CN112149763A - 一种利用众包概念提高路面异常检测的方法及装置 - Google Patents

Abstract

本发明实施例公开一种利用众包概念提高路面异常检测的方法及装置。本发明涉及智慧交通技术领域，解决现有路面异常情况检测方式无法满足大众对道路检测的需求的问题。该方法通过获取当前车辆的智能移动终端所上传的位置数据，查找当前车辆行驶方向上的前方车辆的智能移动终端所上传的前方位置数据，以及前方车辆在前方位置数据下的前方车辆行驶数据，并将前方位置数据以及前方车辆行驶数据输入于预先构建的路面异常检测模型，以此来检测当前车辆的前方道路是否是路面异常道路，并在当前车辆的前方道路是路面异常道路时向当前车辆发送前方道路异常预警提示信息，实现了路面异常状况检测功能，更好地满足大众对道路检测的需求。

Description

一种利用众包概念提高路面异常检测的方法及装置

技术领域

本发明涉及智慧交通技术领域，尤其涉及一种利用众包概念提高路面异常检测的方法及装置。

背景技术

目前国内高速公路网、国省县道路网和城市道路网正在迅猛发展，为进一步提高公路交通运输的经济社会效益，中国在公路建设快速发展的同时，也越来越重视公路交通的运营管理、路面养护和服务水平。据调查，每年我国仅因为路面问题造成的车辆损坏费用约43亿元。由此可见，道路凹坑、颠簸和障碍物等道路异常是引起出行安全事故的主要因素之一，路面异常不仅会对车辆轮胎造成威胁，而且驾驶者发现路面问题后的突然避让、转向存在更大的安全隐患。

公路养护管理工作日益重要，公路技术快速检测与评价成为道路科学养护工作的重中之重。通过道路路面检测可以获取道路的技术特征，进而判断道路的使用情况及损坏程度，为道路建设、养护管理提供重要依据。

目前，我国路面异常情况检测主要采用人工勘察的方式。检测路面状况和驾驶行为的传感器系统仅安装在高端车型上，而国内的搜狗、高德、百度三大地图导航软件尚不具备路面异常状况检测功能，无法满足大众对道路检测的需求。因此，有必要提出一种利用众包概念提高路面异常检测的方法及装置，以解决上述问题。

发明内容

本发明提供一种利用众包概念提高路面异常检测的方法及装置，以解决现有路面异常情况检测方式无法满足大众对道路检测的需求的问题。

第一方面，本发明提供一种利用众包概念提高路面异常检测的方法，所述方法包括：

获取当前车辆的智能移动终端所上传的位置数据；

根据所述位置数据，查找当前车辆行驶方向上的前方车辆的智能移动终端所上传的前方位置数据，以及前方车辆在所述前方位置数据下的前方车辆行驶数据；

将所述前方位置数据以及所述前方车辆行驶数据输入预先构建的路面异常检测模型，其中，所述路面异常检测模型基于高阶动态贝叶斯网络分类器构建；

根据所述路面异常检测模型，检测当前车辆的前方道路是否是路面异常道路；

如果所述当前车辆的前方道路是路面异常道路，向所述当前车辆发送前方道路异常预警提示信息。

结合第一方面，在第一方面的第一种可实现方式中，将所述前方位置数据以及所述前方车辆行驶数据输入预先构建的路面异常检测模型，其中，所述路面异常检测模型基于高阶动态贝叶斯网络分类器构建的步骤中，所述路面异常检测模型的构建方法如下：

接收不同车辆的智能移动终端上传的车辆行驶数据；

根据所述车辆行驶数据，构建动态贝叶斯网络分类器；

利用所述动态贝叶斯网络分类器对路面情况进行分类；

以多变量时序车辆行驶数据数据作为训练数据输入所述动态贝叶斯网络分类器进行网络初始化，得到初始化网络；

对所述初始化网络迭代进行网络修正，直至达到最大迭代次数或收敛条件后输出路面异常检测模型。

结合第一方面的第一种可实现方式，在第一方面的第二种可实现方式中，所述车辆行驶数据包括：GPS传感器信号数据、速度传感器信号数据、加速度传感器信号数据、陀螺仪传感器信号数据、磁场传感器信号数据以及方向传感器信号数据。

