CN108537914A - 公共自行车故障诊断方法 - Google Patents

Abstract

公共自行车故障诊断方法，包括：步骤1.确定自行车变量及故障类型；步骤2.生成自行车属性集；步骤3.确定故障诊断方法；4.确定属性对类的贡献；5.确定评价指标。本发明通过贝叶斯分类器对待诊断的自行车属性进行分类，分析结果，判断自行车是否存在故障。模型能够在最短的时间内查找故障自行车，提高故障自行车诊断的效率，并且通过不断地学习提升诊断正确率，对公共自行车的发展具有重要的指导意义。

Description

公共自行车故障诊断方法

技术领域

本发明涉及一种公共自行车用户故障车快速诊断方法，属于智能交通领域。

背景技术

公共自行车系统承担着重要的城市短程交通任务，可以有效解决公共汽车交通的“最后一公里”难题，提升城市交通的整体服务水平。公共自行车系统自从在全国范围内推行以来，作为一种绿色交通方式,以其方便、快捷、低价的公共交通特征，节能、环保、健康的优点，越来越受到人们的青睐。在为广大市民和游客带来出行方便的同时，也存在着一些局限，例如现有公共自行车没有安装车载检测传感器，而且流动及停放区域较大，管理部门无法及时发现自行车故障。

发明内容

为了解决无法及时发现故障自行车的问题，本发明提出了基于朴素贝叶斯分类器的自行车故障诊断方法。

本发明通过分析PBS租用记录、维修记录、用户报修和用户评价，选取15个属性变量作为自行车故障检测的实验数据；根据朴素贝叶斯分类器后验概率，获取每个属性对类的贡献率；以召回率作为评价指标来预测诊断故障自行车。

本发明的公共自行车故障诊断方法，

方法具体步骤如下：

1.确定自行车变量及故障类型；

选取三类因素共15个属性变量作为自行车故障检测的实验数据，如表1所示。

表1 PBS单个服务点属性变量类型(Table 1 PBS single service stationattribute variable type)

PBS预测结果分为两类，分别为正常车和故障车，即故障类型C{C₁，C₂}。

2.生成公共自行车属性集；

在步骤1确定的合理范围内，生成自行车属性变量观测值的集合集合，记为X＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇,X₈,X₉,X₁₀,X₁₁,X₁₂,X₁₃,X₁₄,X₁₅}。每一个属性变量X_i有若干个值，x_i表示属性变量X_i对应的值。

3.确定故障诊断方法；

对于一个数据样本，其对应的分类值c_t的概率表示为

求每个分类值后验概率时，属性值x₁,x₂,…x₁₅均不变，即分母保持不变。将其表示为常数，从而将式(1)简化成

根据各属性之间相互独立的特点，式(2)可以简化成

这样，只需要计算每一个分类值C_t下单个属性的条件概率P(x_i|C_t)即可。

式中：N为所有训练样本的频数和；为故障类型C_t对应样本频数；为故障类型C_t且属性变量X_i值为x_i的样本频数。

如果某些属性变量的数据缺失，这一类的条件概率就等于零,则整个类的后验概率就等于零。将无法通过式(5)得到准确的结果。因此，假设每个属性都已经出现了一次。对公式(5)使用拉普拉斯平滑方法，在分子上加1，为了使概率和为1，在分母上加上M,则可得公式(6)。

将公式(4)和(6)带入公式(3)，可得如下:

利用式(7)进行计算，选取最大值对应的故障类型作为潜在的故障诊断的结果。

4.确定属性对类的贡献；

为了量化每个属性对分类的贡献，定义属性对类的贡献率C的贡献率，C表示在只考虑X_i在的情况下C₁和C₂后验概率差值的平方。

其中，x_j是属性X_i中的第j个具体值(0<j<t)。根据概率可知0<Q(X_i)<1，Q(X_i)越大，X_i对分类的贡献越多。当Q(X_i)接近于0，表明属性X_i对分类贡献很少或者没有贡献，应该去除。

5.确定评价指标；

自行车故障判定问题常用的评价指标是精确率和召回率。对数据集的预测结果或者正确或者不正确，共有4种情况，混淆矩阵如表2所示。

表2预测评价指标(Table 2 Prediction and evaluation index)

召回率表示样本中的故障车有多少被预测正确了。有两种可能，一种是把原来的故障车预测成故障车(TP)，另一种就是把原来的故障车预测为正常车(FN)。

自行车的故障检测需要很高的召回率，预测结果以召回率为标准。

本发明运用朴素贝叶斯分类器实现公共自行车故障诊断，主要包括三个阶段的工作：

第一阶段为准备工作阶段。通过TCP协议获取服务点及用户app上传的用户租用数据，如果租用时长小于预设值，对数据进行预处理，整理出自行车的属性向量。

第二阶段为分类器训练阶段。计算每个类别在训练样本中出现的频率及每个特征属性划分对每个类别的条件概率估计。

第三阶段为完成公共自行车故障检测。通过贝叶斯分类器对待诊断的自行车属性进行分类，分析结果，判断自行车是否存在故障。模型能够在最短的时间内查找故障自行车，提高故障自行车诊断的效率，并且通过不断地学习提升诊断正确率，对公共自行车的发展具有重要的指导意义。

本发明的优点是：

1.解决了发现故障车的主要靠用户主动报修和工作人员巡检，利用网络化大数据及贝叶斯分类器技术给PBS故障车诊断带来了新途径题。

2.针对公共自行车结构简单、传感器少的不足等问题将公共自行车系统的海量历史营运数据应用于公共自行车故障检修。

附图说明

图1是本发明的流程图。

具体实施方式

下面结合附图，进一步说明本发明的技术方案。

本发明所述的公共自行车故障诊断方法，具体步骤包括：

1.确定自行车变量及故障类型

选取三类因素共15个属性变量作为自行车故障检测的实验数据，如表1所示。

表1 PBS单个服务点属性变量类型(Table 1 PBS single service stationattribute variable type)

PBS预测结果分为两类，分别为正常车和故障车，即故障类型C{C₁，C₂}。

2.生成公共自行车属性集

在步骤1确定的合理范围内，生成自行车属性变量观测值的集合集合，记为X＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇,X₈,X₉,X₁₀,X₁₁,X₁₂,X₁₃,X₁₄,X₁₅}。每一个属性变量X_i有若干个值，x_i表示属性变量X_i对应的值。

3.故障诊断方法

对于一个数据样本，其对应的分类值c_t的概率表示为

求每个分类值后验概率时，属性值x₁,x₂,…x₁₅均不变，即分母保持不变。将其表示为常数，从而将式(1)简化成

根据各属性之间相互独立的特点，式(2)可以简化成

这样，只需要计算每一个分类值C_t下单个属性的条件概率P(x_i|C_t)即可。

式中：N为所有训练样本的频数和；为故障类型C_t对应样本频数；为故障类型C_t且属性变量X_i值为x_i的样本频数。

如果某些属性变量的数据缺失，这一类的条件概率就等于零,则整个类的后验概率就等于零。将无法通过式(5)得到准确的结果。因此，假设每个属性都已经出现了一次。对公式(5)使用拉普拉斯平滑方法，在分子上加1，为了使概率和为1，在分母上加上M(M＝16),则可得公式(6)。

将公式(4)和(6)带入公式(3)，可得如下:

利用式(7)进行计算，选取最大值对应的故障类型作为潜在的故障诊断的结果。

4.属性对类的贡献

为了量化每个属性对分类的贡献，定义属性对类的贡献率C的贡献率，C表示在只考虑X_i在的情况下C₁和C₂后验概率差值的平方。

其中，x_j是属性X_i中的第j个具体值(0<j<t)。根据概率可知0<Q(X_i)<1，Q(X_i)越大，X_i对分类的贡献越多。当Q(X_i)接近于0，表明属性X_i对分类贡献很少或者没有贡献，应该去除。

5.评价指标

自行车故障判定问题常用的评价指标是精确率和召回率。对数据集的预测结果或者正确或者不正确，共有4种情况，混淆矩阵如表2所示。

表2预测评价指标(Table 2 Prediction and evaluation index)

召回率表示样本中的故障车有多少被预测正确了。有两种可能，一种是把原来的故障车预测成故障车(TP)，另一种就是把原来的故障车预测为正常车(FN)。

自行车的故障检测需要很高的召回率，预测结果以召回率为标准。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.公共自行车故障诊断方法，包括如下步骤：

步骤1.确定自行车变量及故障类型；

选取三类因素共15个属性变量作为自行车故障检测的实验数据，如表1所示；

表1 PBS单个服务点属性变量类型

PBS预测结果分为两类，分别为正常车和故障车，即故障类型C{C₁，C₂}；

步骤2.生成自行车属性集；

在步骤1确定的合理范围内，生成自行车属性变量观测值的集合集合，记为X＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇,X₈,X₉,X₁₀,X₁₁,X₁₂,X₁₃,X₁₄,X₁₅}；每一个属性变量X_i有若干个值，x_i表示属性变量X_i对应的值；

步骤3.确定故障诊断方法；

对于一个数据样本，其对应的分类值c_t的概率表示为

求每个分类值后验概率时，属性值x₁,x₂,…x₁₅均不变，即分母保持不变；将其表示为常数，从而将式(1)简化成

根据各属性之间相互独立的特点，式(2)可以简化成

这样，只需要计算每一个分类值C_t下单个属性的条件概率P(x_i|C_t)即可；

式中：N为所有训练样本的频数和；为故障类型C_t对应样本频数；为故障类型C_t且属性变量X_i值为x_i的样本频数；

如果某些属性变量的数据缺失，这一类的条件概率就等于零,则整个类的后验概率就等于零；对公式(5)使用拉普拉斯平滑方法，在分子上加1，为了使概率和为1，在分母上加上M,则可得公式(6)；

将公式(4)和(6)带入公式(3)，可得如下:

利用式(7)进行计算，选取最大值对应的故障类型作为潜在的故障诊断的结果；

4.确定属性对类的贡献；

为了量化每个属性对分类的贡献，定义属性对类的贡献率C的贡献率，C表示在只考虑X_i在的情况下C₁和C₂后验概率差值的平方；

其中，x_j是属性X_i中的第j个具体值(0<j<t)；根据概率可知0<Q(X_i)<1，Q(X_i)越大，X_i对分类的贡献越多；当Q(X_i)接近于0，表明属性X_i对分类贡献很少或者没有贡献，应该去除；

5.确定评价指标；

自行车故障判定问题常用的评价指标是精确率和召回率；对数据集的预测结果或者正确或者不正确，共有4种情况，混淆矩阵如表2所示；

表2预测评价指标

(Table 2 Prediction and evaluation index)

召回率表示样本中的故障车有多少被预测正确了；有两种可能，一种是把原来的故障车预测成故障车(TP)，另一种就是把原来的故障车预测为正常车(FN)；

自行车的故障检测需要很高的召回率，预测结果以召回率为标准。