基于流量和饱和度分析的SCATS线圈检测器自动诊断方法技术

一种基于流量和饱和度分析的SCATS线圈检测器自动诊断方法，构造训练集的步骤如下：1.1：给定日期，查询所有数据并按线圈分组；1.2：绘制每个线圈流量、饱和度的时间分布图，流量饱和度的关系图和流量与饱和度比值的直方图；1.3：计算统计量特征；1.4：将统计量和标注结果输出作为训练集；基于机器学习的线圈诊断的步骤如下：2.1：将训练集传入决策树分类器，对模型进行训练；2.2：选定需要进行线圈数据诊断的日期，检索目标数据；2.3：计算目标数据的统计特征，对目标数据进行描述；2.4：对目标数据对应的线圈工况和数据质量进行分类。本发明专利技术有效检测线圈检测器的工作状态和数据质量。

【技术实现步骤摘要】
一种基于流量和饱和度分析的SCATS线圈检测器自动诊断方法
本专利技术涉及一种悉尼自适应交通控制系统SCATS的诊断方法，尤其是一种SCATS线圈检测器自动诊断方法。
技术介绍
悉尼自适应交通控制系统(SydneyCoordinatedAdaptiveTrafficSystem，简称SCATS，或简称SCATS系统)，由澳大利亚新南威尔士州道路交通局(RTA)研究开发，是目前世界上少有的几个先进的城市信号交通控制系统之一。车辆环形线圈检测器是SCATS系统中重要的数据采集设施。当车辆通过埋设在路面下的环形线圈(以下简称线圈)时会引起线圈磁场的变化，检测器据此计算出车辆的流量、饱和度、周期开始时间和长度等交通参数，并上传给中央控制系统，以满足交通控制系统的需要。线圈检测器通常埋设在交叉路口入口方向停车线前的路面下。SCATS信控系统能够根据线圈检测器检测到的车流量和饱和度，动态调整控制参数，线圈检测器检测得到的流量和饱和度。饱和度是SCATS系统根据流量和车头时距等线圈采集的基本数据进一步加工计算得到的数据，理论上与流量有正相关的关系，因此分别以饱和度和流量作为坐标轴绘制二者的二元关系图，正常情况下应呈现近似的线性关系。关于线圈工况的检测一直以来都在是作为设备运维环节的一项例行工作通过人工执行，工作内容也仅是查看检测器有无信号传回并进行登记，而无法判断线圈是否传回正常、能够反映实际交通状况的可使用的数据。线圈数据质量很少被作为一个科学问题或技术问题来研究，现有的研究多是采用线性归回的方法，设置饱和度与流量的关系边界以判断异常数据点。然而此类方法只能针对每个线圈的数据独立手工操作，难以自动化批量执行，更无法利用机器学习方法对更多细分的数据问题进行诊断。
技术实现思路
为了克服已有技术无法检测线圈检测器的工作状态和数据质量的不足,本专利技术提供了一种有效检测线圈检测器的工作状态和数据质量的基于流量和饱和度分析的SCATS线圈检测器自动诊断方法。本专利技术解决其技术问题所采用的技术方案是：一种基于流量和饱和度分析的SCATS线圈检测器自动诊断方法，所述方法包括第一部分是构造标注的样本数据，为机器学习提供训练集；第二部分是基于机器学习方法对线圈工况及数据质量进行判断；第一部分中，构造训练集的步骤如下：步骤1.1：给定日期，查询所有数据并按线圈分组；步骤1.2：绘制每个线圈流量、饱和度的时间分布图V-t，DS-t，流量饱和度的关系图DS-V和流量与饱和度比值的直方图Freq(DS/V)；步骤1.3：计算V-t、DS-t、DS-V、Freq(DS/V)的一系列统计量特征，包括最大/最小值/均值/峰度/偏度/5％/10％/50％/90％/95％累积概率分位数，并对线圈工况及数据质量进行标定；步骤1.4：将以上计算的统计量和标注结果输出作为后续方法的训练集；第二部分，基于机器学习的线圈诊断的步骤如下：步骤2.1：将上述训练集传入决策树分类器，对模型进行训练；步骤2.2：选定需要进行线圈数据诊断的日期，检索目标数据；步骤2.3：计算目标数据的统计特征，对目标数据进行描述；步骤2.4：对目标数据对应的线圈工况和数据质量进行分类。进一步，所述饱和度是指SCATS系统内部，基于历史流量和当前流量，计算出的当前相位相通行的车辆数相对于饱和状态下最大通行量的比率，单位为％；所述相位是指交叉口一次绿灯信号启闭的时间长度，绿灯启亮为相位开始时间，该相位对应的若干车道的车辆放行，相位结束信号灯绿变红，系统进入下一相位，放行另一组车道。再进一步，所述步骤2.4中，利用时间序列方法，检查流量V的连续性，即在车流量较大的时段中，流量V是否多个周期明显低于正常值，以判断线圈通信故障。更进一步，所述步骤2.4中，利用饱和度DS和流量V的近似线型关系，对由饱和度-流量两个维度构成的数据点分布形态进行判断，判断线圈的数据质量。所述步骤2.4中，利用饱和度与流量的比值DS/V的概率分布形态，判断线圈的数据质量。所述步骤1.2中，绘制V-t，DS-t，DS-V和Freq(DS/V)分布图的过程如下：从流量关于时间的分布上，可以清晰的看到一个路口的流量正常情况下在一天内的波动起伏状况，还计算饱和度数据DS，得到DS-t图与V-t关系图；以饱和度为纵坐标，流量为横坐标，得到DS-V关系图，正常情况下，饱和度与流量呈现近似线性的关系，数据基本上汇聚成近似的斜线；如果流量很小时候饱却很高，流量与饱和度的近似线性关系显著不成立，在现实中不可能发生这种情况，因此推测为数据异常；饱和度与流量比值的直方图Freq(DS/V)，横坐标表示DS/V的值，纵坐标表示比值出现的频率，观察到饱和度与流量比值的频率分布：在正常情况下，DS/V的分布会有一个峰值，拟合曲线呈右偏分布；线圈工况不正常下的DS/V分布则没有明显峰值，说明该线圈数据异常。所述步骤1.3中，计算线圈数据的统计量的过程如下：提取一系列数据特征来描述4种分布图，所述数据为统计特征，包括检验分布的统计量、描述分布形状的统计量，以及体现分布累计概率的统计量；ks检验一种拟合优度检验，检验数据是否符合某种分布，其统计量的极限分布形式为：峰度反映了图形峰部的尖度，偏度是统计数据分布偏斜方向和程度的度量，二者都能描述分布的形状，公式如下：累积分布函数描述一个实数随机变量的概率分布，表示所有小于等于流量x的值出现的概率之和，是概率密度函数的积分，而累积概率分位数表示的是对于任何流量x，所有比x小的数在数据集中所占的比例。根据统计特征人工判断线圈工况和数据质量，过程如下：基于V和DS的判断：明显的线圈异常可以直接基于独立的V或DS进行判断，如V和DS均为零；或是V或DS的中位数超过了给定阈值，即直接判断线圈损坏；通过“断崖”处的流量与时间长度的乘积来进行判断，当乘积超过一个阈值A即判断此时出现通讯异常，若乘积超过更大的阈值B，说明该处的“流量断崖”对整个交通状况的分析影响较大，判断为数据丢失严重；基于Freq(DS/V)的判断：Python的统计工具可以帮助计算数据95％、99％的累积概率分位数，若95％处的数据对应的数值大于人工观察的最大值，则说明在这一段区间里有很多点，它们远离正常情况的数据，这些都是噪点；若99％处的数据对应的数值大于人工观察的最大值，则说明数据有少量噪点；若数据通过了以上的检验，则认为线圈工作正常。所述方法还包括第三部分：经人工确定、重标定的线圈判定结果，作为机器学习决策树方法的学习集，基于学习集，对判定线圈故障和数据质量中的统计特征阈值进行学习和优化，以实现基于机器学习方法的线圈工况和数据质量自动判定。本专利技术的技术构思为：基于流量和饱和度分析的SCATS线圈检测器自动诊断方法，首先，判断当前的线圈是否正常传回流量和饱和度数据，是否出现流量丢失或长时间超饱和度等显著的数据异常情况；其次，判断饱和度与流量之间是否存在正常的近似线性关系，若所述的近似线性关系显著不成立，则线圈的工作状态为异常；最后，判断数据是否存在少量噪点、临时通讯中断等小故障，这些故障虽然不影响数据的使用，也在短时间后恢复正常，但小故障的频繁出现也同样意味着线圈的工作寿命可能快要终结。基于对SCATS系统中线圈流量和饱和度进行分析，判断线圈本文档来自技高网...

【技术保护点】
一种基于流量和饱和度分析的SCATS线圈检测器自动诊断方法，其特征在于：所述方法包括第一部分是构造标注的样本数据，为机器学习提供训练集；第二部分是基于机器学习方法对线圈工况及数据质量进行判断；第一部分中，构造训练集的步骤如下：步骤1.1：给定日期，查询所有数据并按线圈分组；步骤1.2：绘制每个线圈流量、饱和度的时间分布图V‑t，DS‑t，流量饱和度的关系图DS‑V和流量与饱和度比值的直方图Freq(DS/V)；步骤1.3：计算V‑t、DS‑t、DS‑V、Freq(DS/V)的一系列统计量特征，包括最大/最小值/均值/峰度/偏度/5％/10％/50％/90％/95％累积概率分位数，并对线圈工况及数据质量进行标定；步骤1.4：将以上计算的统计量和标注结果输出作为后续方法的训练集；第二部分，基于机器学习的线圈诊断的步骤如下：步骤2.1：将上述训练集传入决策树分类器，对模型进行训练；步骤2.2：选定需要进行线圈数据诊断的日期，检索目标数据；步骤2.3：计算目标数据的统计特征，对目标数据进行描述；步骤2.4：对目标数据对应的线圈工况和数据质量进行分类。

【技术特征摘要】
1.一种基于流量和饱和度分析的SCATS线圈检测器自动诊断方法，其特征在于：所述方法包括第一部分是构造标注的样本数据，为机器学习提供训练集；第二部分是基于机器学习方法对线圈工况及数据质量进行判断；第一部分中，构造训练集的步骤如下：步骤1.1：给定日期，查询所有数据并按线圈分组；步骤1.2：绘制每个线圈流量、饱和度的时间分布图V-t，DS-t，流量饱和度的关系图DS-V和流量与饱和度比值的直方图Freq(DS/V)；步骤1.3：计算V-t、DS-t、DS-V、Freq(DS/V)的一系列统计量特征，包括最大/最小值/均值/峰度/偏度/5％/10％/50％/90％/95％累积概率分位数，并对线圈工况及数据质量进行标定；步骤1.4：将以上计算的统计量和标注结果输出作为后续方法的训练集；第二部分，基于机器学习的线圈诊断的步骤如下：步骤2.1：将上述训练集传入决策树分类器，对模型进行训练；步骤2.2：选定需要进行线圈数据诊断的日期，检索目标数据；步骤2.3：计算目标数据的统计特征，对目标数据进行描述；步骤2.4：对目标数据对应的线圈工况和数据质量进行分类。2.如权利要求1所述的基于流量和饱和度分析的SCATS线圈检测器自动诊断方法，其特征在于：所述饱和度是指SCATS系统内部，基于历史流量和当前流量，计算出的当前相位相通行的车辆数相对于饱和状态下最大通行量的比率，单位为％；所述相位是指交叉口一次绿灯信号启闭的时间长度，绿灯启亮为相位开始时间，该相位对应的若干车道的车辆放行，相位结束信号灯绿变红，系统进入下一相位，放行另一组车道。3.如权利要求1或2所述的基于流量和饱和度分析的SCATS线圈检测器自动诊断方法，其特征在于：所述步骤2.4中，利用时间序列方法，检查流量V的连续性，即在车流量较大的时段中，流量V是否多个周期明显低于正常值，以判断线圈通信故障。4.如权利要求1或2所述的基于流量和饱和度分析的SCATS线圈检测器自动诊断方法，其特征在于：所述步骤2.4中，利用饱和度DS和流量V的近似线型关系，对由饱和度-流量两个维度构成的数据点分布形态进行判断，判断线圈的数据质量。5.如权利要求1或2所述的基于流量和饱和度分析的SCATS线圈检测器自动诊断方法，其特征在于：所述步骤2.4中，利用饱和度与流量的比值DS/V的概率分布形态，判断线圈的数据质量。6.如权利要求1或2所述的基于流量和饱和度分析的SCATS线圈检测器自动诊断方法，其特征在于：所述步骤1.2中，绘制V-t，DS-t，DS-V和Freq(DS/V)分布图的过程如下：从流量关于时间的分布上，可以清晰的看到一个路口的流量正常情况下在一天内的波动起伏状况，还计算饱和度数据DS，得到DS-t图与V-t关系图；以饱和度为纵坐标，流量为横坐标，得到DS-V关系图，正常情况下，饱和度与流量呈现近似线性的关系，数据基本上汇聚成近似的斜线；如果流量很小时候饱却很高，流量与饱和度...

【专利技术属性】
技术研发人员：徐甲，丁楚吟，袁鑫良，郭海锋，张标标，樊锦祥，
申请(专利权)人：银江股份有限公司，
类型：发明
国别省市：浙江,33