CN202373020U - 基于云计算平台的客车智慧运营系统实现装置 - Google Patents

Abstract

本实用新型基于云计算平台的客车智慧运营系统实现装置，利用云计算平台解决大量车辆数据进行采集，及历史数据进行采集、存储，并将处理好的信息优化控制汽车的运行。计算机1，计算机2，计算机n通过网络线连接交换网络，构成云计算中心；云计算中心通过基站天线与GBOS进行通信；GBOS通过CAN总线或GPI0采集汽车的运行信号，GBOS通过无线连接云计算中心。

Description

基于云计算平台的客车智慧运营系统实现装置

一、技术领域

本实用新型专利涉及一种利用云计算平台实现客车的智能运营管理系统(GBOS)，特别涉及一种利用云计算处理能力及存储能力实现客车智慧运营系统。 

二、背景技术

GBOS是客车信息化的里程碑式产品，是特力马(Telematics)领域的最新技术，在东南沿海发达地区，GBOS系统已经在公交、旅游客运等领域逐渐替代了GPS车载管理系统。 

GBOS定义：GBOS：客车智慧运营系统；G：GIS，GPS，GRPS；B：Bus；O：Operation；S：System 

GBOS是目前世界上最先进的客车信息化系统。这项技术自2000年诞生至今，GBOS系统的技术不断完善和更新，已经成为欧美先进国家客车的标准配置。 

现国内的客车厂中，在车辆安全、节能及信息服务方面，结合国内客运公司的需求及道路情况，潜心研究三年，终于在2010年推出了最适合中国客车需求的信息化管理系统。 

GBOS技术：GBOS主要是通过无线技术(GPRS)、全球定位系统(GPS)、数字地理信息技术(GIS)三项技术的结合，为客户提供客车全生命周期管理服务。 

简单地说，装载了GBOS的海格客车，司机的动作将被量化并建模分析，管理者很容易找到一种最佳司机行为，并作为规范推广，加油数据及发动机实际耗油量将被精准记录，司机偷油行为将得到杜绝，所有重要部件的工作时间和工作状态能得到实时监控和计算，车辆维保可以按部件的实际工作状态进行，车辆出厂后，可以根据实际运行状态对发动机进行数调整，以达到与线路的最佳匹配状态。 

而一旦出现最紧急的情况，如驾驶员在事故中不能亲自与工作人员通话的话，信息数据处理就会反馈给呼叫中心的工作人员，而卫星在这个时候，已经将汽车牢牢定位，以便人们更容易找到事故地点。 

GBOS主要功能： 

1.车辆身份信息 

车载设备内记录了所有该车辆重要部件的型号及生产厂家，车辆发生故障时，除了为维修人员提供准确的配件指导外，还能为远程排除故障提供重要帮助。 

2.倒车视频监视及行车记录仪 

车载设备提供了完整的行车记录仪功能，和倒车视频功能，省去车辆出厂后加装的费用及安全隐患。 

3.紧急救援协助 

在紧急情况下，按下报警按键，客服中心开始监听车辆驾驶舱声音，并视情况决定是联系当地的紧急救援协助机构，如警方、医疗、消防等，以便救援队伍迅速抵达您所处的确切位置。 

4.油量的精准控制 

车载设备从CAN总线中采集发动机瞬时喷油量，同时从油箱中采集油位数据(您需要安装原厂的油位传感器)，两个数据的对比，可以准确掌握是否有盗油情况，并准确定位被盗的时间和地点。 

5.车辆实时跟踪历史轨迹回放等位置监控功能实时跟踪、历史轨迹回放、电子栅栏、偏线告警、多车同图监示。 

6.被盗车辆定位 

GBOS还能保护您车辆的安全。 

如果您的车辆被盗，请立即致电公安部门报告您的车辆被盗，然后致电海格客户服务热线。海格客户服务顾问会与当地公安部门紧密配合格不入。 

7.司机行为分析 

在司机管理方面，没有系统比GBOS便捷易用、聪明可靠了！ 

GBOS系统自动采集司机的一举一动，所有动作量化后导入数据库，通过数学模型分析，给出一个量化的标准，并可以根据不同的管理需要，给不同的参数赋予不同的权重。大量的使用经验证明，排名靠后的司机，不但车辆损耗高，同时安全隐患也大，需要及时进行教育。 

三、发明内容

要解决的问题：利用云计算平台解决大量车辆数据进行采集，及历史数据进行采集、存储，并将处理好的信息优化控制汽车的运行。 

技术方案： 

提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展，按使用付费。这种特性经常被称为像水电一样使用IT基础设施。 

如图1所示计算机1(101)，计算机2(102)，计算机n(103)；交换网络(104)，无线天线(105)；GBOS系统的天线(106)，GBOS(107)；GBOS天线(108)，GBOS(109)； 

计算机1，计算机2，计算机n通过网络线了解交换网络，构成云计算中心；云计算中心通过基站天线与GBOS进行通信； 

GBOS通过CAN总线或GPIO采集汽车的运行信号，经过GBOS的处理器处理后，生成有用的信息传送给云计算中心。 

基于云计算平台的客车智慧运营系统，利用汽车智能网络采集汽车上的数据，控制汽车节能：可以根据实际运行状态对发动机进行参数调整，以达到与线路的最佳匹配状态；本基于云计算平台的客车智慧运营系统实现装置，包括：汽车智能物联网数据采集系统(201)；汽车GBOS处理器(202)；无线技术GPRS(203)、全球定位系统GPS(204)、数字地理信息技术GIS三项技术的结合； 

如图2所示，汽车智能物联网数据采集系统与汽车GBOS处理器相连接；汽车GBOS处理器与无线技术GPRS相连接；为客户提供客车全生命周期管理服务；GPRS、3G、4G数据通信与云计算平台进行通信；云平台负责接收并存储数据，并将数据进行处理，生成有用的信息；汽车GBOS处理器与全球定位系统GPS相连接；CAN接口与汽车GBOS处理器相连接； 

CAN采集到的数据有：转速，扭矩，蓄电池电压，发动机油温，机油压力，大气压力，进气温度，车速，冷却剂温度，燃油累积使用量，发动机运行时间，油耗，DM故障信息。 

有益效果：利用云计算平台可大大提高系统的可靠性，并可采用更有效的算法实现汽车调度及汽车节能。 

四、附图说明

图1云计算平台构成 

图2基于云计算平台的客车智慧运营系统组成框图 

图3 分割过程

图4Map过程 

图5Reduce过程 

图6肘形判据原理分析图 

五、具体实施方式

下面结合附图对本发明的实施方式进行详细描述： 

优选实例1： 

提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展，按使用付费。这种特性经常被称为像水电一样使用IT基础设施。 

如图1所示计算机1(101)，计算机2(102)，计算机n(103)；交换网络(104)，无线天线(105)；GBOS系统的天线(106)，GBOS(107)；GBOS天线(108)，GBOS(109)； 

计算机1，计算机2，计算机n通过网络线了解交换网络，构成云计算中心；云计算中心通过基站天线与GBOS进行通信； 

 GBOS通过CAN总线或GPIO采集汽车的运行信号，经过GBOS的处理器处理后，生成有用的信息传送给云计算中心。 

基于云计算平台的客车智慧运营系统，利用汽车智能网络采集汽车上的数据，控制汽车节能：可以根据实际运行状态对发动机进行参数调整，以达到与线路的最佳匹配状态；本基于云计算平台的客车智慧运营系统实现装置，包括：汽车智能物联网数据采集系统(201)；汽车GBOS处理器(202)；无线技术GPRS(203)、全球定位系统GPS(204)、数字地理信息技术GIS三项技术的结合； 

如图2所示，汽车智能物联网数据采集系统与汽车GBOS处理器相连接；汽车GBOS处理器与无线技术GPRS相连接； 

为客户提供客车全生命周期管理服务；GPRS、3G、4G数据通信与云计算平台进行通信；云平台负责接收并存储数据，并将数据进行处理，生成有用的信息；汽车GBOS处理器与全球定位系统GPS相连接；CAN接口与汽车GBOS处理器相连接； 

CAN采集到的数据有：转速，扭矩，蓄电池电压，发动机油温，机油压力，大气压力，进气温度，车速，冷却剂温度，燃油累积使用量，发动机运行时间，油耗，DM故障信息。 

优选实例2： 

Hadoop云计算平台是基于Apache开源组织开发的云计算系统。Hadoop可实现MapReduce云计算模型，该云计算模型允许任何人使用云计算架构进行并行编程。下面针对多维车辆系统 

不良数据辨识，对Hadoop云计算平台可行性进行分析。 

设p维车辆系统数据集的样本空间为{xi j}，i＝1，2，…n；j＝1，2，…p。xij表示第i个样本的第j项指标(变量)的观察值。每一维数据集均要进行m次聚类，聚类个数分别为1，2，…m. 

Hadoop云计算平台中，MapReduce编程模型执行步骤如下文所述。 

a)按照维数和聚类个数分割聚类计算，如图3所示。分割后的信息用变量Split ij表示。 

b)对分割之后的每个信息变量Split ij由用户定义的Map程序进行处理，这里的Map程序即为相应聚类个数的聚类计算程序，如图3所示，Map程序的输出设为Mapout ij。 

c)Map输出后，由用户定义的Reduce步骤完成最佳聚类个数判断和不良数据辨识，如图4所示。 

优选实例3： 

车辆建设要求加快现有车辆系统监测、量测系统的升级和改造，提高智能化测量能力。随着数字化变电站、广域量测系统、GIS集成监控平台、线路监控平台等系统的不断完善，车辆系统中将包含更多海量的实时数据，这些数据的准确性决定了车辆系统运行的安全与可靠性。然而，当测量与传送系统出现偶然故障或受到较大的随机干扰 时，车辆系统极易出现不良数据。这些不良数据影响车辆系统软件环境的性能及车辆调度决策，破坏车辆系统的正常运行，威胁整个车辆系统的安全。车辆系统不良数据的辨识的目的在于发现并排除测量数据和信息中偶然出现的少量不良数据，以提高系统运行的安全可靠性，是车辆系统以及其他信息系统实时网络分析的重要功能，有助于车辆系统安全、经济的运行。 

目前，有关车辆系统不良数据辨识算法主要有基于状态估计、基于神经网络、基于聚类理论这三种辨识算法。基于状态估计的算法计算量巨大，容易出现残差污染和残差淹没现象，从而造成漏检或误检，影响辨识的效果。尤其当出现多个不良数据的情况下，使用这种方法经常会发生错误辨识的现象。基于神经网络算法的不足之处在于高度依赖网络的训练过程，训练样本的选定及其代表性将直接影响最后辨识的效果，当训练样本不再适合当前系统特征时，易发生错误辨识的现象，应重新训练样本，计算量巨大，时效性不佳。另外，误差阈值选取高度依赖经验，使得实际应用倍感困难。基于聚类理论的辨识方法是以聚类理论为基础，将海量数据分组，利用判别依据从各聚类组中分离不良数据，实现不良数据辨识。相比状态估计算法，聚类理论数理统计严密、无需进行状态估计，计算量相对较小。相比神经网络方法，聚类理论无需训练样本，使用方便。因此，基于聚类理论的不良数据辨识算法较另外两种算法而言，在实现上具有明显优势。尤其在间隙统计算法(GSA，Gap Statistics Algorithm)算法提出后，聚类计算中可利用参考数据集估计海量数据的最佳聚类个数，进而实 现无教师指导的不良数据辨识。GSA算法可视为一种聚类计算的强化算法，它可以通过生成参考数据集来估计海量数据的最佳聚类个数，进而弥补普通聚类理论的不足。其主要思想是在聚类理论的基础上，利用欧式距离平方和曲线函数，配合参考数据集，通过间隙(Gap)辨识判据找寻最佳的聚类个数，实现无教师指导的数据聚类。由于车辆系统不良数据只是偶尔出现，经最佳聚类个数的聚类后，可将聚类平均值最小的聚类组作为正常数据集，其他聚类均视为车辆系统不良数据集，实现无教师指导的不良数据辨识。 

然而，基于GSA算法的不良数据辨识存在两个缺陷。第一，GSA算法研究还处于起步阶段，在参考数据集的产生问题上还不很完善，目前还无统一的参考数据集生成方法，错误的参考数据集可能导致不良数据的误判，无法正确进行无教师指导的辨识。第二，当车辆系统数据量较大、数据维数较高时，聚类算法的数据存储量和计算量巨大，不易实现。目前国内外相关研究的重点往往在于如何提高辨识算法的精度，而不是在于如何提高数据辨识速度。研究仿真中也往往只采用数据集小、维数低的数据集进行验证性的计算[4-9]。但实际车辆系统测量数据量极大、维数较高，以输电线路监测为例，导线温度、环境温度、环境湿度、风速、风向、日照、雨量等监测数据不间断发送至监控中心，这要求运行算法的平台应具备大数据存储量和高速计算速度。 

针对GSA算法不良数据辨识的参考数据集生成困难和数据存储量大、计算速度不高的问题，本课题将在课题组现有研究工作的基础 上，研究基于GSA肘形判据、k-means聚类分析和云计算结合的不良数据辨识算法。云计算是近年提出一种网络计算模型，目前发展极为迅速，可视为并行计算、分布式计算和网格计算的进一步发展。它将计算资料集中起来，使计算任务分布在大量计算机构成的资源池上，通过专门软件实现自动管理，无需人为参与，用户可按需获取计算力、存储空间和信息服务。“云”是一些可以自我维护和管理的虚拟计算资源，通常是一些大型的服务器集群、包括计算服务器，存储服务器和宽带资源。把GSA的肘形判据方法嵌入到k-means聚类分析中，可避免生成参考数据集，降低数据的错误辨识率，实现无教师指导的不良数据辨识。利用开源云计算平台Hadoop，实现原始数据的存储，针对一维和多维车辆系统数据，建立基于聚类个数分割和数据维数分割的MapReduce云计算模型，可提高不良数据辨识算法的计算速度。 

优选实例4： 

研究GSA肘形判据理论及其在k-means聚类算法中的实现 

针对传统GSA算法参考数据集生成困难、不良数据容易发生误判的问题，本课题将研究一种新型的GSA最佳聚类个数判据，称为肘形判据。该判据与k-means聚类算法结合，可在无需生成参考数据集的条件下，估计最佳聚类个数，避免人为干扰在辨识中的影响，提高辨识精度，实现无教师指导的不良数据辨识。 

研究不良数据辨识算法在云计算中的实现 

针对目前不良数据辨识算法计算量大、所需存储量高、实现难的 问题，本课题将利用开源云计算平台Hadoop实现原始数据的存储，并建立不良数据辨识的云计算模型。考虑到GSA算法需要从多种k-means聚类个数中判断最佳聚类个数，故对于一维车辆系统数据，按照聚类个数对聚类计算进行分割，建立相应的MapReduce云计算模型，将每块分割部分进行并行处理，提高一维不良数据辨识算法的计算速度。对于多维车辆系统数据，同时按照数据维数分割和聚类个数对聚类计算进行分割，建立相应的MapReduce云计算模型，提高多维不良数据辨识算法的计算速度。 

优选实例5： 

针对GSA算法不良数据辨识的参考数据集生成困难和数据存储量大、计算速度不高的问题，本课题将完成基于GSA肘形判据、k-means聚类分析和云计算结合的车辆系统不良数据辨识研究。通过GSA肘形判据对k-means聚类的最佳聚类个数进行估计，经最佳聚类后，可将聚类平均值最小的聚类组作为正常数据集，其他聚类均视为车辆系统不良数据集，实现无教师指导的不良数据辨识。整个辨识过程中，利用Hadoop云平台实现数据存储及不良数据辨识算法的运算。通过建立聚类个数分割和数据维数分割MapReduce云计算模型，实现海量车辆系统数据高速、无教师指导的辨识。 

聚类理论中一个主要的难题是估计聚类的最佳个数。通过选择多种聚类个数对原始数据集进行聚类，再利用GSA肘形判据可估计该组数据集的最佳聚类个数。由于车辆系统不良数据只是偶尔出现，经最 佳聚类后，可将聚类平均值最小的聚类组作为正常数据集，其他聚类均视为车辆系统不良数据集，实现无教师指导的不良数据辨识。聚类过程中聚类欧氏距离平方和Wk可以表示为相对于聚类个数k的一条典型曲线。Wk随着聚类个数k的增加而单调递减(事实上，当每个测量值都作为一个聚类时，Wk的值为0)，然而从某个k值开始曲线的下降明显变得平缓。曲线拐点位置能够反映最佳的聚类个数。 

由于GSA算法需选择多种聚类个数对原始数据集聚类后才能估计最佳聚类个数，计算量较大，因此可按照聚类个数对聚类计算进行分割，每个分割部分可利用Hadoop云计算平台并行处理，当车辆系统数据维数较高时，可同时按照数据维数和聚类个数对聚类计算进行分割。 

总体来说，研究方案描述为：在Hadoop云计算平台上，按照数据维数或聚类个数将聚类计算分割，并行处理分割后的计算，随后将分割后的计算结果汇总，在每个维数的Wk曲线中，寻找拐点位置，拐点位置能够反映最佳的聚类个数。选定聚类个数后，将聚类平均值最小的聚类组作为正常数据集，其他聚类均视为车辆系统不良数据集，实现无教师指导的不良数据辨识。 

GSA算法可行性分析： 

GSA算法的实质是建立一个合适的依据，寻找聚类离散度与聚类个数关系中隐藏的最佳聚类个数的信息。在参考曲线与实际曲线的对比中，最大间隙(gap)值的出现实质上是对应着从某个k值开始明显下降平缓的“最小肘形折角”位置。肘形判据就是一种通过分析数 据集的聚类离散度与聚类个数k的关系，按照k-1、k、k+1点的聚类离散度计算k处的肘形折角，并以最小肘形折角判断最佳聚类个数的判断依据。 

设有n个样本，每个样本测得p项指标(视为p个变量)，则有样本空间{xij}，i＝1，2，…n；j＝1，2，…p。xij表示第i个样本的第j项指标(变量)的观察值。 

令dii’表示观察值i和i’之间的距离(常用的方法是欧几里得平方距离)，即： 

$d_{i{i}^{\′}}=\underset{j}{\mathrm{\Σ}}{(x_{\mathrm{ij}}-x_{i^{\′}j})}^2$

假设样本数据生成k个聚类C1，C2，…Ck，Cr表示聚类r在k个聚类中的序号，nr＝|Cr|. 