结合第一方面的第二种可实现方式，在第一方面的第三种可实现方式中，以多变量时序车辆行驶数据数据作为训练数据输入所述动态贝叶斯网络分类器进行网络初始化，得到初始化网络包括：

采用相关性分析和格兰杰因果检验法，分别分析初始时刻和一阶时序线性相关传感信号数据的依赖关系；

依据所述依赖关系构建初始化网络结构；

对所述初始化网络结构进行参数学习，生成初始化网络。

结合第一方面的第三种可实现方式，在第一方面的第四种可实现方式中，对所述初始化网络迭代进行网络修正，直至达到最大迭代次数或收敛条件后输出路面异常检测模型包括：

采用网络嵌入学习分析传感信号数据间的高阶时序相关性，在所述初始化网络的基础上生成网络嵌入；

基于所述网络嵌入进行链路预测，结合最小描述长度实现网络结构修正；

对修正后的网络结构重新进行参数学习；

判断是否达到迭代次数或收敛条件；

如果未达到迭代次数或收敛条件，进行下一轮网络修正；

如果达到迭代次数或收敛条件，输出路面异常检测模型。

第二方面，本发明提供一种利用众包概念提高路面异常检测的装置，所述装置包括：

获取单元，用于获取当前车辆的智能移动终端所上传的位置数据；

查找单元，用于根据所述位置数据，查找当前车辆行驶方向上的前方车辆的智能移动终端所上传的前方位置数据，以及前方车辆在所述前方位置数据下的前方车辆行驶数据；

输入单元，用于将所述前方位置数据以及所述前方车辆行驶数据输入预先构建的路面异常检测模型，其中，所述路面异常检测模型基于高阶动态贝叶斯网络分类器构建；

检测单元，用于根据所述路面异常检测模型，检测当前车辆的前方道路是否是路面异常道路；

发送单元，用于在所述当前车辆的前方道路是路面异常道路的情况下，向所述当前车辆发送前方道路异常预警提示信息。

结合第二方面，在第二方面的第一种可实现方式中，通过以下单元构建所述路面异常检测模型：

接收单元，用于接收不同车辆的智能移动终端上传的车辆行驶数据；

构建单元，用于根据所述车辆行驶数据，构建动态贝叶斯网络分类器；

分类单元，用于利用所述动态贝叶斯网络分类器对路面情况进行分类；

初始化单元，用于以多变量时序车辆行驶数据数据作为训练数据输入所述动态贝叶斯网络分类器进行网络初始化，得到初始化网络；

修正单元，用于对所述初始化网络迭代进行网络修正，直至达到最大迭代次数或收敛条件后输出路面异常检测模型。

结合第二方面的第一种可实现方式，在第二方面的第二种可实现方式中，所述车辆行驶数据包括：GPS传感器信号数据、速度传感器信号数据、加速度传感器信号数据、陀螺仪传感器信号数据、磁场传感器信号数据以及方向传感器信号数据。

