CN113918556B - 一种驾驶技能考试场地复核方法 - Google Patents
一种驾驶技能考试场地复核方法 Download PDFInfo
- Publication number
- CN113918556B CN113918556B CN202111300791.6A CN202111300791A CN113918556B CN 113918556 B CN113918556 B CN 113918556B CN 202111300791 A CN202111300791 A CN 202111300791A CN 113918556 B CN113918556 B CN 113918556B
- Authority
- CN
- China
- Prior art keywords
- particle
- cluster
- points
- model
- driving skill
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims description 71
- 230000006978 adaptation Effects 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
Abstract
本发明一种驾驶技能考试场地复核方法,解决了复核过程中人为因素造成的误差,提高了考核的公平性;为了解决上述技术问题,采用的技术方案为:在驾驶技能考试场地装置接入差分信号,且根据驾驶技能考试场地的实际情况选择合适的差分源;进行数据清洗,即核对输出数据是否正确;根据项目模型采集最优点;比对模型设计;比对结果,根据模型比对结果,输出比对结果,如果模型尺寸不合格,标注出具体的不符合标准的模型以便后续进行整改。
Description
技术领域
本发明一种驾驶技能考试场地复核方法,属于驾考场地复核技术领域。
背景技术
驾驶员在申领驾照时,必须通过场地驾驶技能考试,由于场地驾驶技能考试是在规定划线场地上行驶,每项项目的场地标准有严格的要求,相关主管部门对场地进行复核是必不可少的一个环节,然而目前的场地复核人为失误因素较高,容易给考核的公平性造成影响。
发明内容
本发明克服了现有技术存在的不足,提供了一种驾驶技能考试场地复核方法,解决了复核过程中人为因素造成的误差,提高了考核的公平性。
为了解决上述技术问题,本发明采用的技术方案为:一种驾驶技能考试场地复核方法,按下述步骤实施:
第一步,在驾驶技能考试场地装置接入差分信号,且根据驾驶技能考试场地的实际情况选择合适的差分源;
第二步,进行数据清洗,即核对输出数据是否正确;
a)、利用奇偶校验核验装置输出报文信息是否完整;
b)、通过判断指定的经纬度坐标点是否落在待复核的考试场地内,以剔除无效点,进而确保需采集数据落入到考场内;
第三步、根据项目模型采集最优点;
a)、静止状态下,同一测绘点采集时间10~15s,保证同一点的采样数据有效样本至少50个;
b)、利用加权粒子群算法,计算出最贴合实际的数据点;
第四步、比对模型设计;
a)、根据规则,设置模型比对算法,通过模型比对算法,核对是否在合理误差范围内;
b)、根据报备数据,核实是否在与报备数据符合的合理误差范围内;
第五步、比对结果;
根据模型比对结果,输出比对结果,如果模型尺寸不合格,标注出具体的不符合标准的模型以便后续进行整改。
所述第一步中如果接入不到场地差分数据,则选择备用差分信号。
所述第二步中的数据清洗为基于距离的数据清洗方法,在对象之间定义邻近性度量,将远离其他对象的对象视为异常对象;
采集点的数值属性要求根据距离度量两点之间的相似性,拟采用欧氏距离的度量方法来度量,具体计算标准如下:
已知三维空间内两个采集点和,则采集点a与b之间的欧氏距离为:。
所述第三步中的加权粒子群算法为基于区域的变异粒子群算法,改基于区域的变异粒子群算法首先将采集点的粒子群体划分为多个区域,然后每个区域内同时进行基本粒子群算法,通过多个区域可以限制粒子流动范围,有助于获取到每个区域内的最优粒子,从而保持粒子多样性,避免次优收敛。
所述基于区域的变异粒子群算法结构流程如下:
a)、使用PAM算法聚类粒子;
首先,总体n个样本点中随机选择k个对象作为中心;
其次,按照与medoids最近的原则,将剩余的n-k个点分配到当前最佳的medoids代表的类中,实现了初始的聚类;
再次,对于第m个簇中除对应medoids点外的所有其他点,按顺序计算当其为新的medoids时,准则函数的值,遍历所有可能,选取准则函数最小时对应的点作为新的medoid;直到所有的medoids点不再发生变化或已达到设定的最大迭代次数;
最后,产出最终确定的k个簇;
其中,准则函数为最小化绝对误差如下:
b)、初始化每个簇中每个粒子的随机位置和速度、最大迭代次数;
在三维空间中,设有N个粒子;
粒子i的位置:;
粒子i的速度:;
粒子i经过的最好位置:;
某簇中某粒子经过最好的位置:;
c)、计算每个簇中每个粒子的适应值;
将代入适应函数求适应值;
d)、对每个簇中各个粒子,比较其适应值与其经历过的最好位置()的适应值,如果适应值更高,则将作为当前的最好位置更新其簇中最好位置;
e)、对每个簇中各个最好位置的粒子,比较其适应值与各个簇中最好位置()的适应值,如果适应值更高,则将作为当前的最好位置更新其簇中最好位置;
f)、更新每个簇中每粒子的速度和位置;
根据公式1更新粒子速度,根据公式2更新粒子位置;
其中:
公式1:;
公式2:;
其中w是惯性权重;
*t;
是惯性权重最大值,是惯性权重最小值,t是当前迭代次数,是变量;是迭代总次数,是常量;
g)、若未达到终止条件,即最大迭代次数或最佳适应值的增量小于某个给定的阈值,则继续第c)步。
本发明与现有技术相比具有的有益效果是:本发明根据既定参数通过算法得出最优结果,并利用最优结果与驾校反馈的结果进行比对,若驾校反馈的结果在最优结果的合理误差范围内,则复核验收成功,反之,则指出验收不合格的项目,继续改进,直至验收合格,本发明操作简单,人为影响因素低,进一步提高了考试的公平性。
附图说明
下面结合附图对本发明做进一步的说明。
图1为本发明的流程示意图。
图2为本发明中基于区域的变异粒子群算法流程示意图。
具体实施方式
如图1、图2所示,本发明一种驾驶技能考试场地复核方法,按下述步骤实施:
第一步,在驾驶技能考试场地装置接入差分信号,且根据驾驶技能考试场地的实际情况选择合适的差分源;
第二步,进行数据清洗,即核对输出数据是否正确;
a)、利用奇偶校验核验装置输出报文信息是否完整;
b)、通过判断指定的经纬度坐标点是否落在待复核的考试场地内,以剔除无效点,进而确保需采集数据落入到考场内;
第三步、根据项目模型采集最优点;
a)、静止状态下,同一测绘点采集时间10~15s,保证同一点的采样数据有效样本至少50个;
b)、利用加权粒子群算法,计算出最贴合实际的数据点;
第四步、比对模型设计;
a)、根据规则,设置模型比对算法,通过模型比对算法,核对是否在合理误差范围内;
b)、根据报备数据,核实是否在与报备数据符合的合理误差范围内;
第五步、比对结果;
根据模型比对结果,输出比对结果,如果模型尺寸不合格,标注出具体的不符合标准的模型以便后续进行整改。
所述第一步中如果接入不到场地差分数据,则选择备用差分信号。
所述第二步中的数据清洗为基于距离的数据清洗方法,在对象之间定义邻近性度量,将远离其他对象的对象视为异常对象;
采集点的数值属性要求根据距离度量两点之间的相似性,拟采用欧氏距离的度量方法来度量,具体计算标准如下:
已知三维空间内两个采集点和,则采集点a与b之间的欧氏距离为:。
所述第三步中的加权粒子群算法为基于区域的变异粒子群算法,改基于区域的变异粒子群算法首先将采集点的粒子群体划分为多个区域,然后每个区域内同时进行基本粒子群算法,通过多个区域可以限制粒子流动范围,有助于获取到每个区域内的最优粒子,从而保持粒子多样性,避免次优收敛。
所述基于区域的变异粒子群算法结构流程如下:
a)、使用PAM算法聚类粒子;
首先,总体n个样本点中随机选择k个对象作为中心;
其次,按照与medoids最近的原则,将剩余的n-k个点分配到当前最佳的medoids代表的类中,实现了初始的聚类;
再次,对于第m个簇中除对应medoids点外的所有其他点,按顺序计算当其为新的medoids时,准则函数的值,遍历所有可能,选取准则函数最小时对应的点作为新的medoid;直到所有的medoids点不再发生变化或已达到设定的最大迭代次数;
最后,产出最终确定的k个簇;
其中,准则函数为最小化绝对误差如下:
b)、初始化每个簇中每个粒子的随机位置和速度、最大迭代次数;
在三维空间中,设有N个粒子;
粒子i的位置:;
粒子i的速度:;
粒子i经过的最好位置:;
某簇中某粒子经过最好的位置:;
c)、计算每个簇中每个粒子的适应值;
将代入适应函数求适应值;
d)、对每个簇中各个粒子,比较其适应值与其经历过的最好位置()的适应值,如果适应值更高,则将作为当前的最好位置更新其簇中最好位置;
