树方法建立不同车型分目标远程定损方法，其特征在于，包括以下步骤：

步骤一.选择车辆所对应的车型数据作为总数据集；

步骤二.读取CAE仿真数据和实车数据，并相应对数据进行分类；

步骤三.判断车辆在行车过程中是否发生碰撞；对碰撞训练数据进行学习从而生成碰撞模型，所述碰撞模型建立使用智能有监督学习决策树方法；

步骤四.判断碰撞发生的所有工况信息；对工况训练数据进行学习从而生成工况模型，所述工况模型建立使用智能有监督学习决策树方法；

步骤五.判断车辆发生碰撞的对象，对目标训练数据进行学习从而生成目标模型，所述目标模型建立使用智能有监督学习决策树方法。

5.如权利要求4所述的基于人工智能有监督学习决策树方法建立不同车型分目标远程定损方法，其特征在于，具体步骤是：

步骤三包括：

S3.1.使用碰撞检测子系统对CAE碰撞仿真数据处理，再对其进行分类以产生碰撞训练数据和碰撞测试数据；

S3.2.在碰撞训练模块中对碰撞训练数据进行学习并产生碰撞模型，来模拟碰撞训练数据的效果；

S3.3.在碰撞测试模块中使用碰撞测试数据来测试碰撞模型的结果；

S3.4.使用真实跑车数据作为碰撞验证数据并带入碰撞验证模块，来验证碰撞模型的准确性；

步骤四包括：

S4.1.使用工况检测子系统对CAE工况仿真数据处理，再对其进行分类产生工况训练数据和工况测试数据；

S4.2.在工况训练模块中对工况训练数据进行学习并产生工况模型，来模拟工况训练数据的效果；

S4.3.在工况测试模块中使用工况测试数据来测试工况模型的结果；

S4.4.使用真实跑车数据作为工况验证数据并带入工况验证模块，来验证工况模型的准确性；

步骤五包括：

S1.使用目标检测子系统处理CAE损伤仿真数据处理，再对其进行分类产生损伤判断训练数据和损伤判断测试数据；

S2.在目标训练模块中对损伤判断训练数据进行学习并产生损伤模型，来模拟目标训练数据的效果；

S3.在目标测试模型中使用损伤判断测试数据来测试目标判断模型的结果；

S4.使用真实跑车数据作为目标验证数据并带入目标验证模块，来验证目标判断模型的准确性。

6.如权利要求4或5所述的基于人工智能有监督学习决策树方法建立不同车型分目标远程定损方法，其特征在于，所述智能有监督学习决策树方法：

S1.如果Examples都为正，那么返回label＝+的单结点树Root；

S2.如果Examples都为反，那么返回label＝+的单结点树Root；

S3.如果Attributes为空，那么返回单结点树Root，label＝Examples中最普遍的Target_attribute的值；

S4.否则开始：

S4.1.A为Attributes中分类Examples能力最好的属性；

S4.2.A也为Root的决策属性；

S4.3.对于A的每个可能值vi；

S4.3.1.在Root下加一个新的分支对应测试A＝vi；

S4.3.2.令Examples vi为Examples中满足A属性值为vi的子集；

S4.3.3.如果Examples vi为空；

S4.3.4.在这个新分支下加一个叶子结点，结点的label＝Examples中最普遍的Target_attribute值；

S4.3.5.否则在这个新分支下加一个子树ID3(Examplesvi,Target_attribute,Attributes-{A})；

S5.结束；

S6.返回Root；

其中：Examples为训练样例集，Target_attribute是决策树要测试的目标属性，Attributes是除目标属性外供学习到的决策树测试的属性列表，返回一棵能正确分类给定Examples的决策树。