结合第二方面的第二种可实现方式，在第二方面的第三种可实现方式中，所述初始化单元包括：

分析子单元，用于采用相关性分析和格兰杰因果检验法，分别分析初始时刻和一阶时序线性相关传感信号数据的依赖关系；

构建子单元，用于依据所述依赖关系构建初始化网络结构；

第一学习子单元，用于对所述初始化网络结构进行参数学习，生成初始化网络。

结合第二方面的第三种可实现方式，在第二方面的第四种可实现方式中，所述修正单元包括：

生成子单元，用于采用网络嵌入学习分析传感信号数据间的高阶时序相关性，在所述初始化网络的基础上生成网络嵌入；

修正子单元，用于基于所述网络嵌入进行链路预测，结合最小描述长度实现网络结构修正；

第二学习子单元，用于对修正后的网络结构重新进行参数学习；

判断子单元，用于判断是否达到迭代次数或收敛条件；

所述修正子单元，，还用于在未达到迭代次数或收敛条件的情况下，进行下一轮网络修正；

输出子单元，用于在达到迭代次数或收敛条件的情况下，输出路面异常检测模型。

由以上技术方案可知，本发明的利用众包概念提高路面异常检测的方法及装置，基于智能移动终端可以作为多模式传感器的特点，收集不同车辆在道路不通位置采集的各种类型的传感器信号数据，并依此基于高阶动态贝叶斯网络分类器构建路面异常检测模型，从而可通过获取当前车辆的智能移动终端所上传的位置数据，查找当前车辆行驶方向上的前方车辆的智能移动终端所上传的前方位置数据，以及前方车辆在前方位置数据下的前方车辆行驶数据，并将前方位置数据以及前方车辆行驶数据输入路面异常检测模型，以此来检测当前车辆的前方道路是否是路面异常道路，并在当前车辆的前方道路是路面异常道路时向当前车辆发送前方道路异常预警提示信息，实现了路面异常状况检测功能，更好地满足大众对道路检测的需求。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的利用众包概念提高路面异常检测的方法的流程图。

图2为本发明提供的利用众包概念提高路面异常检测的方法中路面异常检测模型的构建方法的流程图。

图3为本发明提供的利用众包概念提高路面异常检测的方法中网络初始化的流程图。

图4为本发明提供的利用众包概念提高路面异常检测的方法中网络修正的流程图。

图5为本发明提供的利用众包概念提高路面异常检测的装置的示意图。

图6为本发明提供的利用众包概念提高路面异常检测的装置中构建路面异常检测模型的单元示意图。

图7为本发明提供的利用众包概念提高路面异常检测的装置中初始化单元的示意图。

图8为本发明提供的利用众包概念提高路面异常检测的装置中修正单元的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。以下结合附图，详细说明本发明各实施例提供的技术方案。

众包概念是Jeff Howe在美国《连线》杂志上首次提出的，即“一个公司或机构把过去由员工执行的工作任务，以自由自愿的形式外包给非特定的（而且通常是大型的）大众志愿者的做法。”。众包的任务通常是由个人来承担，但如果涉及到需要多人协作完成的任务，也有可能以依靠开源的个体生产的形式出现。它作为一种群体智慧利用模式，已被广泛应用于宝马、宜家、阿迪达斯、欧莱雅等品牌的市场实践中。

同时，交通智慧化使得交通管理机制从职能管理向新型协调管理转变，公众参与和个性化服务成为智慧交通的核心内容。信息时代，每个人是信息的承载者和传播者，这些大量的信息是实现智慧交通公众参与和个性化服务的重要基础。随着智能手机的优化，智能手机除了是当代人必不可少的陪伴者，也是很好的工具，智能手机的可以作为多模式传感器，收集并分享各种类型的信息，并以不同形式扩散，政府和个人可以通过手机实时获取、汇总与分析交通信息，进而实现对道路交通的有效控制。

请参阅图1，本发明提供一种利用众包概念提高路面异常检测的方法，所述方法的执行主体为服务器，所述方法包括：

步骤S101，获取当前车辆的智能移动终端所上传的位置数据。

具体地，智能移动终端可以是智能手机、平板电脑等智能移动终端，智能移动终端安装有可以实现路面异常检测的App，该方法具体可以用于与现有的地图导航App中。

步骤S102，根据所述位置数据，查找当前车辆行驶方向上的前方车辆的智能移动终端所上传的前方位置数据，以及前方车辆在所述前方位置数据下的前方车辆行驶数据。

具体地，安装有可以实现路面异常检测的App的智能移动终端可以实时地与服务器通信，向服务器上传智能移动终端所在车辆的位置数据、车辆行驶数据。

步骤S103，将所述前方位置数据以及所述前方车辆行驶数据输入预先构建的路面异常检测模型，其中，所述路面异常检测模型基于高阶动态贝叶斯网络分类器构建。

步骤S104，根据所述路面异常检测模型，检测当前车辆的前方道路是否是路面异常道路。

步骤S105，如果所述当前车辆的前方道路是路面异常道路，向所述当前车辆发送前方道路异常预警提示信息。

具体地，可以是通过当前车辆的智能移动终端的路面异常检测App发出前方道路异常预警提示语音播报信息。

在本实施例中，如图2所示，将所述前方位置数据以及所述前方车辆行驶数据输入预先构建的路面异常检测模型，其中，所述路面异常检测模型基于高阶动态贝叶斯网络分类器构建的步骤中，所述路面异常检测模型的构建方法具体可以如下：

步骤S201，接收不同车辆的智能移动终端上传的车辆行驶数据。

具体地，所述车辆行驶数据可以包括但不限于：GPS传感器信号数据、速度传感器信号数据、加速度传感器信号数据、陀螺仪传感器信号数据、磁场传感器信号数据以及方向传感器信号数据，上述信号数据均可以通过智能移动终端内置的相应类型的出传感器采集。

步骤S202，根据所述车辆行驶数据，构建动态贝叶斯网络分类器。

具体地，贝叶斯网络是一个带有概率注释的有向无环图，图中的每一个结点均表示一个随机变量，图中两结点间若存在着一条弧，则表示这两结点相对应的随机变量是概率相依的，反之则说明这两个随机变量是条件独立的。网络中任意一个结点X均有一个相应的条件概率表（Conditional Probability Table, CPT），用以表示结点X在其父结点取各可能值时的条件概率。若结点X无父结点，则X的CPT为其先验概率分布。贝叶斯网络的结构及各结点的CPT定义了网络中各变量的概率分布。

步骤S203，利用所述动态贝叶斯网络分类器对路面情况进行分类。

具体地，路面情况可以分为正常路面、缓速带路面、 坑洼路面、颠簸路面等等。

步骤S204，以多变量时序车辆行驶数据数据作为训练数据输入所述动态贝叶斯网络分类器进行网络初始化，得到初始化网络。

步骤S205，对所述初始化网络迭代进行网络修正，直至达到最大迭代次数或收敛条件后输出路面异常检测模型。

在本实施例中，如图3所示，以多变量时序车辆行驶数据数据作为训练数据输入所述动态贝叶斯网络分类器进行网络初始化，得到初始化网络具体可以包括：

步骤S301，采用相关性分析和格兰杰因果检验法，分别分析初始时刻和一阶时序线性相关传感信号数据的依赖关系。

步骤S302，依据所述依赖关系构建初始化网络结构。

步骤S303，对所述初始化网络结构进行参数学习，生成初始化网络。

如图4所示，对所述初始化网络迭代进行网络修正，直至达到最大迭代次数或收敛条件后输出路面异常检测模型具体可以包括：

步骤S401，采用网络嵌入学习分析传感信号数据间的高阶时序相关性，在所述初始化网络的基础上生成网络嵌入。

步骤S402，基于所述网络嵌入进行链路预测，结合最小描述长度实现网络结构修正；

步骤S403，对修正后的网络结构重新进行参数学习。

步骤S404，判断是否达到迭代次数或收敛条件。

步骤S405，如果未达到迭代次数或收敛条件，进行下一轮网络修正。

步骤S406，如果达到迭代次数或收敛条件，输出路面异常检测模型。

由以上实施例可知，本发明的利用众包概念提高路面异常检测的方法，基于智能移动终端可以作为多模式传感器的特点，收集不同车辆在道路不通位置采集的各种类型的传感器信号数据，并依此基于高阶动态贝叶斯网络分类器构建路面异常检测模型，从而可通过获取当前车辆的智能移动终端所上传的位置数据，查找当前车辆行驶方向上的前方车辆的智能移动终端所上传的前方位置数据，以及前方车辆在前方位置数据下的前方车辆行驶数据，并将前方位置数据以及前方车辆行驶数据输入路面异常检测模型，以此来检测当前车辆的前方道路是否是路面异常道路，并在当前车辆的前方道路是路面异常道路时向当前车辆发送前方道路异常预警提示信息，实现了路面异常状况检测功能，更好地满足大众对道路检测的需求。

如图5所示，本发明实施例还提供一种利用众包概念提高路面异常检测的装置，所述装置包括：

获取单元501，用于获取当前车辆的智能移动终端所上传的位置数据。

查找单元502，用于根据所述位置数据，查找当前车辆行驶方向上的前方车辆的智能移动终端所上传的前方位置数据，以及前方车辆在所述前方位置数据下的前方车辆行驶数据。

输入单元503，用于将所述前方位置数据以及所述前方车辆行驶数据输入预先构建的路面异常检测模型，其中，所述路面异常检测模型基于高阶动态贝叶斯网络分类器构建。

检测单元504，用于根据所述路面异常检测模型，检测当前车辆的前方道路是否是路面异常道路。

发送单元505，用于在所述当前车辆的前方道路是路面异常道路的情况下，向所述当前车辆发送前方道路异常预警提示信息。

在本实施例中，如图6所示，通过以下单元构建所述路面异常检测模型：

接收单元601，用于接收不同车辆的智能移动终端上传的车辆行驶数据；

构建单元602，用于根据所述车辆行驶数据，构建动态贝叶斯网络分类器；

分类单元603，用于利用所述动态贝叶斯网络分类器对路面情况进行分类；

初始化单元604，用于以多变量时序车辆行驶数据数据作为训练数据输入所述动态贝叶斯网络分类器进行网络初始化，得到初始化网络；

修正单元605，用于对所述初始化网络迭代进行网络修正，直至达到最大迭代次数或收敛条件后输出路面异常检测模型。

在本实施例中，所述车辆行驶数据包括：GPS传感器信号数据、速度传感器信号数据、加速度传感器信号数据、陀螺仪传感器信号数据、磁场传感器信号数据以及方向传感器信号数据。

在本实施例中，请参阅图6和图7，所述初始化单元604包括：

分析子单元701，用于采用相关性分析和格兰杰因果检验法，分别分析初始时刻和一阶时序线性相关传感信号数据的依赖关系；

构建子单元702，用于依据所述依赖关系构建初始化网络结构；

第一学习子单元703，用于对所述初始化网络结构进行参数学习，生成初始化网络。

在本实施例中，请参阅图6和图8，所述修正单元605包括：

生成子单元801，用于采用网络嵌入学习分析传感信号数据间的高阶时序相关性，在所述初始化网络的基础上生成网络嵌入；

修正子单元802，用于基于所述网络嵌入进行链路预测，结合最小描述长度实现网络结构修正；

第二学习子单元803，用于对修正后的网络结构重新进行参数学习；

判断子单元804，用于判断是否达到迭代次数或收敛条件；

所述修正子单元802，还用于在未达到迭代次数或收敛条件的情况下，进行下一轮网络修正；

输出子单元805，用于在达到迭代次数或收敛条件的情况下，输出路面异常检测模型。

本发明实施例还提供一种存储介质，本发明实施例还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现本发明提供的利用众包概念提高路面异常检测的方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体（英文：Read-OnlyMemory，简称：ROM）或随机存储记忆体（英文：RandomAccessMemory，简称：RAM）等。

本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于利用众包概念提高路面异常检测的装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。

以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (10)

1.一种利用众包概念提高路面异常检测的方法，其特征在于，所述方法包括：获取当前车辆的智能移动终端所上传的位置数据；

根据所述位置数据，查找当前车辆行驶方向上的前方车辆的智能移动终端所上传的前方位置数据，以及前方车辆在所述前方位置数据下的前方车辆行驶数据；

将所述前方位置数据以及所述前方车辆行驶数据输入预先构建的路面异常检测模型，其中，所述路面异常检测模型基于高阶动态贝叶斯网络分类器构建；

根据所述路面异常检测模型，检测当前车辆的前方道路是否是路面异常道路；

如果所述当前车辆的前方道路是路面异常道路，向所述当前车辆发送前方道路异常预警提示信息。

2.如权利要求1所述的方法，其特征在于，将所述前方位置数据以及所述前方车辆行驶数据输入预先构建的路面异常检测模型，其中，所述路面异常检测模型基于高阶动态贝叶斯网络分类器构建的步骤中，所述路面异常检测模型的构建方法如下：

接收不同车辆的智能移动终端上传的车辆行驶数据；

根据所述车辆行驶数据，构建动态贝叶斯网络分类器；

利用所述动态贝叶斯网络分类器对路面情况进行分类；

以多变量时序车辆行驶数据数据作为训练数据输入所述动态贝叶斯网络分类器进行网络初始化，得到初始化网络；

对所述初始化网络迭代进行网络修正，直至达到最大迭代次数或收敛条件后输出路面异常检测模型。

3.如权利要求2所述的方法，其特征在于，所述车辆行驶数据包括：GPS传感器信号数据、速度传感器信号数据、加速度传感器信号数据、陀螺仪传感器信号数据、磁场传感器信号数据以及方向传感器信号数据。

4.如权利要求3所述的方法，其特征在于，以多变量时序车辆行驶数据数据作为训练数据输入所述动态贝叶斯网络分类器进行网络初始化，得到初始化网络包括：

采用相关性分析和格兰杰因果检验法，分别分析初始时刻和一阶时序线性相关传感信号数据的依赖关系；

依据所述依赖关系构建初始化网络结构；

对所述初始化网络结构进行参数学习，生成初始化网络。

5.如权利要求4所述的方法，其特征在于，对所述初始化网络迭代进行网络修正，直至达到最大迭代次数或收敛条件后输出路面异常检测模型包括：

采用网络嵌入学习分析传感信号数据间的高阶时序相关性，在所述初始化网络的基础上生成网络嵌入；

基于所述网络嵌入进行链路预测，结合最小描述长度实现网络结构修正；

对修正后的网络结构重新进行参数学习；

判断是否达到迭代次数或收敛条件；

如果未达到迭代次数或收敛条件，进行下一轮网络修正；

如果达到迭代次数或收敛条件，输出路面异常检测模型。

6.一种利用众包概念提高路面异常检测的装置，其特征在于，所述装置包括：

获取单元，用于获取当前车辆的智能移动终端所上传的位置数据；

查找单元，用于根据所述位置数据，查找当前车辆行驶方向上的前方车辆的智能移动终端所上传的前方位置数据，以及前方车辆在所述前方位置数据下的前方车辆行驶数据；

输入单元，用于将所述前方位置数据以及所述前方车辆行驶数据输入预先构建的路面异常检测模型，其中，所述路面异常检测模型基于高阶动态贝叶斯网络分类器构建；

检测单元，用于根据所述路面异常检测模型，检测当前车辆的前方道路是否是路面异常道路；

发送单元，用于在所述当前车辆的前方道路是路面异常道路的情况下，向所述当前车辆发送前方道路异常预警提示信息。

7.如权利要求6所述的装置，其特征在于，通过以下单元构建所述路面异常检测模型：

接收单元，用于接收不同车辆的智能移动终端上传的车辆行驶数据；

构建单元，用于根据所述车辆行驶数据，构建动态贝叶斯网络分类器；

分类单元，用于利用所述动态贝叶斯网络分类器对路面情况进行分类；

初始化单元，用于以多变量时序车辆行驶数据数据作为训练数据输入所述动态贝叶斯网络分类器进行网络初始化，得到初始化网络；

修正单元，用于对所述初始化网络迭代进行网络修正，直至达到最大迭代次数或收敛条件后输出路面异常检测模型。

8.如权利要求7所述的装置，其特征在于，所述车辆行驶数据包括：GPS传感器信号数据、速度传感器信号数据、加速度传感器信号数据、陀螺仪传感器信号数据、磁场传感器信号数据以及方向传感器信号数据。

9.如权利要求8所述的装置，其特征在于，所述初始化单元包括：

分析子单元，用于采用相关性分析和格兰杰因果检验法，分别分析初始时刻和一阶时序线性相关传感信号数据的依赖关系；

构建子单元，用于依据所述依赖关系构建初始化网络结构；

第一学习子单元，用于对所述初始化网络结构进行参数学习，生成初始化网络。

10.如权利要求9所述的装置，其特征在于，所述修正单元包括：

生成子单元，用于采用网络嵌入学习分析传感信号数据间的高阶时序相关性，在所述初始化网络的基础上生成网络嵌入；

修正子单元，用于基于所述网络嵌入进行链路预测，结合最小描述长度实现网络结构修正；

第二学习子单元，用于对修正后的网络结构重新进行参数学习；

判断子单元，用于判断是否达到迭代次数或收敛条件；

所述修正子单元，还用于在未达到迭代次数或收敛条件的情况下，进行下一轮网络修正；

输出子单元，用于在达到迭代次数或收敛条件的情况下，输出路面异常检测模型。

Images