令 

$D_r=\underset{i,i^{\′}\∈C_r}{\mathrm{\Σ}}{d}_{{\mathrm{ii}}^{\′}}$

即Dr表示在聚类r中所有观察值两两之间的平方距离。 

令 

$W_k=\underset{r=1}{\overset{k}{\mathrm{\Σ}}}\frac{1}{2n_r}{D}_r$

则Wk表示聚类内围绕聚类均值的欧几里得平方距离和(聚类欧氏平方距离和)。 

GSA算法的基本思想是将lnWk与其相应的参考值的数学期望作比较。如果在某个k值点，lnWk的曲线与参考曲线相比下降的幅度最大时(例如图1左下k＝2时)，k值就是最佳的聚类个数的值。 

定义 

${\mathrm{gap}}_n\left(k\right)=E_n^{*}\left(\ln W_k\right)-\ln W_k$

上式中 

表示参考值分布样本大小为n的情况下的数学期望值。当随着k的变化，gap_n(k)的值最大时，k被确定为最佳的聚类个数。这种方法具有很好的通用性，可以适用于任何聚类方法和距离计算方法(选择了k-means聚类和欧几里得平方距离)。 

也就是说，在所有的单峰分布中，均匀分布是最可能由gap试验产生伪聚类(spurious clusters)的分布。 

单分量分布函数可用1n凹函数来恰当的建立模型，即具有形如exp(Ψ(x))的密度函数，此处Ψ(x)是一个凹函数(除非分布发生退化)。标准的例子是正态分布 以及具有凸支撑集的均匀分布。 

可以证明单变量情况下，参考分布可以用[0，1]上的均匀分布来给出。 

形成参考分布的两种方法： 

a)在观察值的范围内以均匀分布方式产生参考数据。 

b)在观察值的主分量组成的集合中，用均匀分布方式产生参考数据。 

方法a)的优点是简单易用。 

方法b)考虑了数据分布的形状信息，另外只要聚类方法本身不变，方法b)的过程可以是始终保持不变的。 

在上述的两种方法中，均用B组 

的均值作为 

的期望值。每组值通过参考分布的样本值计算而得。最后，需要考虑GSA的 样本分布的因素。 

令sd(k)表示由各组参考分布样本值产生的 

的标准差，再考虑 

的随机模拟误差，可得 

由此，若k是满足gap(k)≥gap(k+1)-s_k+1的最小值，则k就是聚类的最佳个数的值。 

另外，当聚类个数大于1时，如图5所示聚类个数为2的情况。lnW_k与聚类数k的关系曲线，在k＝2时曲线明显变平坦。 

现在根据图形求曲线在各个k处的曲折度(肘形特征)，即各个折点处两条直线段的向上的夹角θ(k)。由几何知识易知，已知k-1，k，k+1以及lnW_k-1，lnW_k，lnW_k+1则可直接求取θ(k)。 

$\mathrm{\θ}\left(k\right)=\frac{\mathrm{\π}}{2}+\arctan \left(\frac{1}{\ln W_{k-1}-\ln W_k}\right)+\arctan (\ln W_k-\ln W_{k+1})$

取最小的满足θ(k)＜θ(k+1)的k为最佳的聚类个数。 

注意到当最佳的聚类数量是1时，意味着所有待检测数据都可以被认为是正常数据。然而，一旦最佳聚类数量不为1时，意味着所观察的待检测值中有不良数据。接着，计算每个聚类中数据的平均值。某个具有最小平均值的聚类被鉴定为正常数据所在的类，而其它的都被认为是不良数据类。通过上述步骤，正常数据被归并到一个类中而不良数据被分离开来。 

虽然结合附图对本发明的实施方式进行说明，但本领域普通技术人员可以在所附权利要求的范围内作出各种变形或修改。 

Claims (1)

1.一种基于云计算平台的客车智慧运营系统实现装置，其特征是：

计算机1(101)，计算机2(102)，计算机n(103)；交换网络(104)，无线天线(105)；GBOS系统的天线(106)，GBOS(107)；GBOS天线(108)，GBOS(109)；

计算机1，计算机2，计算机n通过网络线连接交换网络，构成云计算中心；云计算中心通过基站天线与GBOS进行通信；

GBOS通过CAN总线或GPIO采集汽车的运行信号，GBOS通过无线连接云计算中心。 

Images