CN108537914A - 公共自行车故障诊断方法 - Google Patents
公共自行车故障诊断方法 Download PDFInfo
- Publication number
- CN108537914A CN108537914A CN201810156177.9A CN201810156177A CN108537914A CN 108537914 A CN108537914 A CN 108537914A CN 201810156177 A CN201810156177 A CN 201810156177A CN 108537914 A CN108537914 A CN 108537914A
- Authority
- CN
- China
- Prior art keywords
- attribute
- bicycle
- formula
- fault
- classification
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
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
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Xi有若干个值,xi表示属性变量Xi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ct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Ct下单个属性的条件概率P(xi|Ct)即可。
式中:N为所有训练样本的频数和;为故障类型Ct对应样本频数;为故障类型Ct且属性变量Xi值为xi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Xi在的情况下C1和C2后验概率差值的平方。
其中,xj是属性Xi中的第j个具体值(0<j<t)。根据概率可知0<Q(Xi)<1,Q(Xi)越大,Xi对分类的贡献越多。当Q(Xi)接近于0,表明属性Xi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Xi有若干个值,xi表示属性变量Xi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ct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Ct下单个属性的条件概率P(xi|Ct)即可。
式中:N为所有训练样本的频数和;为故障类型Ct对应样本频数;为故障类型Ct且属性变量Xi值为xi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Xi在的情况下C1和C2后验概率差值的平方。
其中,xj是属性Xi中的第j个具体值(0<j<t)。根据概率可知0<Q(Xi)<1,Q(Xi)越大,Xi对分类的贡献越多。当Q(Xi)接近于0,表明属性Xi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Xi有若干个值,xi表示属性变量Xi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ct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Ct下单个属性的条件概率P(xi|Ct)即可;
式中:N为所有训练样本的频数和;为故障类型Ct对应样本频数;为故障类型Ct且属性变量Xi值为xi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Xi在的情况下C1和C2后验概率差值的平方;
其中,xj是属性Xi中的第j个具体值(0<j<t);根据概率可知0<Q(Xi)<1,Q(Xi)越大,Xi对分类的贡献越多;当Q(Xi)接近于0,表明属性Xi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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810156177.9A CN108537914B (zh) | 2018-02-24 | 2018-02-24 | 公共自行车故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810156177.9A CN108537914B (zh) | 2018-02-24 | 2018-02-24 | 公共自行车故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108537914A true CN108537914A (zh) | 2018-09-14 |
CN108537914B CN108537914B (zh) | 2020-07-28 |
Family
ID=63486327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810156177.9A Active CN108537914B (zh) | 2018-02-24 | 2018-02-24 | 公共自行车故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537914B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826867A (zh) * | 2019-10-21 | 2020-02-21 | 上海钧正网络科技有限公司 | 车辆管理方法、装置、计算机设备和存储介质 |
CN111369704A (zh) * | 2018-12-26 | 2020-07-03 | 北京骑胜科技有限公司 | 一种车辆处理方法以及系统 |
CN112509176A (zh) * | 2020-11-30 | 2021-03-16 | 北京公共交通控股(集团)有限公司 | 基于车辆数据的故障报修方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184600A (zh) * | 2011-02-25 | 2011-09-14 | 浙江工业大学 | 基于rfid的公共自行车智能识别租借系统 |
CN102509447A (zh) * | 2011-10-20 | 2012-06-20 | 浙江工商大学 | 一种城市公共自行车故障的模糊识别方法 |
CN103646471A (zh) * | 2013-12-14 | 2014-03-19 | 杭州派尼澳电子科技有限公司 | 一种公共自行车租借控制系统及方法 |
CN105590288A (zh) * | 2015-11-27 | 2016-05-18 | 浙江科技学院 | 一种公共自行车故障车辆认定系统及方法 |
CN105654623A (zh) * | 2015-12-28 | 2016-06-08 | 北京印刷学院 | 一种公共自行车故障检测装置及方法 |
-
2018
- 2018-02-24 CN CN201810156177.9A patent/CN108537914B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184600A (zh) * | 2011-02-25 | 2011-09-14 | 浙江工业大学 | 基于rfid的公共自行车智能识别租借系统 |
CN102509447A (zh) * | 2011-10-20 | 2012-06-20 | 浙江工商大学 | 一种城市公共自行车故障的模糊识别方法 |
CN103646471A (zh) * | 2013-12-14 | 2014-03-19 | 杭州派尼澳电子科技有限公司 | 一种公共自行车租借控制系统及方法 |
CN105590288A (zh) * | 2015-11-27 | 2016-05-18 | 浙江科技学院 | 一种公共自行车故障车辆认定系统及方法 |
CN105654623A (zh) * | 2015-12-28 | 2016-06-08 | 北京印刷学院 | 一种公共自行车故障检测装置及方法 |
Non-Patent Citations (1)
Title |
---|
李梅等: "《物联网科技导论》", 31 August 2015, 北京邮电大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369704A (zh) * | 2018-12-26 | 2020-07-03 | 北京骑胜科技有限公司 | 一种车辆处理方法以及系统 |
CN111369704B (zh) * | 2018-12-26 | 2022-12-06 | 北京骑胜科技有限公司 | 一种车辆处理方法以及系统 |
CN110826867A (zh) * | 2019-10-21 | 2020-02-21 | 上海钧正网络科技有限公司 | 车辆管理方法、装置、计算机设备和存储介质 |
CN110826867B (zh) * | 2019-10-21 | 2021-03-30 | 上海钧正网络科技有限公司 | 车辆管理方法、装置、计算机设备和存储介质 |
CN112509176A (zh) * | 2020-11-30 | 2021-03-16 | 北京公共交通控股(集团)有限公司 | 基于车辆数据的故障报修方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108537914B (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
Tong et al. | A framework for developing driving cycles with on‐road driving data | |
Aslam et al. | City-scale traffic estimation from a roving sensor network | |
Kazagli et al. | Estimation of arterial travel time from automatic number plate recognition data | |
CN108537914A (zh) | 公共自行车故障诊断方法 | |
JP7389787B2 (ja) | マルチ-レベル転移領域に基づくドメイン適応型オブジェクト検出装置及び方法 | |
Lee et al. | Automatic physical activity and in‐vehicle status classification based on GPS and accelerometer data: A hierarchical classification approach using machine learning techniques | |
Sevlian et al. | Travel time estimation using floating car data | |
CN111160959A (zh) | 一种用户点击转化预估方法及装置 | |
CN110400462A (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
Tu et al. | Research on intelligent calculation method of intelligent traffic flow index based on big data mining | |
CN112884013A (zh) | 基于数据挖掘技术的能耗分区方法 | |
Yuan et al. | An alternative reliability method to evaluate the regional traffic congestion from GPS data obtained from floating cars | |
Zhou et al. | Method for judging parking status based on yolov2 target detection algorithm | |
CN106157657A (zh) | 一种移动用户的运动状态识别系统及其方法 | |
Fei et al. | Spatiotemporal bus route profiling using odometer data | |
Mohammadi et al. | Probabilistic prediction of trip travel time and its variability using hierarchical Bayesian learning | |
CN116434361A (zh) | 一种基于etc交易数据的高速公路拥堵识别方法 | |
AU2020103738A4 (en) | Parking lot data repair method and apparatus, device and storage medium | |
Ostojic et al. | Comprehensive framework for quantitative performance assessment of signal control effectiveness using vehicle trajectories | |
CN114419894A (zh) | 一种路内停车泊位设置与使用监测的方法与系统 | |
Dalkic et al. | A self-policing smart parking solution | |
CN113421067A (zh) | 一种共享自行车品牌识别与数量管理方法及系统 | |
Yuan et al. | Quantification of variability of valid travel times with FMMs for buses, passenger cars, and taxis | |
Yanguo et al. | The urban road traffic state identification method based on FCM clustering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |