CN110020686B - 一种基于群智感知传感数据的路面异常检测方法 - Google Patents

Abstract

本发明涉及一种基于群智感知传感数据的路面异常检测方法，包括步骤：1)识别异常分割点：基于给定的加速度序列S＝{a₁，…，a_i，…}确定fd(t_i，τ)，其代表在滑动窗口(t_i‑τ/2,t_i+τ/2)下垂直加速度的波动距离，然后使用基于阈值的方法选择候选异常分割点；2)删除错误分割点：需要排除其他因素导致垂直加速度数据的波动距离大于阈值的情况，利用逐段聚集平均表示方法(PAA)和随机森林算法对正常子序列和异常子序列进行分类，排除错误分割点；3)学习训练集的尺度不变特性；4)在测试集中检测路面异常情况。本发明的有益效果是：本发明的方法通过学习标度不变的特征来检测异常，在不同标记样本比例的基线方法中表现出更好的一致性。

Description

一种基于群智感知传感数据的路面异常检测方法

技术领域

本发明涉及路面异常检测领域，具体涉及获取异常路面的传感数据序列、通过传感数据序列提取尺度不变特征以检测路面异常的方法。

背景技术

路面异常可使车辆损坏甚至可能威胁司机和乘客的安全，为了避免危害每年至少花费十亿美元用于路面异常的维护及修理。例如，据AAA汽车俱乐部统计，坑洞损害每年给美国司机造成30亿美元的损失，同样，英国政府将在2017年至2018年期间花费12亿欧元用于路面维修。在美国，几乎三分之一的机动车事故与路面异常有关，造成200多万人受伤和2.2万人死亡。路面异常造成的危害不容小视，尽早发现路面异常情况可以避免上述危害产生并降低路面维修的费用。

近年来，用户产生的传感器数据使得室内定位、室内POI推荐、路面异常检测等多种智能城市服务得以高效实施、利用和评估。乘客的移动设备或车辆以群智感知的方式产生的传感数据为监测和检测路面异常提供了大量的信息来源，其基本原理是当车辆遇到路面异常时产生传感器数据序列隐含路面异常的固有模式。虽然最近有很多基于群智感知的传感器数据的路面异常检测研究被提出，但这些方法也存在一些局限性。基于群智感知的传感器数据往往会随着时间出现局部畸变或噪声现象，但现有的方法依赖于原始的传感器数据因此极大地限制了道路异常检测的准确性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于群智感知传感数据的路面异常检测方法，实现高精度和高效率的路面异常检测。

为解决上述技术问题，本发明所采取的技术方案如下。

一种基于群智感知实现尺度特征不变的路面异常检测方法主要包括以下步骤：

A、识别异常分割点。基于给定的加速度序列S＝{a₁，…，a_i，…}确定fd(t_i,τ)，其代表在滑动窗口(t_i-τ/2,t_i+τ/2)下垂直加速度的波动距离，然后使用基于阈值的方法选择候选异常分割点；

B、删除错误分割点。需要排除其他因素导致垂直加速度数据的波动距离大于阈值的情况，利用逐段聚集平均表示方法(PAA)和随机森林算法对正常子序列和异常子序列进行分类，排除错误分割点。

C、学习训练集的尺度不变特性。通过步骤A和步骤B提取加速度序列S的异常子序列，利用Shapelet方法对异常子序列候选特征的预测质量进行了评价，选择出准确率最高的异常子序列作为尺度不变特征；

D、在测试集中检测路面异常情况。循环执行步骤A、步骤B和步骤C，获得训练集D_tr中多种路面异常类型特征，然后基于随机森林模型识别测试集中子序列的路面异常类型。

作为优选：步骤A的具体步骤如下：

A11、给定训练集加速度序列确定fd(t_i,τ)，其代表在滑动窗口(ti-τ/2,ti+τ/2)下垂直加速度的波动距离，公式定义如下：

其中τ是指窗口大小,G(τ)是一个含有τ个元素的子序列。

A12、将上述波动距离加和求均获得波动距离的平均值，若滑动窗口的垂直距离fd(t_i,τ)明显高于平均值,即可推断出车辆通过异常路面的时间t_i，此处采用基于阈值的方法选择候选异常分割点；

A13、根据相邻分割点之间的间隔合并候选异常分割点，公式定义如下：

其中N_A(i)为A(i)的滑动窗口数。

作为优选：步骤C的具体步骤如下：

C11、将训练集D_tr中的每个加速度序列按照步骤B和步骤C描述的方法获取异常子序列并视为候选shapelets；

C12、计算每个候选shapelets的特征到所有训练样本的距离，并作为每个样本到子序列的距离；

C13、以样本到子序列的距离为分类特征，利用F-stats测度对候选shapelets的特征进行评价；

C14、根据F-stats评分对每个加速度序列的候选shapelets进行排序，选择分类准确率最高的shapelets作为该加速度序列的尺度不变特征。

作为优选：步骤D的具体步骤如下：

D11、基于步骤A所示方法提取测试集D_te的异常子序列；

D12、基于步骤B对D11产生的子序列进行筛选，排除正常子序列；

D13、使用Shapelet方法计算测试集D_te的异常序列与训练集D_tr的shapelets的最小距离；

D14、基于随机森林模型检测异常子序列的异常类型。

本发明的有益效果是：

图3中比较了5种方法(SVM-WW、CPD-SFS、SVM-MDDP、MLM-WB和本发明提出的方法)在数据集1上的性能，从图中可以看出本发明提出的方法在大多数情况下都取得了较好的性能，这说明了学习尺度不变特征用于异常检测的优势。

图4展示了针对数据集2所有异常检测模型的性能。然而，本发明的方法通过学习标度不变的特征来检测异常，在不同标记样本比例的基线方法中表现出更好的一致性。

图5中展示了使用仿真数据集(数据集3)进行路面异常检测的性能。与数据集1和数据集2相比，所有异常检测模型对数据集3的性能都有显著的提高。

附图说明

图1是使用滑动窗口方法识别异常分割点的流程图；

图2是学习训练集的尺度不变特性的流程图；

图3是数据集1的路面异常检测性能图；

图4是数据集2的路面异常检测性能图；

图5是数据集3的路面异常检测性能图。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

一、本发明的整体思想：

本发明主要考虑以下两个方面：如何根据群智感知数据自动生成路面异常子序列；如何提取一组具有较高分类精度的尺度不变特征。

二、一种基于群智感知实现尺度特征不变的路面异常检测方法的具体实施方式如下：

A、识别异常分割点，流程如图1所示

给定加速度序列S＝{a₁，…，a_i，…}确定fd(t_i,τ)，其代表在滑动窗口(ti-τ/2,ti+τ/2)下垂直加速度的波动距离，定义如公式(1)所示：

其中τ是指窗口大小,G(τ)是一个含有τ个元素的子序列。

计算垂直加速度的波动距离fd(t_i,τ)后，采用基于阈值的方法选择候选异常分割点。先将上述波动距离加和求均获得波动距离的平均值，接着判断滑动窗口的垂直距离fd(t_i,τ)是否明显高于平均值,若是，即可推断出车辆通过异常路面的时间t_i。根据相邻分割点之间的间隔合并候选异常分割点，定义如公式(2)所示：

其中N_A(i)为A(i)的滑动窗口数。

B、删除错误分割点

本发明根据垂直加速度数据的波动距离fd(t_i,τ)来识别道路异常分叉点，但是这种方法可能会因为其他因素(如乘客的握手或轻微的地面颠簸等)导致少数点的加速度数据剧烈波动从而使垂直波动距离大于阈值，这些点并不能作为分割点从时间序列中获取异常路面子序列，将筛除这些点有利于提高表征该时间序列的精度。

路面异常子序列的总体趋势是稳定的，由此可通过以下两个步骤去除错误分割点：①利用逐段聚集平均表示方法(PAA)提取候选异常子序列特征；②利用基于PAA的随机森林特征对正常子序列和异常子序列进行分类。

C、学习训练集的尺度不变特性

为了学习每个具有高分辨能力的异常类型的尺度不变特征，本发明利用Shapelet方法对异常子序列候选特征的预测质量进行了评价。形式上,shapelets是一组长度为H的异常类型u∈U，记作U∈R^U×H。每个异常子序列与shapelets之间的最小距离构成了shapelet变换，其结果表示了分类的精度级别如式(3)所示：

其中1≤j≤|A(i)|-H+1,1≤i≤N且1≤h≤H。

通过以下四个步骤来学习训练集D_tr中不同路面异常类型对应的尺度不变特征，流程图如图2所示:

①将训练集D_tr中的每个加速度序列按照步骤B和步骤C描述的方法获取异常子序列并视为候选shapelets；

②计算每个候选shapelets的特征到所有训练样本的距离，并作为每个样本到子序列的距离。

③以样本到子序列的距离为分类特征，利用F-stats测度对候选shapelets的特征进行评价；

④根据F-stats评分对每个加速度序列的候选shapelets进行排序，选择分类准确率最高的shapelets作为该加速度序列的尺度不变特征。

D、在测试集中检测路面异常情况

在获得训练集D_tr中多种路面异常类型的尺度不变特征后，基于随机森林模型识别测试集中子序列的路面异常类型，具体步骤如下：

①基于步骤A所示方法提取测试集D_te的异常子序列；

②基于步骤B对上述产生的子序列进行筛选，排除正常子序列；

③使用Shapelet方法计算测试集D_te的异常序列与训练集D_tr的shapelets的最小距离；

④基于随机森林模型检测异常子序列的异常类型。

三、验证结果和性能说明

本发明使用3个加速度序列记录检测路面异常的数据集验证该方法的效果，三个数据集分别是自行采集的数据集(数据集1)，由Pothole lab生成的公共数据集(数据集2)以及使用Carsim获取的仿真数据集(数据集3)。将SVM-WW、CPD-SFS、SVM-MDDP和MLM-WB四个经常用于处理路面异常检测的方法与本发明中的方法性能进行对比，将F值作为评价性能的指标。为了进行综合比较，通过将标记样本的比例从50％提高到90％来研究异常检测模型的性能。不同标定样品配比的每个检测步骤重复10次，以10次的性能平均值作为最终的实验结果。

图3中比较了5种方法(SVM-WW、CPD-SFS、SVM-MDDP、MLM-WB和本发明提出的方法)在数据集1上的性能，从图中可以看出本发明提出的方法在大多数情况下都取得了较好的性能，这说明了学习尺度不变特征用于异常检测的优势。

图4展示了针对数据集2所有异常检测模型的性能。然而，本发明的方法通过学习标度不变的特征来检测异常，在不同标记样本比例的基线方法中表现出更好的一致性。

图5中展示了使用仿真数据集(数据集3)进行路面异常检测的性能。与数据集1和数据集2相比，所有异常检测模型对数据集3的性能都有显著的提高。

四、实验结论：

由实验结果可以看出本发明优于现有的路面异常检测模型，表明从已标记的异常子序列中学习到的尺度不变特征对路面异常检测有显著的促进作用。

Claims (3)

1.一种基于群智感知传感数据的路面异常检测方法，其特征在于，包括如下步骤：

A、识别异常分割点；基于给定的加速度序列S＝{a₁，…，a_i，…}确定fd(t_i，τ)，其代表在滑动窗口(t_i-τ/2,t_i+τ/2)下垂直加速度的波动距离，然后使用基于阈值的方法选择候选异常分割点；

B、删除错误分割点；需要排除其他因素导致垂直加速度数据的波动距离大于阈值的情况，利用逐段聚集平均表示方法和随机森林算法对正常子序列和异常子序列进行分类，排除错误分割点；

C、学习训练集的尺度不变特性；通过步骤A和步骤B提取加速度序列S的异常子序列，利用Shapelet方法对异常子序列候选特征的预测质量进行了评价，选择出准确率最高的异常子序列作为尺度不变特征；

D、在测试集中检测路面异常情况；循环执行步骤A、步骤B和步骤C，获得训练集D_tr中多种路面异常类型特征，然后基于随机森林模型识别测试集中子序列的路面异常类型；

步骤A具体包括如下步骤：

A11、给定训练集加速度序列确定fd(t_i，τ)，其代表在滑动窗口(ti-τ/2,ti+τ/2)下垂直加速度的波动距离，公式定义如下：

其中τ是指窗口大小,G(τ)是一个含有τ个元素的子序列；

A12、将上述波动距离加和求均获得波动距离的平均值，若滑动窗口的垂直距离fd(t_i，τ)明显高于平均值,即可推断出车辆通过异常路面的时间t_i，此处采用基于阈值的方法选择候选异常分割点；

A13、根据相邻分割点之间的间隔合并候选异常分割点，公式定义如下：

其中N_A(i)为A(i)的滑动窗口数。

2.根据权利要求1所述的基于群智感知传感数据的路面异常检测方法，其特征在于，步骤C具体包括如下步骤：

C11、将训练集D_tr中的每个加速度序列按照步骤B和步骤C描述的方法获取异常子序列并视为候选shapelets；

C12、计算每个候选shapelets的特征到所有训练样本的距离，并作为每个样本到子序列的距离；

C13、以样本到子序列的距离为分类特征，利用F-stats测度对候选shapelets的特征进行评价；

C14、根据F-stats评分对每个加速度序列的候选shapelets进行排序，选择分类准确率最高的shapelets作为该加速度序列的尺度不变特征。

3.根据权利要求1所述的基于群智感知传感数据的路面异常检测方法，其特征在于，步骤D具体包括如下步骤：

D11、基于步骤A所示方法提取测试集D_te的异常子序列；

D12、基于步骤B对D11产生的子序列进行筛选，排除正常子序列；

D13、使用Shapelet方法计算测试集D_te的异常序列与训练集D_tr的shapelets的最小距离；

D14、基于随机森林模型检测异常子序列的异常类型。

Images