e)、对每个簇中各个最好位置的粒子,比较其适应值与各个簇中最好位置()的适应值,如果适应值更高,则将作为当前的最好位置更新其簇中最好位置;
f)、更新每个簇中每粒子的速度和位置;
根据公式1更新粒子速度,根据公式2更新粒子位置;
其中:
公式1:;
公式2:;
其中w是惯性权重;
*t;
是惯性权重最大值,是惯性权重最小值,t是当前迭代次数,是变量;是迭代总次数,是常量;
g)、若未达到终止条件,即最大迭代次数或最佳适应值的增量小于某个给定的阈值,则继续第c)步。
上面结合附图对本发明的实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (3)
1.一种驾驶技能考试场地复核方法,其特征在于,按下述步骤实施:
第一步,在驾驶技能考试场地装置接入差分信号,且根据驾驶技能考试场地的实际情况选择合适的差分源;
第二步,进行数据清洗,即核对输出数据是否正确;
a)、利用奇偶校验核验装置输出报文信息是否完整;
b)、通过判断指定的经纬度坐标点是否落在待复核的考试场地内,以剔除无效点,进而确保需采集数据落入到考场内;
第三步、根据项目模型采集最优点;
a)、静止状态下,同一测绘点采集时间10~15s,保证同一点的采样数据有效样本至少50个;
b)、利用加权粒子群算法,计算出最贴合实际的数据点;
第四步、比对模型设计;
a)、根据规则,设置模型比对算法,通过模型比对算法,核对是否在合理误差范围内;
b)、根据报备数据,核实是否在与报备数据符合的合理误差范围内;
第五步、比对结果;
根据模型比对结果,输出比对结果,如果模型尺寸不合格,标注出具体的不符合标准的模型以便后续进行整改;
所述第三步中的加权粒子群算法为基于区域的变异粒子群算法,改基于区域的变异粒子群算法首先将采集点的粒子群体划分为多个区域,然后每个区域内同时进行基本粒子群算法,通过多个区域可以限制粒子流动范围,有助于获取到每个区域内的最优粒子,从而保持粒子多样性,避免次优收敛;
所述基于区域的变异粒子群算法结构流程如下:
a)、使用PAM算法聚类粒子;
首先,总体n个样本点中随机选择k个对象作为中心;
其次,按照与medoids最近的原则,将剩余的n-k个点分配到当前最佳的medoids代表的类中,实现了初始的聚类;
再次,对于第m个簇中除对应medoids点外的所有其他点,按顺序计算当其为新的medoids时,准则函数的值,遍历所有可能,选取准则函数最小时对应的点作为新的medoid;直到所有的medoids点不再发生变化或已达到设定的最大迭代次数;
最后,产出最终确定的k个簇;
其中,准则函数为最小化绝对误差如下:
;
b)、初始化每个簇中每个粒子的随机位置和速度、最大迭代次数;
在三维空间中,设有N个粒子;
粒子i的位置:;
粒子i的速度:;
粒子i经过的最好位置:;
某簇中某粒子经过最好的位置:;
c)、计算每个簇中每个粒子的适应值;
将代入适应函数求适应值;
d)、对每个簇中各个粒子,比较其适应值与其经历过的最好位置()的适应值,如果适应值更高,则将作为当前的最好位置更新其簇中最好位置;
e)、对每个簇中各个最好位置的粒子,比较其适应值与各个簇中最好位置()的适应值,如果适应值更高,则将作为当前的最好位置更新其簇中最好位置;
f)、更新每个簇中每粒子的速度和位置;
g)、若未达到终止条件,即最大迭代次数或最佳适应值的增量小于某个给定的阈值,则继续第c)步。
2.根据权利要求1所述的一种驾驶技能考试场地复核方法,其特征在于,所述第一步中如果接入不到场地差分数据,则选择备用差分信号。
3.根据权利要求1所述的一种驾驶技能考试场地复核方法,其特征在于,所述第二步中的数据清洗为基于距离的数据清洗方法,在对象之间定义邻近性度量,将远离其他对象的对象视为异常对象;
采集点的数值属性要求根据距离度量两点之间的相似性,拟采用欧氏距离的度量方法来度量,具体计算标准如下:
已知三维空间内两个采集点和,则采集点a与b之间的欧氏距离为:。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111300791.6A CN113918556B (zh) | 2021-11-04 | 一种驾驶技能考试场地复核方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111300791.6A CN113918556B (zh) | 2021-11-04 | 一种驾驶技能考试场地复核方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113918556A CN113918556A (zh) | 2022-01-11 |
CN113918556B true CN113918556B (zh) | 2024-06-28 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107272419A (zh) * | 2017-08-01 | 2017-10-20 | 成都雅骏新能源汽车科技股份有限公司 | 一种基于改进pso的驾驶员自适应方向控制方法 |
CN112874456A (zh) * | 2021-01-12 | 2021-06-01 | 燕山大学 | 一种智能车辆调节方法及系统 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107272419A (zh) * | 2017-08-01 | 2017-10-20 | 成都雅骏新能源汽车科技股份有限公司 | 一种基于改进pso的驾驶员自适应方向控制方法 |
CN112874456A (zh) * | 2021-01-12 | 2021-06-01 | 燕山大学 | 一种智能车辆调节方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950627B (zh) | 一种多源信息融合方法及其应用 | |
CN106844781B (zh) | 数据处理的方法及装置 | |
CN106919957B (zh) | 处理数据的方法及装置 | |
TWI711983B (zh) | 一種商圈判定方法和裝置 | |
CN109887015A (zh) | 一种基于局部曲面特征直方图的点云自动配准方法 | |
CN107292330A (zh) | 一种基于监督学习和半监督学习双重信息的迭代式标签噪声识别算法 | |
Thuburn et al. | A mimetic, semi-implicit, forward-in-time, finite volume shallow water model: comparison of hexagonal–icosahedral and cubed-sphere grids | |
CN111414977A (zh) | 机床主轴热误差建模的加权集成温度敏感点组合选取方法 | |
CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
CN112990330A (zh) | 用户用能异常数据检测方法及设备 | |
CN112463898A (zh) | 一种结合速度与噪声监测数据的噪声地图更新方法 | |
CN109191408B (zh) | 快速循环地面气象融合方法、装置及服务器 | |
CN113918556B (zh) | 一种驾驶技能考试场地复核方法 | |
CN111353529A (zh) | 一种自动确定聚类中心的混合属性数据集聚类方法 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
CN104463912A (zh) | 一种基于簇相似的多尺度目标跟踪方法 | |
CN112131752A (zh) | 一种基于拟准检定的超强崩溃污染率抗差估计算法 | |
CN107728163A (zh) | 大气特征层检测方法及装置 | |
Fang et al. | GPSClean: A framework for cleaning and repairing GPS data | |
CN113918556A (zh) | 一种驾驶技能考试场地复核方法 | |
CN103745136A (zh) | 高效推断单倍型和填充缺失基因型的方法 | |
CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 | |
CN111931119A (zh) | 一种组合模式的快速稳定圆最优拟合方法 | |
CN107976206B (zh) | 一种基于信息熵的mems陀螺性能评价方法 | |
CN112241958A (zh) | 一种面向三维点云数据的目标分割建模方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |