CN114387777A - 道路数据处理方法、装置、计算机设备和存储介质 - Google Patents
道路数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114387777A CN114387777A CN202011123988.2A CN202011123988A CN114387777A CN 114387777 A CN114387777 A CN 114387777A CN 202011123988 A CN202011123988 A CN 202011123988A CN 114387777 A CN114387777 A CN 114387777A
- Authority
- CN
- China
- Prior art keywords
- driving state
- category
- data
- road
- state distribution
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 120
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 46
- 230000005484 gravity Effects 0.000 claims description 36
- 238000001914 filtration Methods 0.000 claims description 29
- 230000001133 acceleration Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract description 22
- 238000010586 diagram Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 239000012634 fragment Substances 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Abstract
本申请涉及一种道路数据处理方法、装置、计算机设备和存储介质。所述方法包括：获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段；所述行驶状态数据片段通过与所述目标车辆对应的传感器检测得到；提取各所述行驶状态数据片段相应的行驶状态分布特征；对各所述行驶状态分布特征进行聚类处理，得到各所述行驶状态分布特征对应的类别；所述类别包括正常类别和异常类别；基于所述异常类别下的行驶状态分布特征，确定所述目标道路的道路异常信息。采用本方法能够提高异常路况检测效率。
Description
技术领域
本申请涉及道路数据处理技术领域，特别是涉及一种道路数据处理方法、装置、计算机设备和存储介质。
背景技术
随着人工智能的发展，出现了汽车导航技术。汽车导航利用GPS(GlobalPositioning System,全球定位系统)和电子地图进行工作。汽车导航所具有的自动语音导航、最佳路径搜索、异常路况提醒等功能，极大地方便了人们出行。
在传统技术中，技术人员实地考察道路，在电子地图上标记异常路况。但是，这种异常路况检测方式浪费大量的人力，效率低下。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高异常路况检测效率的道路数据处理方法、装置、计算机设备和存储介质。
一种道路数据处理方法，该方法包括：
获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段；行驶状态数据片段通过与目标车辆对应的传感器检测得到；
提取各行驶状态数据片段相应的行驶状态分布特征；
对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别；类别包括正常类别和异常类别；
基于异常类别下的行驶状态分布特征，确定目标道路的道路异常信息。
一种道路数据处理装置，该装置包括：
获取模块，用于获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段；行驶状态数据片段通过与目标车辆对应的传感器检测得到；
提取模块，用于提取各行驶状态数据片段相应的行驶状态分布特征；
处理模块，用于对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别；类别包括正常类别和异常类别；
确定模块，用于基于异常类别下的行驶状态分布特征，确定目标道路的道路异常信息。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段；行驶状态数据片段通过与目标车辆对应的传感器检测得到；
提取各行驶状态数据片段相应的行驶状态分布特征；
对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别；类别包括正常类别和异常类别；
基于异常类别下的行驶状态分布特征，确定目标道路的道路异常信息。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段；行驶状态数据片段通过与目标车辆对应的传感器检测得到；
提取各行驶状态数据片段相应的行驶状态分布特征；
对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别；类别包括正常类别和异常类别；
基于异常类别下的行驶状态分布特征，确定目标道路的道路异常信息。
上述道路数据处理方法、装置、计算机设备和存储介质，获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段，提取各行驶状态数据片段相应的行驶状态分布特征，对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别，基于异常类别下的行驶状态分布特征，确定目标道路的道路异常信息。由于行驶状态数据片段通过与目标车辆对应的传感器检测得到，通过获取传感器数据即可检测道路上的异常路况，不需要技术人员实地考察，提高了异常路况的检测效率。
附图说明
图1为一个实施例中道路数据处理方法的应用环境图；
图2为一个实施例中道路数据处理方法的流程示意图；
图3为一个实施例中三轴坐标系的示意图；
图4为一个实施例中重力方向上的加速度变化情况示意图；
图5(a)为一个实施例中重力方向上的角速度变化情况示意图；
图5(b)为另一个实施例中重力方向上的角速度变化情况示意图；
图6为另一个实施例中道路数据处理方法的流程示意图；
图7为一个实施例中道路数据处理方法的流程框图；
图8为一个实施例中道路数据处理系统的架构示意图；
图9为一个实施例中道路数据处理装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的汽车导航、无人驾驶、自动驾驶、无人机、机器人、智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本申请提供的道路数据处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，终端102可以但不限于是车辆、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备、传感器设备等。服务器104可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云存储、网络服务、云通信、大数据和人工智能平台等基础云计算服务的云服务器。终端与服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
在一个实施例中，服务器104通过终端102获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段；服务器104提取各行驶状态数据片段相应的行驶状态分布特征；服务器104对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别；服务器104基于异常类别下的行驶状态分布特征，确定目标道路的道路异常信息。其中，终端102可以是放置在目标车辆中的移动终端，该移动终端上安装有传感器；终端102也可以是目标车辆，目标车辆上安装有传感器。
在一个实施例中，如图2所示，提供了一种道路数据处理方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤202，获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段；行驶状态数据片段通过与目标车辆对应的传感器检测得到。
其中，目标道路是待通过本申请实施例提供的方法进行异常路况检测的道路。异常路况是影响车辆平稳行驶的道路状况，比如减速带、弯道、上坡、下坡、障碍物等，障碍物具体可以是路面坑槽、路面石子、车辆掉落物等。
目标车辆是正在目标道路上行驶的车辆，或者当前时间之前经过目标道路的车辆。目标车辆对应的传感器，可以是安装在目标车辆上的传感器，也可以是放置在目标车辆中的传感器，比如放置在目标车辆中的传感器设备，该传感器设备具体可以是移动终端。
可以理解，当车辆经过异常路况时，传感器检测的数据会发生相应变化，因此可通过分析传感器数据来检测异常路况。
在一个具体的实施例中，目标车辆对应的传感器可以是放置在目标车辆中的移动终端。用户在驾驶时，往往将移动终端放置于车辆中，而移动终端安装有传感器，因此可通过分析移动终端的传感器数据来检测异常路况。
本申请可基于移动众包数据机制来检测异常路况。移动众包数据机制是通过移动互联网平台将一人无法完成的任务委托给公众，利用大众的力量获取非隐私数据的机制。也即是，本申请获取目标道路上至少一辆目标车辆中移动终端的传感器检测的数据，通过对传感器数据进行分析，得到目标道路上的异常路况。这样，不需要技术人员实地考察，提高了异常路况的检测效率；并且，基于传感器数据进行分析，一是能够得到及时的反馈信息，二是能够有效避免天气等自然因素对检测的影响。
其中，在至少一辆目标车辆的至少两个行驶状态数据片段中，至少两个行驶状态数据片段可以源自相同的车辆，比如一辆目标车辆的至少两个行驶状态数据片段；至少两个行驶状态数据片段也可以源自不同的车辆，比如至少两辆目标车辆各自的至少一个行驶状态数据片段。不同的车辆的行驶状态数据片段的数量可以不同，也可以相同。
行驶状态数据片段是反映所源自的目标车辆在目标道路上行驶的状态的数据。行驶状态数据片段可以是传感器检测得到的传感器数据，也可以是对传感器检测得到的传感器数据进行处理后得到的数据。
可以理解，传感器检测得到的传感器数据可以是多维数据，行驶状态数据片段能够反映出目标道路的道路状况，不同的道路状况对不同维度的数据会带来不同的影响。本申请通过对行驶状态数据片段不同维度的数据分析，可以实现对目标道路上道路状况的检测。其中，不同维度可以是不同坐标维度。
在一个具体的实施例中，行驶状态数据片段是目标车辆在指定时长、指定方向上的传感器数据。传感器数据具体可以是加速度、角速度、速度、位移等。指定时长具体可以是2秒、4秒等。指定方向具体可以是重力方向等。参照图3，图3为一个实施例中三轴坐标系的示意图。可以看到，X轴对应车辆的水平方向，Y轴对应车辆的前进方向，Z轴对应车辆的垂直方向，重力方向即为Z轴对应的垂直方向。
在一个实施例中，步骤202包括：确定目标道路上的目标车辆；对于其中一辆目标车辆，依次获取目标车辆在预设时长内的传感器数据；预设时长根据目标车辆的前后轮分别通过异常路况的时长确定；提取各传感器数据在重力方向的子数据；将子数据作为行驶状态数据片段。
在一个具体的实施例中，对于目标道路上其中一辆目标车辆，可采用滑动窗口持续采集传感器数据。比如，采用2秒的滑动窗口采集传感器数据，滑动窗口之间的间距可为0.2秒。
本申请之所以采用滑动窗口的方式采集传感器数据，理由是：在车辆行驶过程中，车辆经过异常路况产生数据信号突变的持续时长是短暂的。以减速带为例，车辆前后轮分别经过减速带的时长约为2秒，也就是说，单次数据信号突变的持续时长为2秒。因此通过滑动窗口持续采集传感器数据，可避免遗漏有效数据，提高异常路况检测的精准性。
本申请之所以选用重力方向上的传感器数据，理由是：当车辆经过异常路况时，重力方向上的传感器数据会发生信号突变。以减速带和弯道为例，将移动终端水平放置于汽车置物台上，分别测试车辆经过减速带和弯道时，重力方向上的传感器数据的变化情况。
当车辆经过减速带时，可检测重力方向上的加速度传感器数据的变化情况。而当车辆经过弯道时，会导致车辆持续改变前进的方向，可检测重力方向上的陀螺仪传感器数据的变化情况。
参照图4，图4为一个实施例中重力方向上的加速度变化情况示意图。可以看到，A1-A4段是车辆经过减速带时，重力方向上的加速度产生的数据信号震动。也就是说，当车辆经过减速带时，会导致车体短暂颠簸，同时重力方向上的加速度会发生信号突变。
参照图5(a)，图5(a)为一个实施例中重力方向上的角速度变化情况示意图。可以看到，当车辆左转弯时，重力方向上的角速度先增大后减小。参照图5(b)，图5(b)为另一个实施例中重力方向上的角速度变化情况示意图。可以看到，当车辆右转弯时，重力方向上的角速度先减小后增大。而当车辆转弯完成时，重力方向上的角速度恢复至转弯前的数据信号状态。也就是说，当车辆经过弯道时，在道路的拐点处，会引起重力方向上的角速度发生信号突变。道路的拐点处是两条正交道路的连接处。
在一个实施例中，传感器数据包括加速度传感器数据和陀螺仪传感器数据中的至少一种；提取各传感器数据在重力方向的子数据，包括：提取各加速度传感器数据在重力方向的子数据，以及各陀螺仪传感器数据在重力方向的子数据中的至少一种。
具体地，传感器数据的类型可根据待检测的异常路况的类型确定。比如待检测的异常路况是减速带，那么传感器数据可以是加速度传感器数据；待检测的异常路况是弯道，那么传感器数据可以是陀螺仪传感器数据；待检测的异常路况是减速带和弯道，那么传感器数据可以是加速度传感器数据和陀螺仪传感器数据。
