CN117076872A - 一种智能化道路设备信息采集的测试方法及系统 - Google Patents

一种智能化道路设备信息采集的测试方法及系统 Download PDF

Info

Publication number
CN117076872A
CN117076872A CN202311337955.1A CN202311337955A CN117076872A CN 117076872 A CN117076872 A CN 117076872A CN 202311337955 A CN202311337955 A CN 202311337955A CN 117076872 A CN117076872 A CN 117076872A
Authority
CN
China
Prior art keywords
information data
road information
road
data
testing
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
Application number
CN202311337955.1A
Other languages
English (en)
Other versions
CN117076872B (zh
Inventor
张一鹏
李振华
范青蓝
张卓敏
刘砚玥
吴梦怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Research Institute of Highway Ministry of Transport
Original Assignee
Research Institute of Highway Ministry of Transport
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Research Institute of Highway Ministry of Transport filed Critical Research Institute of Highway Ministry of Transport
Priority to CN202311337955.1A priority Critical patent/CN117076872B/zh
Publication of CN117076872A publication Critical patent/CN117076872A/zh
Application granted granted Critical
Publication of CN117076872B publication Critical patent/CN117076872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/098—Distributed learning, e.g. federated learning
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种智能化道路设备信息采集的测试方法及系统，包括获取智能化道路设备的道路信息数据，对所述道路信息数据进行预处理，对预处理后的所述道路信息数据进行异常标注，获取标注数据，根据所述标注数据获取测试影响和干扰值，根据所述测试影响和所述干扰值对所述道路信息数据进行关联性分析获取道路关联数据，根据所述道路关联数据构建道路信息数据测试模型，优化所述道路信息数据测试模型，将所述道路关联数据输入优化后的所述道路信息数据测试模型，输出测试结果。该方法不仅可以提高道路信息测试精度，同时具有较好的可解释性，可以直接应用于智能化道路设备信息采集的测试系统中。

Description

一种智能化道路设备信息采集的测试方法及系统
技术领域
本发明涉及智能测试领域，尤其涉及一种智能化道路设备信息采集的测试方法及系统。
背景技术
道路信息采集的测试技术在智能测试领域的应用越来越广泛，可以帮助数字自动驾驶车辆的驾驶者及时、高效地测试道路信息，实现自动驾驶车辆道路信息采集的精准测试。目前，道路信息采集具有用户信息量庞大、数据种类多样、信息密度大等特点，道路信息采集的测试方法存在较多的不确定因素，导致道路信息采集的测试方法存在较大的不确定性。虽然已经发明了一些道路信息采集的测试方法，但是仍不能有效解决自动驾驶车辆道路信息采集的测试方法的不确定问题。
发明内容
本发明的目的是要提供一种智能化道路设备信息采集的测试方法及系统。
为达到上述目的，本发明是按照以下技术方案实施的：
本发明包括以下步骤：
A获取智能化道路设备的道路信息数据，对所述道路信息数据进行预处理；
B对预处理后的所述道路信息数据进行异常标注，获取标注数据，根据所述标注数据获取测试影响和干扰值；
C根据所述测试影响和所述干扰值对所述道路信息数据进行关联性分析获取道路关联数据，根据所述道路关联数据构建道路信息数据测试模型；
D优化所述道路信息数据测试模型，将所述道路关联数据输入优化后的所述道路信息数据测试模型，输出测试结果；优化所述道路信息数据测试模型的方法，包括：
a、初始化种群，初始化随机粒子，粒子包含速度和位置属性，给定适应度函数，适应度的计算公式为：
其中训练道路信息数据的数量为q，个样本的真实标签为/>，/>个样本的输出值为/>，卷积计算为/>，卷积层数量为s，/>个卷积层中卷积核的数量为p，/>个卷积层中/>个卷积核对应的/>个例子中的局部位置向量为/>，/>层卷积层的输入输入向量为/>，/>层卷积层的偏置为/>，激活函数的映射关系为/>，第k个局部向量的适应度函数为/>，计算粒子的适应度值，根据适应度值大小，迭代更新粒子的速度和位置，速度和位置的计算公式为：
其中迭代次数为t，粒子的速度为，粒子的位置为/>，惯性因子为/>，学习因子为和/>，介于0和1之间的随机数为/>和/>，粒子的历史最优位置为/>，所有粒子最优位置为/>，第t次迭代的粒子速度为/>，第t次迭代的粒子位置为/>，第t+1次迭代的粒子速度为，第t+1次迭代的粒子位置为/>，不断迭代直到遍历完道路信息数据；
b、计算归一化指数函数偏导数：
其中网络节点的数量为h，第i个未经过激活函数的前向输出为，第j个经过激活函数的前向输出为/>，卷积核为a，输出反向误差，反向误差的计算公式为：
其中损失函数第L层前向输入b的梯度，误差基数为w，计算卷积层的反向传播误差为：
其中第l+1层n通道与l层m通道对应卷核为，第l+1层n通道的反向误差为/>，旋度为rt，线性整流函数为/>，/>的导数为/>。
进一步的，在步骤A中所述预处理的方法，包括对所述道路信息数据进行数据提取，对提取后的道路信息数据进行去重、缺失值处理、异常值处理、数据规约、数据转化、标准化、向量化。
进一步的，对预处理后的所述道路信息数据进行异常标注的方法，包括：
计算的道路信息数据的距离：
其中第i个道路信息数据为，第j个道路信息数据为/>，道路信息数据/>的x轴值为，道路信息数据/>的y轴值为/>，道路信息数据/>的z轴值为/>，道路信息数据/>的x轴值为/>，道路信息数据/>的y轴值为/>，道路信息数据/>的z轴值为/>；
计算道路信息数据的第k距离：
若在集合中至少有不包括在内的k个点/>，则/>；若在集合中最多有不包括/>在内的k-1个点/>，则/>，其中道路信息数据/>的k距离为/>，道路信息数据集合为C，任意一个道路信息数据为/>；
获取道路信息数据的第k距离邻域与固定点的距离小于等于第k距离的所有道路信息数据构成的区域，计算道路信息数据的可达距离：
其中道路信息数据到道路信息数据/>的可达距离为/>，道路信息数据/>的距离为/>，计算道路信息数据的局部可达密度：
其中道路信息数据的第k距离领域为/>，计算道路信息数据的局部离群因子：
其中道路信息数据的局部离群因子为/>，道路信息数据/>的局部可达密度为，如果道路信息数据的局部离群因子大于1，则标注该道路信息数据为异常点，反之为正常道路信息数据。
进一步的，根据所述标注数据获取测试影响和干扰值的方法，包括：
测试影响包括正常率、异常率和正常响应率，计算正常率：
其中道路信息数据的正常率为，道路信息数据的数量C，标注数据中异常数据的数量Q，计算异常率：
其中道路信息数据的异常率为，计算正常响应率：
其中道路信息数据的正常响应率为，响应时间小于等于响应时间阈值的道路信息数据的数量为K，获取智能化道路设备的干扰值。
进一步的，根据所述测试影响和所述干扰值对所述道路信息数据进行关联性分析获取道路关联数据的方法，包括：
计算所述测试影响与所述道路信息数据的关联系数：
其中第i个道路信息数据为，第j个因变量为/>，道路信息数据的数量为m，因变量的数量为n，第j个因变量的关联系数为/>，保留关联系数大于等于0.5的因变量对应的道路信息数据，输出为道路关联数据。
进一步的，根据所述道路关联数据构建道路信息数据测试模型的方法，包括：
所述道路信息数据测试模型将测试影响和干扰值作为目标，从道路信息数据中提取与道路信息相关的特征，根据提取的特征和测试影响采用卷积神经网络算法构建道路信息数据测试模型，使用随机森林算法将道路信息数据分成测试集和训练集，使用训练集训练道路信息数据测试模型，采用训练集验证训练效果，计算F1得分：
其中预测的道路信息数据为p，实际道路信息数据为r，直到效率和F1得分分别达到0.87以上时停止训练。
第二方面，一种智能化道路设备信息采集的测试系统，包括：
预处理模块：用于获取智能化道路设备的道路信息数据，对所述道路信息数据进行预处理；
异常标注模块：用于对预处理后的所述道路信息数据进行异常标注，获取标注数据，根据所述标注数据获取测试影响和干扰值；
关联模块：用于根据所述测试影响和所述干扰值对所述道路信息数据进行关联性分析获取道路关联数据 ，根据所述道路关联数据构建道路信息数据测试模型；
优化模块：用于优化所述道路信息数据测试模型，将所述道路关联数据输入优化后的所述道路信息数据测试模型，输出测试结果；优化所述道路信息数据测试模型的方法，包括：
a、初始化种群，初始化随机粒子，粒子包含速度和位置属性，给定适应度函数，适应度的计算公式为：
其中训练道路信息数据的数量为q，个样本的真实标签为/>，/>个样本的输出值为/>，卷积计算为/>，卷积层数量为s，/>个卷积层中卷积核的数量为p，/>个卷积层中/>个卷积核对应的/>个例子中的局部位置向量为/>，/>层卷积层的输入输入向量为/>，/>层卷积层的偏置为/>，激活函数的映射关系为/>，第k个局部向量的适应度函数为/>，计算粒子的适应度值，根据适应度值大小，迭代更新粒子的速度和位置，速度和位置的计算公式为：
其中迭代次数为t，粒子的速度为，粒子的位置为/>，惯性因子为/>，学习因子为和/>，介于0和1之间的随机数为/>和/>，粒子的历史最优位置为/>，所有粒子最优位置为/>，第t次迭代的粒子速度为/>，第t次迭代的粒子位置为/>，第t+1次迭代的粒子速度为，第t+1次迭代的粒子位置为/>，不断迭代直到遍历完道路信息数据；
b、计算归一化指数函数偏导数：
其中网络节点的数量为h，第i个未经过激活函数的前向输出为，第j个经过激活函数的前向输出为/>，卷积核为a，输出反向误差，反向误差的计算公式为：
其中损失函数第L层前向输入b的梯度，误差基数为w，计算卷积层的反向传播误差为：
其中第l+1层n通道与l层m通道对应卷核为，第l+1层n通道的反向误差为/>，旋度为rt，线性整流函数为/>，/>的导数为/>。
本发明的有益效果是：
本发明是一种智能化道路设备信息采集的测试方法及系统，与现有技术相比，本发明具有以下技术效果：
1．本发明通过预处理、异常标注、关联性分析、模型构建和优化模型等步骤，可以提高智能化道路信息测试的准确性，从而提高智能化道路信息测试的精度，将智能化道路信息测试自动化，可以大大节省人力和时间成本，提高工作效率，可以实现对自动驾驶车辆道路信息采集的精准测试，实时测试自动驾驶车辆采集的道路信息，对自动驾驶车辆道路信息采集的测试具有重要意义，可以适应不同自动驾驶系统、不同用户测试的自动驾驶车辆道路信息采集的测试需求，具有一定的普适性。
2．本发明的方法可以综合考虑智能化道路设备信息采集的测试方法的优化，利用道路信息数据测试模型将测试问题转化为优化问题，通过对已知预处理数据的训练，实现对测试的准确把控。该方法不仅可以提高道路信息测试精度，同时具有较好的可解释性，可以直接应用于智能化道路设备信息采集的测试系统中。
附图说明
图1为本发明一种智能化道路设备信息采集的测试方法的步骤流程图。
具体实施方式
下面以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
本发明一种智能化道路设备信息采集的测试方法包括以下步骤：
如图1所示，在本实施例中，包括以下步骤：
A获取智能化道路设备的道路信息数据，对所述道路信息数据进行预处理；
在实际评估中，在不同的道路状况、交通流量、天气状况、电磁辐射、噪声测试自动驾驶车辆是否能准确识别道路标志、交通信号灯、车道线、交通流量，道路信息数据包括交通标志、车道线、车道边缘线、交通信号灯、车辆的位置、速度、加速度、转向、道路数据、传感器数据、天气数据，获取103组道路信息数据，预处理后有100组道路信息数据；
B对预处理后的所述道路信息数据进行异常标注，获取标注数据，根据所述标注数据获取测试影响和干扰值；
C根据所述测试影响和所述干扰值对所述道路信息数据进行关联性分析获取道路关联数据，根据所述道路关联数据构建道路信息数据测试模型；
D优化所述道路信息数据测试模型，将所述道路关联数据输入优化后的所述道路信息数据测试模型，输出测试结果；优化所述道路信息数据测试模型的方法，包括：
a、初始化种群，初始化随机粒子，粒子包含速度和位置属性，给定适应度函数，适应度的计算公式为：
其中训练道路信息数据的数量为q，个样本的真实标签为/>，/>个样本的输出值为/>，卷积计算为/>，卷积层数量为s，/>个卷积层中卷积核的数量为p，/>个卷积层中/>个卷积核对应的/>个例子中的局部位置向量为/>，/>层卷积层的输入输入向量为/>，/>层卷积层的偏置为/>，激活函数的映射关系为/>，第k个局部向量的适应度函数为/>，计算粒子的适应度值，根据适应度值大小，迭代更新粒子的速度和位置，速度和位置的计算公式为：
其中迭代次数为t，粒子的速度为，粒子的位置为/>，惯性因子为/>，学习因子为和/>，介于0和1之间的随机数为/>和/>，粒子的历史最优位置为/>，所有粒子最优位置为/>，第t次迭代的粒子速度为/>，第t次迭代的粒子位置为/>，第t+1次迭代的粒子速度为，第t+1次迭代的粒子位置为/>，不断迭代直到遍历完道路信息数据；
b、计算归一化指数函数偏导数：
其中网络节点的数量为h，第i个未经过激活函数的前向输出为，第j个经过激活函数的前向输出为/>，卷积核为a，输出反向误差，反向误差的计算公式为：
其中损失函数第L层前向输入b的梯度，误差基数为w，计算卷积层的反向传播误差为：
其中第l+1层n通道与l层m通道对应卷核为，第l+1层n通道的反向误差为/>，旋度为rt，线性整流函数为/>，/>的导数为/>；
在实际评估中，优化前的道路信息数据测试模型正确率为92.2%，优化后的道路信息数据测试模型正确率为96.9%，优化后算法的加速比提升了12.21%。
在本实施例中，在步骤A中所述预处理的方法，包括对所述道路信息数据进行数据提取，对提取后的道路信息数据进行去重、缺失值处理、异常值处理、数据规约、数据转化、标准化、向量化。
在本实施例中，对预处理后的所述道路信息数据进行异常标注的方法，包括：
计算的道路信息数据的距离：
其中第i个道路信息数据为，第j个道路信息数据为/>，道路信息数据/>的x轴值为，道路信息数据/>的y轴值为/>，道路信息数据/>的z轴值为/>，道路信息数据/>的x轴值为/>，道路信息数据/>的y轴值为/>，道路信息数据/>的z轴值为/>；
计算道路信息数据的第k距离：
若在集合中至少有不包括在内的k个点/>，则/>；若在集合中最多有不包括/>在内的k-1个点/>，则/>，其中道路信息数据/>的k距离为/>，道路信息数据集合为C，任意一个道路信息数据为/>；
获取道路信息数据的第k距离邻域与固定点的距离小于等于第k距离的所有道路信息数据构成的区域，计算道路信息数据的可达距离：
其中道路信息数据到道路信息数据/>的可达距离为/>，道路信息数据/>的距离为/>，计算道路信息数据的局部可达密度：
其中道路信息数据的第k距离领域为/>，计算道路信息数据的局部离群因子：
其中道路信息数据的局部离群因子为/>，道路信息数据/>的局部可达密度为，如果道路信息数据的局部离群因子大于1，则标注该道路信息数据为异常点，反之为正常道路信息数据；
在实际评估中，筛选出37组异常数据，63组正常数据。
在本实施例中，根据所述标注数据获取测试影响和干扰值的方法，包括：
测试影响包括正常率、异常率和正常响应率，计算正常率：
其中道路信息数据的正常率为，道路信息数据的数量C，标注数据中异常数据的数量Q，计算异常率：
其中道路信息数据的异常率为，计算正常响应率：
其中道路信息数据的正常响应率为，响应时间小于等于响应时间阈值的道路信息数据的数量为K；
获取智能化道路设备的干扰值：干扰值包括道路干扰值、环境干扰值、电子干扰值：
道路干扰值：通过在道路上实地考察和测量，记录下各种可能的干扰因素，对干扰因素进行定性和定量分析，对干扰因素进行加权平均得到道路干扰值；
环境干扰值：通过无线电接收设备，测量出环境中存在的无线电信号强度、信号质量等参数，结合已知的干扰源信息进行综合分析得出环境干扰值；
电子干扰值：将相关测量设备安装在车辆上，在车辆行驶过程中实时监测并记录车辆产生的各种干扰因素，结合具体的干扰测量技术和算法进行处理，得出车辆干扰值；
在实际评估中，道路信息数据的正常率为0.63，道路信息数据的异常率为0.37，响应时间阈值设定为1.5秒，响应时间小于等于响应时间阈值的道路信息数据的数量有78组，正常响应率0.78，道路干扰值0.09秒，环境干扰值0.17秒，电子干扰值0.25秒。
在本实施例中，根据所述测试影响和所述干扰值对所述道路信息数据进行关联性分析获取道路关联数据的方法，包括：
计算所述测试影响与所述道路信息数据的关联系数：
其中第i个道路信息数据为，第j个因变量为/>，道路信息数据的数量为m，因变量的数量为n，第j个因变量的关联系数为/>，保留关联系数大于等于0.5的因变量对应的道路信息数据，输出为道路关联数据；
在实际评估中，计算出交通标志、车道线、车道边缘线、交通信号灯、车辆的位置、速度、加速度、转向、道路数据、传感器数据、天气数据、道路干扰值、环境干扰值、电子干扰值的关联系数分别为0.73、0.54、0.69、0.81、0.41、0.59、0.63、0.49、0.52、0.94、0.75、0.31、0.51、0.67，获取的关联数据包括交通标志、车道线、车道边缘线、交通信号灯、速度、加速度、道路数据、传感器数据、天气数据、环境干扰值、电子干扰值。
在本实施例中，根据所述道路关联数据构建道路信息数据测试模型的方法，包括：
所述道路信息数据测试模型将测试影响和干扰值作为目标，从道路信息数据中提取与道路信息相关的特征，根据提取的特征和测试影响采用卷积神经网络算法构建道路信息数据测试模型，使用随机森林算法将道路信息数据分成测试集和训练集，使用训练集训练道路信息数据测试模型，采用训练集验证训练效果，计算F1得分：
其中预测的道路信息数据为p，实际道路信息数据为r，直到效率和F1得分分别达到0.87以上时停止训练。
第二方面，一种智能化道路设备信息采集的测试系统，包括：
预处理模块：用于获取智能化道路设备的道路信息数据，对所述道路信息数据进行预处理；
异常标注模块：用于对预处理后的所述道路信息数据进行异常标注，获取标注数据，根据所述标注数据获取测试影响和干扰值；
关联模块：用于根据所述测试影响和所述干扰值对所述道路信息数据进行关联性分析获取道路关联数据 ，根据所述道路关联数据构建道路信息数据测试模型；
优化模块：用于优化所述道路信息数据测试模型，将所述道路关联数据输入优化后的所述道路信息数据测试模型，输出测试结果；优化所述道路信息数据测试模型的方法，包括：
a、初始化种群，初始化随机粒子，粒子包含速度和位置属性，给定适应度函数，适应度的计算公式为：
其中训练道路信息数据的数量为q，个样本的真实标签为/>，/>个样本的输出值为/>，卷积计算为/>，卷积层数量为s，/>个卷积层中卷积核的数量为p，/>个卷积层中/>个卷积核对应的/>个例子中的局部位置向量为/>，/>层卷积层的输入输入向量为/>，/>层卷积层的偏置为/>，激活函数的映射关系为/>，第k个局部向量的适应度函数为/>，计算粒子的适应度值，根据适应度值大小，迭代更新粒子的速度和位置，速度和位置的计算公式为：
其中迭代次数为t，粒子的速度为，粒子的位置为/>，惯性因子为/>，学习因子为和/>，介于0和1之间的随机数为/>和/>，粒子的历史最优位置为/>，所有粒子最优位置为/>，第t次迭代的粒子速度为/>，第t次迭代的粒子位置为/>，第t+1次迭代的粒子速度为，第t+1次迭代的粒子位置为/>，不断迭代直到遍历完道路信息数据；
b、计算归一化指数函数偏导数：
其中网络节点的数量为h，第i个未经过激活函数的前向输出为，第j个经过激活函数的前向输出为/>，卷积核为a，输出反向误差，反向误差的计算公式为：
其中损失函数第L层前向输入b的梯度，误差基数为w，计算卷积层的反向传播误差为：
其中第l+1层n通道与l层m通道对应卷核为，第l+1层n通道的反向误差为/>，旋度为rt，线性整流函数为/>，/>的导数为/>。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种智能化道路设备信息采集的测试方法，其特征在于，包括以下步骤：
A获取智能化道路设备的道路信息数据，对所述道路信息数据进行预处理；
B对预处理后的所述道路信息数据进行异常标注，获取标注数据，根据所述标注数据获取测试影响和干扰值；
C根据所述测试影响和所述干扰值对所述道路信息数据进行关联性分析获取道路关联数据，根据所述道路关联数据构建道路信息数据测试模型；
D优化所述道路信息数据测试模型，将所述道路关联数据输入优化后的所述道路信息数据测试模型，输出测试结果；优化所述道路信息数据测试模型的方法，包括：
a、初始化种群，初始化随机粒子，粒子包含速度和位置属性，给定适应度函数，适应度的计算公式为：
；
；
其中训练道路信息数据的数量为q，个样本的真实标签为/>，/>个样本的输出值为/>，卷积计算为/>，卷积层数量为s，/>个卷积层中卷积核的数量为p，/>个卷积层中/>个卷积核对应的/>个例子中的局部位置向量为/>，/>层卷积层的输入输入向量为/>，/>层卷积层的偏置为/>，激活函数的映射关系为/>，第k个局部向量的适应度函数为/>，计算粒子的适应度值，根据适应度值大小，迭代更新粒子的速度和位置，速度和位置的计算公式为：
；
；
其中迭代次数为t，粒子的速度为，粒子的位置为/>，惯性因子为/>，学习因子为/>和，介于0和1之间的随机数为/>和/>，粒子的历史最优位置为/>，所有粒子最优位置为/>，第t次迭代的粒子速度为/>，第t次迭代的粒子位置为/>，第t+1次迭代的粒子速度为/>，第t+1次迭代的粒子位置为/>，不断迭代直到遍历完道路信息数据；
b、计算归一化指数函数偏导数：
；
其中网络节点的数量为h，第i个未经过激活函数的前向输出为，第j个经过激活函数的前向输出为/>，卷积核为a，输出反向误差，反向误差的计算公式为：
其中损失函数第L层前向输入b的梯度，误差基数为w，计算卷积层的反向传播误差为：
；
其中第l+1层n通道与l层m通道对应卷核为，第l+1层n通道的反向误差为/>，旋度为rt，线性整流函数为/>，/>的导数为/>。
2.根据权利要求1所述的一种智能化道路设备信息采集的测试方法，其特征在于，在步骤A中所述预处理的方法，包括对所述道路信息数据进行数据提取，对提取后的道路信息数据进行去重、缺失值处理、异常值处理、数据规约、数据转化、标准化、向量化。
3.根据权利要求1所述的一种智能化道路设备信息采集的测试方法，其特征在于，对预处理后的所述道路信息数据进行异常标注的方法，包括：
计算的道路信息数据的距离：
；
其中第i个道路信息数据为，第j个道路信息数据为/>，道路信息数据/>的x轴值为/>，道路信息数据/>的y轴值为/>，道路信息数据/>的z轴值为/>，道路信息数据/>的x轴值为/>，道路信息数据/>的y轴值为/>，道路信息数据/>的z轴值为/>；
计算道路信息数据的第k距离：
；
若在集合中至少有不包括在内的k个点/>，则/>；若在集合中最多有不包括/>在内的k-1个点/>，则/>，其中道路信息数据/>的k距离为/>，道路信息数据集合为C，任意一个道路信息数据为/>；
获取道路信息数据的第k距离邻域与固定点的距离小于等于第k距离的所有道路信息数据构成的区域，计算道路信息数据的可达距离：
；
其中道路信息数据到道路信息数据/>的可达距离为/>，道路信息数据/>的距离为/>，计算道路信息数据的局部可达密度：
；
其中道路信息数据的第k距离领域为/>，计算道路信息数据的局部离群因子：
；
其中道路信息数据的局部离群因子为/>，道路信息数据/>的局部可达密度为，如果道路信息数据的局部离群因子大于1，则标注该道路信息数据为异常点，反之为正常道路信息数据。
4.根据权利要求1所述的一种智能化道路设备信息采集的测试方法，其特征在于，根据所述标注数据获取测试影响和干扰值的方法，包括：
测试影响包括正常率、异常率和正常响应率，计算正常率：
其中道路信息数据的正常率为，道路信息数据的数量C，标注数据中异常数据的数量Q，计算异常率：
其中道路信息数据的异常率为，计算正常响应率：
其中道路信息数据的正常响应率为，响应时间小于等于响应时间阈值的道路信息数据的数量为K，获取智能化道路设备的干扰值。
5.根据权利要求1所述的一种智能化道路设备信息采集的测试方法，其特征在于，根据所述测试影响和所述干扰值对所述道路信息数据进行关联性分析获取道路关联数据的方法，包括：
计算因变量测试影响和干扰值与所述道路信息数据的关联系数：
；
其中第i个道路信息数据为，第j个因变量为/>，道路信息数据的数量为m，因变量的数量为n，第j个因变量的关联系数为/>，保留关联系数大于等于0.5的因变量对应的道路信息数据，输出为道路关联数据。
6.根据权利要求1所述的一种智能化道路设备信息采集的测试方法，其特征在于，根据所述道路关联数据构建道路信息数据测试模型的方法，包括：
所述道路信息数据测试模型将测试影响和干扰值作为目标，从道路信息数据中提取与道路信息相关的特征，根据提取的特征和测试影响采用卷积神经网络算法构建道路信息数据测试模型，使用随机森林算法将道路信息数据分成测试集和训练集，使用训练集训练道路信息数据测试模型，采用训练集验证训练效果，计算F1得分：
；
其中预测的道路信息数据为p，实际道路信息数据为r，直到效率和F1得分分别达到0.87以上时停止训练。
7.一种智能化道路设备信息采集的测试系统，其特征在于，包括：
预处理模块：用于获取智能化道路设备的道路信息数据，对所述道路信息数据进行预处理；
异常标注模块：用于对预处理后的所述道路信息数据进行异常标注，获取标注数据，根据所述标注数据获取测试影响和干扰值；
关联模块：用于根据所述测试影响和所述干扰值对所述道路信息数据进行关联性分析获取道路关联数据 ，根据所述道路关联数据构建道路信息数据测试模型；
优化模块：用于优化所述道路信息数据测试模型，将所述道路关联数据输入优化后的所述道路信息数据测试模型，输出测试结果；优化所述道路信息数据测试模型的方法，包括：
a、初始化种群，初始化随机粒子，粒子包含速度和位置属性，给定适应度函数，适应度的计算公式为：
；
；
其中训练道路信息数据的数量为q，个样本的真实标签为/>，/>个样本的输出值为/>，卷积计算为/>，卷积层数量为s，/>个卷积层中卷积核的数量为p，/>个卷积层中/>个卷积核对应的/>个例子中的局部位置向量为/>，/>层卷积层的输入输入向量为/>，/>层卷积层的偏置为/>，激活函数的映射关系为/>，第k个局部向量的适应度函数为/>，计算粒子的适应度值，根据适应度值大小，迭代更新粒子的速度和位置，速度和位置的计算公式为：
；
；
其中迭代次数为t，粒子的速度为，粒子的位置为/>，惯性因子为/>，学习因子为/>和，介于0和1之间的随机数为/>和/>，粒子的历史最优位置为/>，所有粒子最优位置为/>，第t次迭代的粒子速度为/>，第t次迭代的粒子位置为/>，第t+1次迭代的粒子速度为/>，第t+1次迭代的粒子位置为/>，不断迭代直到遍历完道路信息数据；
b、计算归一化指数函数偏导数：
；
其中网络节点的数量为h，第i个未经过激活函数的前向输出为，第j个经过激活函数的前向输出为/>，卷积核为a，输出反向误差，反向误差的计算公式为：
；
其中损失函数第L层前向输入b的梯度，误差基数为w，计算卷积层的反向传播误差为：
；
其中第l+1层n通道与l层m通道对应卷核为，第l+1层n通道的反向误差为/>，旋度为rt，线性整流函数为/>，/>的导数为/>。
CN202311337955.1A 2023-10-17 2023-10-17 一种智能化道路设备信息采集的测试方法及系统 Active CN117076872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311337955.1A CN117076872B (zh) 2023-10-17 2023-10-17 一种智能化道路设备信息采集的测试方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311337955.1A CN117076872B (zh) 2023-10-17 2023-10-17 一种智能化道路设备信息采集的测试方法及系统

Publications (2)

Publication Number Publication Date
CN117076872A true CN117076872A (zh) 2023-11-17
CN117076872B CN117076872B (zh) 2023-12-26

Family

ID=88706493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311337955.1A Active CN117076872B (zh) 2023-10-17 2023-10-17 一种智能化道路设备信息采集的测试方法及系统

Country Status (1)

Country Link
CN (1) CN117076872B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807501A (zh) * 2021-09-22 2021-12-17 华南师范大学 基于改进粒子群算法的数据预测方法及装置
CN114881356A (zh) * 2022-05-31 2022-08-09 江苏地质矿产设计研究院(中国煤炭地质总局检测中心) 基于粒子群算法优化bp神经网络的城市交通碳排预测方法
CN116721537A (zh) * 2023-04-21 2023-09-08 淮阴工学院 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
CN116738211A (zh) * 2023-06-26 2023-09-12 西安工业大学 一种基于多源异构数据融合的道路状况识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807501A (zh) * 2021-09-22 2021-12-17 华南师范大学 基于改进粒子群算法的数据预测方法及装置
CN114881356A (zh) * 2022-05-31 2022-08-09 江苏地质矿产设计研究院(中国煤炭地质总局检测中心) 基于粒子群算法优化bp神经网络的城市交通碳排预测方法
CN116721537A (zh) * 2023-04-21 2023-09-08 淮阴工学院 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
CN116738211A (zh) * 2023-06-26 2023-09-12 西安工业大学 一种基于多源异构数据融合的道路状况识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DAN SHEN ET AL.: "Test Scenarios Development and Data Collection Methods for the Evaluation of Vehicle Road Departure Prevention Systems", 《IEEE TRANSACTIONS ON INTELLIGENT VEHICLES》 *
刘砚玥 等: "高速公路智能设备关键性能在途测评方法", 《公路交通科技》 *

Also Published As

Publication number Publication date
CN117076872B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN108830188B (zh) 基于深度学习的车辆检测方法
CN109871876B (zh) 一种基于浮动车数据的高速公路路况识别与预测方法
CN111913156B (zh) 基于深度学习模型与特征联合的雷达辐射源个体识别方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN110188797B (zh) 一种基于贝叶斯优化的智能汽车快速测试方法
CN110120218A (zh) 基于gmm-hmm的高速公路大型车辆识别方法
WO2021013190A1 (zh) 基于气象参数的高速列车导航盲区定位方法及系统
CN108197731B (zh) 一种基于共同训练的机动车尾气遥测与车检结果一致性方法
CN117242487A (zh) 一种多源混合型特高频局部放电图谱的分离识别方法
CN111652835A (zh) 基于深度学习与聚类的输电线路绝缘子缺失的检测方法
CN110533007A (zh) 一种桥梁车载应变影响线特征智能识别与提取方法
CN112101132B (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
CN110210326B (zh) 一种基于光纤振动信号的在线列车识别及速度估计方法
CN114882069A (zh) 基于lstm网络和注意力机制的出租车轨迹异常检测方法
CN117763423A (zh) 一种基于深度学习的智能汽车激光雷达点云异常检测方法
CN117076872B (zh) 一种智能化道路设备信息采集的测试方法及系统
CN117171506A (zh) 一种基于imu的工程车辆运行状态监测方法及装置
CN117496463A (zh) 一种提高道路感知精度的学习方法及系统
CN114710831B (zh) 一种基于深度学习的rfid标签定位系统
CN103745232B (zh) 基于波段迁移的高光谱图像聚类方法
CN115497303A (zh) 一种复杂检测条件下的高速公路车速检测方法及系统
CN115909717A (zh) 一种基于深度学习的高速公路短时交通流预测方法
CN114841211A (zh) 基于频域数据增强扩充的无人机时频图谱数据库构建方法
CN111832548A (zh) 一种列车定位方法
De Candido et al. An analysis of distributional shifts in automated driving functions in highway scenarios

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