在一个具体的实施例中，步骤202包括以下几种情况：
(一)对于一条目标道路，服务器获取目标道路上正在行驶的目标车辆的至少两个行驶状态数据片段。比如目标道路上正在行驶的目标车辆为一辆，那么获取该目标车辆的至少两个行驶状态数据片段；目标道路上正在行驶的目标车辆多于一辆，那么分别获取各目标车辆的行驶状态数据片段，各目标车辆可分别获取一个或者至少两个行驶状态数据片段。
(二)对于一条目标道路，服务器获取当前时间之前经过目标道路的目标车辆的至少两个行驶状态数据片段。比如获取一辆目标的至少两个行驶状态数据片段；或者分别获取多于一辆目标车辆的行驶状态数据片段，各目标车辆可分别获取一个或者至少两个行驶状态数据片段。
在一个具体的实施例中，服务器获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段。
步骤204，提取各行驶状态数据片段相应的行驶状态分布特征。
其中，行驶状态分布特征用于描述行驶状态数据片段的数据分布属性。行驶状态分布特征具体可以是反映传感器数据所服从的统计分布特点的数据。
在实验过程中，研究人员发现用户的手部运动会干扰异常路况的检测：一是用户从汽车置物台上拿起移动终端，二是用户从口袋或相邻座位拿起移动终端。第一种手部运动产生与减速带相似的加速度信号，导致重力方向上的加速度发生信号突变，存在误检为减速带的可能性；第二种手部运动产生与弯道相似的角速度信号，导致重力方向上的角速度发生信号突变，存在误检为弯道的可能性。举例说明，继续参照图4，可以看到，B段的数据信号震动是由用户从汽车置物台上拿起移动终端造成的。
因此，为了提高异常路况检测的准确性，降低人为因素等对检测的影响，本申请基于行驶状态数据片段提取行驶状态分布特征。
在一个实施例中，步骤204包括：对于其中一个行驶状态数据片段，将行驶状态数据片段划分为至少两个第一子片段；确定各第一子片段分别在各特征维度的特征值；基于各第一子片段分别在各特征维度的特征值，生成行驶状态数据片段相应的行驶状态分布特征。
其中，第一子片段是行驶状态数据片段的子片段。比如，行驶状态数据片段为2秒，第一子片段可以是其中的0.4秒。
在一个具体的实施例中，特征维度可包括均值、最大值、次大值、最小值、次小值、标准差和均方根误差中的至少一个。均值能够表达数据的平均大小，最值能够表达数据的范围，标准差能够反映数据的波动范围，均方根误差能够反映数据的整体强弱。
具体地，服务器将行驶状态数据片段划分为至少两个第一子片段，对于其中一个第一子片段，确定第一子片段在各特征维度的特征值，基于各第一子片段在各特征维度的特征值，生成行驶状态数据片段相应的行驶状态分布特征。
举例说明，将2秒的行驶状态数据片段划分为5个第一子片段，每个第一子片段为0.4秒。基于每个第一子片段计算一个7维特征，该7维特征包括：均值、最大值、次大值、最小值、次小值、标准差和均方根误差。基于5个第一子片段各自对应的7维特征，拼接得到35维的行驶状态分布特征。
在一个具体的实施例中，服务器提取各行驶状态数据片段相应的行驶状态分布特征。
步骤206，对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别；该类别包括正常类别和异常类别。
其中，聚类处理是将相似的样本自动归到一个类别中。可采用通用的聚类算法，比如K-Means聚类算法、K-means++聚类算法、基于密度的聚类算法、凝聚层次聚类算法、分裂层次聚类算法等。
在一个具体的实施例中，步骤206包括以下几种情况：
(一)服务器提取各行驶状态数据片段相应的行驶状态分布特征，在获取到用于聚类处理的全部特征数据后，对各行驶状态分布特征进行聚类处理。
(二)服务器提取各行驶状态数据片段相应的行驶状态分布特征，每提取到一个行驶状态分布特征，即对该行驶状态分布特征进行聚类处理。
在一个具体的实施例中，服务器对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别。
具体地，服务器可对各行驶状态分布特征进行聚类处理，以将行驶状态分布特征划分为至少两个类。服务器再对聚类到同一类的行驶状态分布特征进行分析，得到该类行驶状态分布特征具体所属的类别，比如正常类别或异常类别。
参照图7，可以看到，服务器通过获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段，提取各行驶状态数据片段相应的行驶状态分布特征，对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别，该类别包括正常类别和异常类别，异常类别具体可以是减速带类别、弯道类别等。
步骤208，基于异常类别下的行驶状态分布特征，确定目标道路的道路异常信息。
其中，道路异常信息至少包括异常路况类别、异常路况所在位置等。
在一个实施例中，步骤208包括：获取与异常类别下的行驶状态分布特征对应的定位信息；基于异常类别下的行驶状态分布特征，以及异常类别下的行驶状态分布特征对应的定位信息，确定目标道路的道路异常信息。
具体地，服务器获取的行驶状态数据片段携带有GPS(Global PositioningSystem,全球定位系统)定位信息，查询与异常类别下的行驶状态分布特征对应的定位信息，基于异常类别下的行驶状态分布特征，以及各自对应的定位信息，确定目标道路的异常路况所在位置。
在一个实施例中，基于异常类别下的行驶状态分布特征，以及异常类别下的行驶状态分布特征对应的定位信息，确定目标道路的道路异常信息，包括：对于减速带类别下的第一行驶状态分布特征，根据第一行驶状态分布特征以及第一行驶状态分布特征对应的定位信息，确定目标道路中的减速带位置；对于弯道类别下的第二行驶状态分布特征，根据第二行驶状态分布特征以及第二行驶状态分布特征对应的定位信息，确定目标道路中的弯道位置。
具体地，出于道路异常检测的目的，服务器可对于异常类别下的行驶状态分布特征进行分析，得到目标道路的具体异常路况。服务器对各类别下的行驶状态分布特征进行分析，若一类别下的行驶状态分布特征符合减速带特征属性，该类别即为减速带类别；若一类别下的行驶状态分布特征符合弯道特征属性，该类别即为弯道类别；若一类别下的行驶状态分布特征符合正常特征属性，该类别即为正常类别。
在一个具体的实施例中，服务器基于异常类别下的行驶状态分布特征，确定目标道路的道路异常信息。
可以理解，也可将行驶状态数据片段直接作为行驶状态分布特征。比如，在目标车辆对应的传感器是安装在目标车辆上的传感器时，由于本身规避了用户的手部运动的影响，对各行驶状态数据片段进行聚类处理，得到各行驶状态数据片段对应的类别，基于异常类别下的行驶状态数据片段以及各自对应的定位信息，确定目标道路的异常路况所在位置。
本实施例提供的道路数据处理方法可应用于多种应用场景，比如检测目标道路上的异常路况，对异常路况做标记，以供路政部门针定时检测异常路况，若发现减速带缺损等情况，可及时检修。再比如，检测目标道路上的异常路况，将异常路况分享给汽车导航系统，通过汽车导航系统及时提示司机注意异常路况，提升司机端以及乘客端的出行体验。
上述道路数据处理方法中，获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段，提取各行驶状态数据片段相应的行驶状态分布特征，对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别，基于异常类别下的行驶状态分布特征，确定目标道路的道路异常信息。由于行驶状态数据片段通过与目标车辆对应的传感器检测得到，通过获取传感器数据即可检测道路上的异常路况，不需要技术人员实地考察，提高了异常路况的检测效率。
在一个实施例中，在提取各行驶状态数据片段相应的行驶状态分布特征之前，还包括：对于其中一个行驶状态数据片段，获取与行驶状态数据片段对应的噪声数据过滤范围；行驶状态数据片段中位于噪声数据过滤范围之外的数据为噪声数据；根据噪声数据过滤范围，从行驶状态数据片段中提取目标数据；提取各行驶状态数据片段相应的行驶状态分布特征，包括：提取各目标数据相应的行驶状态分布特征。
具体地，在服务器获取行驶状态数据片段的过程中，车辆突然停止、加速等情况也会导致数据信号突变，影响检测结果。因此在提取各行驶状态数据片段相应的行驶状态分布特征之前，可对各行驶状态数据片段进行滤波处理，以滤除各行驶状态数据片段中的噪声数据。
在一个实施例中，对于其中一个行驶状态数据片段，获取与行驶状态数据片段对应的噪声数据过滤范围，包括：对于其中一个行驶状态数据片段，获取与行驶状态数据片段对应的历史行驶状态数据片段；获取历史行驶状态数据片段的均值和标准差；根据历史行驶状态数据片段的均值和标准差，生成与行驶状态数据片段对应的噪声数据过滤范围。
其中，服务器按照时间顺序依次获取行驶状态数据片段，行驶状态数据片段对应的历史行驶状态数据片段，是各行驶状态数据片段构成的序列中处于行驶状态数据片段之前的行驶状态数据片段。
在一个具体的实施例中，可基于3σ准则对行驶状态数据片段进行滤波处理。依照3σ准则，设定噪声数据过滤范围(μ+3σ,μ-3σ)，不在该范围内的数据为噪声数据。其中μ代表均值，σ代表标准差。
具体地，对于其中一个行驶状态数据片段，服务器查询与行驶状态数据片段对应的历史行驶状态数据片段，根据历史行驶状态数据片段获取均值和标准差，依照3σ准则构建与行驶状态数据片段对应的噪声数据过滤范围。可以理解，随着服务器继续获取行驶状态数据片段，对于不同的行驶状态数据片段，其噪声数据过滤范围也不断更新。
可以理解，对于服务器获取的首个行驶状态数据片段，可将该行驶状态数据片段划分为多于一个子片段，根据子片段获取均值和标准差，依照3σ准则构建与首个行驶状态数据片段对应的噪声数据过滤范围。
本实施例中，在提取行驶状态分布特征之前，对行驶状态数据片段进行滤波处理，以滤除行驶状态数据片段中的噪声数据，降低噪声数据对检测结果的影响。
在一个实施例中，在服务器获取行驶状态数据片段的过程中，由于传感器本身的问题，或者网络延迟问题，可能会导致数据缺失，因此在提取各行驶状态数据片段相应的行驶状态分布特征之前，可对各行驶状态数据片段进行平滑处理。
具体地，采用平滑滤波的思想，即若当前时间存在数据缺失，且当前时间与上一时间段之间的时间间隔小于预设时间，则利用上一段时间段的数据作为当前时间的数据。
本实施例中，在提取行驶状态分布特征之前，对行驶状态数据片段进行平滑处理，以降低缺失数据对检测结果的影响。
在一个实施例中，该方法还包括：对于其中一个行驶状态数据片段，获取与行驶状态数据片段对应的差分数据片段；将差分数据片段划分为至少两个第二子片段；确定各第二子片段分别在各特征维度的特征值；基于各第一子片段分别在各特征维度的特征值，生成行驶状态数据片段相应的行驶状态分布特征，包括：基于各第一子片段分别在各特征维度的特征值和各第二子片段分别在各特征维度的特征值，生成行驶状态数据片段相应的行驶状态分布特征。
其中，行驶状态数据片段对应的差分数据片段，是该行驶状态数据片段与前一个行驶状态数据片段之间的差异数据片段，比如行驶状态数据片段与前一个行驶状态数据片段之间的差值数据片段。该前一个行驶状态数据片段是各行驶状态数据片段构成的序列中该行驶状态数据片段的前一个数据片段。第二子片段是差分数据片段的子片段。
具体地，服务器将行驶状态数据片段划分为至少两个第一子片段，对于其中一个第一子片段，确定第一子片段在各特征维度的特征值；服务器获取与行驶状态数据片段对应的差分数据片段，将差分数据片段划分为至少两个第二子片段，对于其中一个第二子片段，确定第二子片段在各特征维度的特征值；服务器基于各第二子片段在各特征维度的特征值和各第一子片段分别在各特征维度的特征值，生成行驶状态数据片段相应的行驶状态分布特征。
举例说明，将2秒的行驶状态数据片段划分为5个第一子片段，每个第一子片段为0.4秒；基于每个第一子片段计算一个7维特征，该7维特征包括：均值、最大值、次大值、最小值、次小值、标准差和均方根误差；基于5个第一子片段各自对应的7维特征，拼接得到35维特征。并且，将2秒的差分数据片段划分为5个第二子片段，每个第二子片段为0.4秒；基于每个第二子片段计算一个7维特征，该7维特征包括：均值、最大值、次大值、最小值、次小值、标准差和均方根误差；基于5个第二子片段各自对应的7维特征，拼接得到35维特征。最后，基于第一子片段拼接得到的35维特征，以及第二子片段拼接得到的35维特征，共同拼接得到70维的行驶状态分布特征。
本实施例中，基于差分数据片段提取行驶状态分布特征，由于差分数据片段能够降低行驶状态数据片段之间的不规律波动的影响，从而在基于行驶状态分布特征检测异常路况时，能够提高检测精度。
在一个实施例中，对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别，包括：获取初始聚类中心点；基于各行驶状态分布特征与初始聚类中心点之间的距离，选取下一个聚类中心点，直至选取得到预设数量的聚类中心点；根据预设数量的聚类中心点对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别。
具体地，服务器随机选取初始聚类中心点，将各行驶状态分布特征作为样本点，计算各样本点与初始聚类中心点之间的距离，距离越大，表示样本点作为下一个聚类中心点的概率越大。基于轮盘模式选取概率最大的样本点作为下一个聚类中心点，直至选取得到预设数量的聚类中心点。
在一个具体的实施例中，在选取得到预设数量的聚类中心点后，根据预设数量的聚类中心点对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别。以K-Means聚类算法为例，对于其中一个样本点，计算该样本点分别与各聚类中心点之间的距离，并将该样本点归类至距离最小的聚类中心点所对应的簇中。在各样本点分类完成后，针对每个簇重新计算质心，以更新每个簇对应的聚类中心点。重复上述步骤，直至聚类中心点不再变化。
在一个实施例中，该方法还包括：对于其中一个类别，获取类别的聚类中心点以及类别下的行驶状态分布特征；根据类别的聚类中心点以及类别下的行驶状态分布特征，确定类别相应的误差平方和；按照最小化各类别相应的误差平方和的方向，继续对各行驶状态分布特征进行聚类处理，直至满足聚类停止条件。
其中，误差平方和即SSE(Sum of the Squared Errors)，SSE用于描述簇中样本点与聚类中心点之间的距离。SSE越小，簇中样本点与聚类中心点之间的距离越近，聚类效果越好。
误差平方和可通过以下公式进行计算：
其中，Ci是簇，x是簇Ci的样本点，gi是簇Ci的质心。
具体地，服务器通过误差平方和评价聚类效果，并通过最小化误差平方和的方式来提升聚类效果。可以理解，也可通过召回率、准确率等方式评价聚类效果。
本实施例中，先基于各样本点与初始聚类中心点之间的距离选取预设数量的聚类中心点，进而根据预设数量的聚类中心点对各行驶状态分布特征进行聚类处理，相对于传统的K-Means聚类算法先随机选取预设数量的聚类中心点，本实施例可有效减少质心的计算次数，降低计算的复杂度。
在一个实施例中，该方法还包括：分享道路异常信息，以提示目标道路上的车辆注意异常路况。
本实施例中，在检测得到目标道路上的异常信息后，可将异常信息分享汽车导航系统，通过汽车导航系统及时提示司机注意异常路况。
本申请还提供一种道路数据处理方法，参照图6，包括以下步骤：
步骤602，确定目标道路上的目标车辆，对于其中一辆目标车辆，依次获取目标车辆在预设时长内的加速度传感器数据和陀螺仪传感器数据中的至少一种。
其中，预设时长根据目标车辆的前后轮分别通过异常路况的时长确定。
在一个具体的实施例中，采用目标车辆中移动终端内置的传感器获取采集加速度传感器数据和陀螺仪传感器数据中的至少一种。
在一个具体的实施例中，对于目标道路上其中一辆目标车辆，可采用滑动窗口持续采集传感器数据。比如，采用2秒的滑动窗口采集传感器数据，滑动窗口之间的间距可为0.2秒。研究人员通过大量的实验发现，采用2秒的滑动窗口能够提高检测精度。
步骤604，提取各加速度传感器数据在重力方向的子数据，以及各陀螺仪传感器数据在重力方向的子数据中的至少一种，将各加速度传感器数据在重力方向的子数据，以及各陀螺仪传感器数据在重力方向的子数据中的至少一种，作为行驶状态数据片段。
步骤606，对于其中一个行驶状态数据片段，对行驶状态数据片段进行预处理，预处理包括噪声数据的滤波处理和缺失数据的平滑处理中的至少一种。
其中，对于噪声数据的滤波处理，获取与行驶状态数据片段对应的历史行驶状态数据片段，获取历史行驶状态数据片段的均值和标准差，根据历史行驶状态数据片段的均值和标准差，生成与行驶状态数据片段对应的噪声数据过滤范围，行驶状态数据片段中位于噪声数据过滤范围之外的数据为噪声数据。
对于缺失数据的平滑处理，采用平滑滤波的思想，即若当前时间存在数据缺失，且当前时间与上一时间段之间的时间间隔小于预设时间，则利用上一段时间段的数据作为当前时间的数据。
步骤608，将行驶状态数据片段划分为至少两个第一子片段，确定各第一子片段分别在各特征维度的特征值，基于各第一子片段分别在各特征维度的特征值，生成行驶状态数据片段相应的行驶状态分布特征。
其中，根据噪声数据过滤范围，从行驶状态数据片段中提取目标数据，将目标数据划分为至少两个第一子片段，确定各第一子片段分别在各特征维度的特征值。
步骤610，获取与行驶状态数据片段对应的差分数据片段，将差分数据片段划分为至少两个第二子片段，确定各第二子片段分别在各特征维度的特征值，基于各第一子片段分别在各特征维度的特征值和各第二子片段分别在各特征维度的特征值，生成行驶状态数据片段相应的行驶状态分布特征。
其中，差分数据片段是行驶状态数据片段与前一个行驶状态数据片段之间的差值数据片段，行驶状态数据片段与前一个行驶状态数据片段均可以是预处理后的行驶状态数据片段。
步骤612，获取初始聚类中心点，基于各行驶状态分布特征与初始聚类中心点之间的距离，选取下一个聚类中心点，直至选取到预设数量的聚类中心点，根据预设数量的聚类中心点对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别。
其中，类别包括正常类别、减速带类别和弯道类别中的至少一种；
步骤614，获取与异常类别下的行驶状态分布特征对应的定位信息，对于减速带类别下的第一行驶状态分布特征，根据第一行驶状态分布特征以及第一行驶状态分布特征对应的定位信息，确定目标道路中的减速带位置，对于弯道类别下的第二行驶状态分布特征，根据第二行驶状态分布特征以及第二行驶状态分布特征对应的定位信息，确定目标道路中的弯道位置。
具体地，参照图8，图8为一个实施例中道路数据处理系统的架构示意图。可以看到，本申请主要包括数据获取模块和异常路况检测模块。对于数据获取模块，其主要包括数据采集单元，该数据采集单元可用于采集加速度传感器数据和陀螺仪传感器数据中的至少一种。对于异常路况检测模块，其主要包括数据预处理单元、聚类处理及验证单元和异常路况检测单元。数据预处理单元可用于对采集的加速度传感器数据和陀螺仪传感器数据中的至少一种进行预处理，预处理包括噪声数据的滤波处理和缺失数据的平滑处理中的至少一种。聚类处理及验证单元可用于对各行驶状态分布特征进行聚类处理，并通过最小化误差平方和的方式来提升聚类效果。异常路况检测单元可用于根据各行驶状态分布特征对应的类别，基于异常类别下的行驶状态分布特征，确定目标道路的道路异常信息。
本实施例中，基于移动众包数据来检测异常路况，其中移动众包数据可包括移动终端的传感器数据，并通过数据预处理消除噪声数据，接着提取数据特征，基于聚类算法来对数据特征进行分类，从而达到异常路况检测的目的。通过移动终端的传感器数据即可检测道路上的异常路况，不需要技术人员实地考察，提高了异常路况的检测效率。
应该理解的是，虽然图2、图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种道路数据处理装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：获取模块902、提取模块904、处理模块906和确定模块908，其中：
获取模块902，用于获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段；行驶状态数据片段通过与目标车辆对应的传感器检测得到；
提取模块904，用于提取各行驶状态数据片段相应的行驶状态分布特征；
处理模块906，用于对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别；类别包括正常类别和异常类别；
确定模块908，用于基于异常类别下的行驶状态分布特征，确定目标道路的道路异常信息。
在一个实施例中，获取模块902，还用于：确定目标道路上的目标车辆；对于其中一辆目标车辆，依次获取目标车辆在预设时长内的传感器数据；预设时长根据目标车辆的前后轮分别通过异常路况的时长确定；提取各传感器数据在重力方向的子数据；将子数据作为行驶状态数据片段。
在一个实施例中，传感器数据包括加速度传感器数据和陀螺仪传感器数据中的至少一种；获取模块902，还用于：提取各加速度传感器数据在重力方向的子数据，以及各陀螺仪传感器数据在重力方向的子数据中的至少一种。
在一个实施例中，获取模块902，还用于：对于其中一个行驶状态数据片段，获取与行驶状态数据片段对应的噪声数据过滤范围；行驶状态数据片段中位于噪声数据过滤范围之外的数据为噪声数据；提取模块904，还用于：根据噪声数据过滤范围，从行驶状态数据片段中提取目标数据；提取各目标数据相应的行驶状态分布特征。
在一个实施例中，获取模块902，还用于：对于其中一个行驶状态数据片段，获取与行驶状态数据片段对应的历史行驶状态数据片段；获取历史行驶状态数据片段的均值和标准差；根据历史行驶状态数据片段的均值和标准差，生成与行驶状态数据片段对应的噪声数据过滤范围。
在一个实施例中，提取模块904，还用于：对于其中一个行驶状态数据片段，将行驶状态数据片段划分为至少两个第一子片段；确定各第一子片段分别在各特征维度的特征值；基于各第一子片段分别在各特征维度的特征值，生成行驶状态数据片段相应的行驶状态分布特征。
在一个实施例中，提取模块904，还用于：对于其中一个行驶状态数据片段，获取与行驶状态数据片段对应的差分数据片段；将差分数据片段划分为至少两个第二子片段；确定各第二子片段分别在各特征维度的特征值；基于各第一子片段分别在各特征维度的特征值和各第二子片段分别在各特征维度的特征值，生成行驶状态数据片段相应的行驶状态分布特征。
在一个实施例中，处理模块906，还用于：获取初始聚类中心点；基于各行驶状态分布特征与初始聚类中心点之间的距离，选取下一个聚类中心点，直至选取到预设数量的聚类中心点；根据预设数量的聚类中心点对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别。
在一个实施例中，处理模块906，还用于：对于其中一个类别，获取类别的聚类中心点以及类别下的行驶状态分布特征；根据类别的聚类中心点以及类别下的行驶状态分布特征，确定类别相应的误差平方和；按照最小化各类别相应的误差平方和的方向，继续对各行驶状态分布特征进行聚类处理，直至满足聚类停止条件。
在一个实施例中，确定模块908，还用于：获取与异常类别下的行驶状态分布特征对应的定位信息；基于异常类别下的行驶状态分布特征，以及异常类别下的行驶状态分布特征对应的定位信息，确定目标道路的道路异常信息。
在一个实施例中，异常类别包括减速带类别和弯道类别中的至少一种；确定模块908，还用于：对于减速带类别下的第一行驶状态分布特征，根据第一行驶状态分布特征以及第一行驶状态分布特征对应的定位信息，确定目标道路中的减速带位置；对于弯道类别下的第二行驶状态分布特征，根据第二行驶状态分布特征以及第二行驶状态分布特征对应的定位信息，确定目标道路中的弯道位置。
在一个实施例中，道路数据处理装置还包括分享模块，分享模块，还用于：分享道路异常信息，以提示目标道路上的车辆注意异常路况。
关于道路数据处理装置的具体限定可以参见上文中对于道路数据处理方法的限定，在此不再赘述。上述道路数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
上述道路数据处理装置中，获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段，提取各行驶状态数据片段相应的行驶状态分布特征，对各行驶状态分布特征进行聚类处理，得到各行驶状态分布特征对应的类别，基于异常类别下的行驶状态分布特征，确定目标道路的道路异常信息。由于行驶状态数据片段通过与目标车辆对应的传感器检测得到，通过获取传感器数据即可检测道路上的异常路况，不需要技术人员实地考察，提高了异常路况的检测效率。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储道路数据处理数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种道路数据处理方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种道路数据处理方法，其特征在于，所述方法包括：
获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段；所述行驶状态数据片段通过与所述目标车辆对应的传感器检测得到；
提取各所述行驶状态数据片段相应的行驶状态分布特征；
对各所述行驶状态分布特征进行聚类处理，得到各所述行驶状态分布特征对应的类别；所述类别包括正常类别和异常类别；
基于所述异常类别下的行驶状态分布特征，确定所述目标道路的道路异常信息。
2.根据权利要求1所述的方法，其特征在于，所述获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段，包括：
确定所述目标道路上的目标车辆；
对于其中一辆目标车辆，依次获取所述目标车辆在预设时长内的传感器数据；所述预设时长根据所述目标车辆的前后轮分别通过异常路况的时长确定；
提取各所述传感器数据在重力方向的子数据；
将所述子数据作为所述行驶状态数据片段。
3.根据权利要求2所述的方法，其特征在于，所述传感器数据包括加速度传感器数据和陀螺仪传感器数据中的至少一种；
所述提取各所述传感器数据在重力方向的子数据，包括：
提取各所述加速度传感器数据在重力方向的子数据，以及各所述陀螺仪传感器数据在重力方向的子数据中的至少一种。
4.根据权利要求1所述的方法，其特征在于，在提取各所述行驶状态数据片段相应的行驶状态分布特征之前，还包括：
对于其中一个行驶状态数据片段，获取与所述行驶状态数据片段对应的噪声数据过滤范围；所述行驶状态数据片段中位于所述噪声数据过滤范围之外的数据为噪声数据；
根据所述噪声数据过滤范围，从所述行驶状态数据片段中提取目标数据；
所述提取各所述行驶状态数据片段相应的行驶状态分布特征，包括：
提取各所述目标数据相应的行驶状态分布特征。
5.根据权利要求4所述的方法，其特征在于，所述对于其中一个行驶状态数据片段，获取与所述行驶状态数据片段对应的噪声数据过滤范围，包括：
对于其中一个行驶状态数据片段，获取与所述行驶状态数据片段对应的历史行驶状态数据片段；
获取所述历史行驶状态数据片段的均值和标准差；
根据所述历史行驶状态数据片段的均值和标准差，生成与所述行驶状态数据片段对应的噪声数据过滤范围。
6.根据权利要求1所述的方法，其特征在于，所述提取各所述行驶状态数据片段相应的行驶状态分布特征，包括：
对于其中一个行驶状态数据片段，将所述行驶状态数据片段划分为至少两个第一子片段；
确定各所述第一子片段分别在各特征维度的特征值；
基于各所述第一子片段分别在各特征维度的特征值，生成所述行驶状态数据片段相应的行驶状态分布特征。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
对于其中一个行驶状态数据片段，获取与所述行驶状态数据片段对应的差分数据片段；
将所述差分数据片段划分为至少两个第二子片段；
确定各所述第二子片段分别在各特征维度的特征值；
所述基于各所述第一子片段分别在各特征维度的特征值，生成所述行驶状态数据片段相应的行驶状态分布特征，包括：
基于各所述第一子片段分别在各特征维度的特征值和各所述第二子片段分别在各特征维度的特征值，生成所述行驶状态数据片段相应的行驶状态分布特征。
8.根据权利要求1所述的方法，其特征在于，所述对各所述行驶状态分布特征进行聚类处理，得到各所述行驶状态分布特征对应的类别，包括：
获取初始聚类中心点；
基于各所述行驶状态分布特征与所述初始聚类中心点之间的距离，选取下一个聚类中心点，直至选取得到预设数量的聚类中心点；
根据所述预设数量的聚类中心点对各所述行驶状态分布特征进行聚类处理，得到各所述行驶状态分布特征对应的类别。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
对于其中一个类别，获取所述类别的聚类中心点以及所述类别下的行驶状态分布特征；
根据所述类别的聚类中心点以及所述类别下的行驶状态分布特征，确定所述类别相应的误差平方和；
按照最小化各类别相应的误差平方和的方向，继续对各所述行驶状态分布特征进行聚类处理，直至满足聚类停止条件。
10.根据权利要求1所述的方法，其特征在于，所述基于所述异常类别下的行驶状态分布特征，确定所述目标道路的道路异常信息，包括：
获取与所述异常类别下的行驶状态分布特征对应的定位信息；
基于所述异常类别下的行驶状态分布特征，以及所述异常类别下的行驶状态分布特征对应的定位信息，确定所述目标道路的道路异常信息。
11.根据权利要求10所述的方法，其特征在于，所述异常类别包括减速带类别和弯道类别中的至少一种；所述基于所述异常类别下的行驶状态分布特征，以及所述异常类别下的行驶状态分布特征对应的定位信息，确定所述目标道路的道路异常信息，包括：
对于所述减速带类别下的第一行驶状态分布特征，根据所述第一行驶状态分布特征以及所述第一行驶状态分布特征对应的定位信息，确定所述目标道路中的减速带位置；
对于所述弯道类别下的第二行驶状态分布特征，根据所述第二行驶状态分布特征以及所述第二行驶状态分布特征对应的定位信息，确定所述目标道路中的弯道位置。
12.根据权利要求1所述的方法，其特征在于，所述方法还包括：
分享所述道路异常信息，以提示所述目标道路上的车辆注意异常路况。
13.一种道路数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取目标道路上至少一辆目标车辆的至少两个行驶状态数据片段；所述行驶状态数据片段通过与所述目标车辆对应的传感器检测得到；
提取模块，用于提取各所述行驶状态数据片段相应的行驶状态分布特征；
处理模块，用于对各所述行驶状态分布特征进行聚类处理，得到各所述行驶状态分布特征对应的类别；所述类别包括正常类别和异常类别；
确定模块，用于基于所述异常类别下的行驶状态分布特征，确定所述目标道路的道路异常信息。
14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至12中任一项所述的方法的步骤。
15.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至12中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011123988.2A CN114387777A (zh) | 2020-10-20 | 2020-10-20 | 道路数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011123988.2A CN114387777A (zh) | 2020-10-20 | 2020-10-20 | 道路数据处理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114387777A true CN114387777A (zh) | 2022-04-22 |
Family
ID=81193142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011123988.2A Pending CN114387777A (zh) | 2020-10-20 | 2020-10-20 | 道路数据处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114387777A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140330526A1 (en) * | 2013-05-06 | 2014-11-06 | Here Global B.V. | Assessing the road quality of one or more road segments in a road network |
| CN104236566A (zh) * | 2014-09-24 | 2014-12-24 | 深圳先进技术研究院 | 基于智能手机的地图匹配方法 |
| CN104243713A (zh) * | 2014-09-24 | 2014-12-24 | 深圳先进技术研究院 | 基于智能手机的弯道检测方法 |
| US20180158323A1 (en) * | 2016-07-12 | 2018-06-07 | Denso Corporation | Road condition monitoring system |
| CN108280415A (zh) * | 2018-01-17 | 2018-07-13 | 武汉理工大学 | 基于智能移动终端的驾驶行为识别方法 |
| US20190080593A1 (en) * | 2016-03-11 | 2019-03-14 | Nec Corporation | Abnormal travel detecting device, abnormal travel detecting method, storage medium storing program for same, and abnormal travel detecting system |
| CN109629379A (zh) * | 2018-11-27 | 2019-04-16 | 上海炬宏信息技术有限公司 | 一种基于手机传感器数据的路面检测方法 |
| WO2019121498A1 (de) * | 2017-12-21 | 2019-06-27 | Continental Automotive Gmbh | ERMITTLUNG EINES STRAßENZUSTANDES DURCH AUSWERTUNG VON SENSORDATEN EINES STRAßENFAHRZEUGES |
-
2020
- 2020-10-20 CN CN202011123988.2A patent/CN114387777A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140330526A1 (en) * | 2013-05-06 | 2014-11-06 | Here Global B.V. | Assessing the road quality of one or more road segments in a road network |
| CN104236566A (zh) * | 2014-09-24 | 2014-12-24 | 深圳先进技术研究院 | 基于智能手机的地图匹配方法 |
| CN104243713A (zh) * | 2014-09-24 | 2014-12-24 | 深圳先进技术研究院 | 基于智能手机的弯道检测方法 |
| US20190080593A1 (en) * | 2016-03-11 | 2019-03-14 | Nec Corporation | Abnormal travel detecting device, abnormal travel detecting method, storage medium storing program for same, and abnormal travel detecting system |
| US20180158323A1 (en) * | 2016-07-12 | 2018-06-07 | Denso Corporation | Road condition monitoring system |
| WO2019121498A1 (de) * | 2017-12-21 | 2019-06-27 | Continental Automotive Gmbh | ERMITTLUNG EINES STRAßENZUSTANDES DURCH AUSWERTUNG VON SENSORDATEN EINES STRAßENFAHRZEUGES |
| CN108280415A (zh) * | 2018-01-17 | 2018-07-13 | 武汉理工大学 | 基于智能移动终端的驾驶行为识别方法 |
| CN109629379A (zh) * | 2018-11-27 | 2019-04-16 | 上海炬宏信息技术有限公司 | 一种基于手机传感器数据的路面检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107492251B (zh) | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 | |
| Dong et al. | Characterizing driving styles with deep learning | |
| Gao et al. | Multivariate time series prediction of lane changing behavior using deep neural network | |
| JP2020530578A (ja) | 運転行為の採点方法及び装置 | |
| CN110329271A (zh) | 一种基于机器学习的多传感器车辆行驶检测系统及方法 | |
| US20200019585A1 (en) | Triangulation for k-anonymity in location trajectory data | |
| Tanprasert et al. | Combining unsupervised anomaly detection and neural networks for driver identification | |
| Jeong et al. | Real-time driver identification using vehicular big data and deep learning | |
| Moosavi et al. | Driving style representation in convolutional recurrent neural network model of driver identification | |
| Menegazzo et al. | Multi-contextual and multi-aspect analysis for road surface type classification through inertial sensors and deep learning | |
| CN113568416B (zh) | 无人车轨迹规划方法、装置和计算机可读存储介质 | |
| CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
| CN112129290A (zh) | 用于监测骑行设备的系统及方法 | |
| EP3382570A1 (en) | Method for characterizing driving events of a vehicle based on an accelerometer sensor | |
| Muñoz-Organero et al. | Detecting different road infrastructural elements based on the stochastic characterization of speed patterns | |
| CN115761551A (zh) | 一种自动驾驶仿真场景生成方法、装置、设备及介质 | |
| CN114387777A (zh) | 道路数据处理方法、装置、计算机设备和存储介质 | |
| CN113537258B (zh) | 行动轨迹预测方法、装置、计算机可读介质及电子设备 | |
| Marciniuk et al. | Machine learning applied to acoustic-based road traffic monitoring | |
| Raslan et al. | IoT for measuring road network quality index | |
| Prezioso et al. | Machine Learning Insights for Behavioral Data Analysis Supporting the Autonomous Vehicles Scenario | |
| US20190197038A1 (en) | Feature data storage apparatus | |
| Li et al. | Research on abnormal monitoring of vehicle traffic network data based on support vector machine | |
| Milardo et al. | An unsupervised approach for driving behavior analysis of professional truck drivers | |
| Sarker et al. | DeepDMC: A traffic context independent deep driving maneuver classification framework |
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 |