一种基于窗口划分以及形变聚类的道路异常检测方法技术

本发明专利技术涉及一种基于窗口划分以及形变聚类的道路异常检测方法，包括：步骤1、移动端对z轴加速度数据进行阈值检测和滑动窗口处理，筛选待确定的片段；步骤2、移动端通过随机森林算法判断道路片段是否为异常片段；步骤3、云端通过形变聚类的方法将道路异常片段的数据变形至统一长度。本发明专利技术的有益效果是：本发明专利技术利用阈值检测与滑动窗口确定可能的道路异常窗口，根据随机森林算法确定该处是否为道路异常，根据形变聚类与支持向量机的算法确定道路的异常类型并返回异常类型；本发明专利技术能够较为完整地截取道路异常段落，在不同的数据集上可以更加精确地检测出道路的异常状况；本发明专利技术在能源消耗、网络延迟和网络用量三个指标上优于现有的一些方法。

【技术实现步骤摘要】
一种基于窗口划分以及形变聚类的道路异常检测方法
本专利技术涉及道路异常检测领域，尤其包括一种基于窗口划分以及形变聚类的道路异常检测方法；边缘计算的部分是在移动端进行道路异常检测时首先将可能的异常窗口进行提取，通过随机森林的方法区分出异常窗口与正常窗口，并将异常窗口传输到云端；云计算的部分是将异常道路变形之后通过支持向量机得到窗口的异常类型。
技术介绍
为了实现道路的异常状况检测，早期的研究工作提出了多种基于专业设备或者视觉信息的检测方法。然而，3D视觉、深度传感器和地面穿透雷达等专用传感设备成本昂贵，不便于在普通车辆上大规模部署，使得道路的异常状况检测耗时较长且需要专门针对某条道路进行检测，不具备普适性。近年来，随着智能手机的普及和移动通信技术的发展，大量基于智能手机的数据挖掘系统被人们重视并应用于现实生活中。很多学者认为结合加速度的时域和频域信息提取识别特征能更准确地检测道路损坏情况。这类方法将道路损坏检测作为一个分类问题进行处理，基于加速度数据时域或频域信息提取识别特征。在特征提取方面，加速度信息每个频段的能量值、加速度信息振动的均值、均方根、标准差和方差等被广泛应用。在检测模型方面，多种分类聚类模型被用于道路损坏检测，例如支持向量机、k-均值聚类、决策树分类器、高斯混合模型和贝叶斯网络等。尽管目前国内外学者提出了多种基于加速度的道路损坏检测模型，但也存在着一定的缺陷。首先，目前的一些方法大多基于滑动窗口进行整段数据的处理，而道路异常在时序数据上往往分布不均匀，同时自身的长短也各不相同，因而很大程度上存在将道路异常段的数据分割的可能；其次，目前的一些方法依赖于数据集与特征，往往在不同的数据集上表现有很大差异，多分类的方法也难以应用于二分类的数据集；最后，现有的方法只考虑了道路异常的检测效果，没有考虑方法本身在具体应用场景下的消耗。
技术实现思路
本专利技术的目的是克服现有技术中的不足，提供一种基于窗口划分以及形变聚类的道路异常检测方法这种基于窗口划分以及形变聚类的道路异常检测方法，包括以下步骤：步骤1、移动端对z轴加速度数据进行阈值检测和滑动窗口处理，筛选待确定的片段；步骤2、移动端通过随机森林算法判断道路片段是否为异常片段，若是异常片段则将该片段传到云端：以一些标准样本作为训练集训练随机森林模型，保存随机森林模型参数并移植至移动端，移动端将待确定片段输入随机森林模型进行判断；步骤3、云端通过形变聚类的方法将道路异常片段的数据变形至统一长度：步骤4、云端比较与标准片段的距离判断片段类型：对所有训练集和移动端传输的数据应用形变分类；对移动端的不平整情况数据，将计算得到形变之后的序列与所有训练集形变序列计算欧几里得距离，并按照KNN方法确定该不平整情况的类型；步骤5、云端将片段类型返回移动端。作为优选，所述步骤1具体包括以下步骤：步骤1.1、记高阈值为TH，记低阈值为TL；对z轴加速度进行处理，记加速度数据曲线与TH对应的直线相交点为a和b；记加速度数据曲线与TL对应的直线相交点为c和d；设待确定的片段的起始点为a点，终止点为d点；检测到a点后，记a点坐标为xa，记检测窗口坐标范围为[xa,xa+Range]，Range是检测窗口的长度；将a点记为滑动窗口左起始点；由于c、d点均是与低阈值TL相交的点，将检测窗口内的最后一个与低阈值相交的点记为滑动窗口的右起始点；步骤1.2、当车辆经过道路异常时，智能设备上的加速度传感器记录加速度的变化，通常变化开始与结束的点如图2中的e点与f点所示，通过滑动窗口处理更精确地进行待确定片段的定位：步骤1.2.1、对于滑动窗口左起始点a，记滑动窗口的坐标范围为[x′a,xa]，x′a是滑动窗口的下界，将x′a的初值设定为x′a＝xa-Window，其中Window是滑动窗口的长度；计算此时滑动窗口内z轴加速度的平均值并记为z1；步骤1.2.2、更新滑动窗口的下界为x′a＝x′a-Window，更新滑动窗口的上界为xa＝xa-Window,其中Window是滑动窗口的长度；计算此时的滑动窗口内z轴加速度的平均值并记为z2；步骤1.2.3、判断z1与z2的大小关系：若z1>z2，则判定滑动窗口内的z轴加速度逐渐下降，而实际情况会存在一个加速度逐渐上升的过程，令z1＝z2，返回执行步骤1.2.2和步骤1.2.3，若z1≤z2，则将此时的滑动窗口下界x′a记为待确定的片段起始点；步骤1.2.4、对于右侧的起始点d，记滑动窗口的坐标范围为[x′d,xd]，x′d是滑动窗口的下界，将x′d的初值设定为x′d＝xd-Window，其中Window是滑动窗口的长度；计算此时滑动窗口内z轴加速度的平均值并记为z3；步骤1.2.5、更新滑动窗口的下界为x′d＝x′d+Window，更新滑动窗口的上界为xd＝xd+Window,其中Window是滑动窗口的长度；计算此时的滑动窗口内z轴加速度的平均值并记为z4；步骤1.2.6、判断z3与z4的大小关系：若z3≥z4，则将此时的滑动窗口下界x′d记为待确定的片段终结点；若z3＜z4，则判定滑动窗口内的z轴加速度逐渐下降，令z3＝z4，返回执行步骤1.2.4和步骤1.2.5。作为优选，所述步骤3具体包括以下步骤：步骤3.1、计算自相关系数rk:上式中，k从1增长至m-l(形变后时间序列的最长长度)，m为道路异常片段时间序列长度，为道路异常片段时间序列数据的平均值，时间序列T＝(t1,t2,…tm)为形变分类模型产生形变后的时间序列；步骤3.2、按照下式计算偏分自相关函数(PACF):上式中，Rp＝(r1,r2,…,rp)为自相关函数(PACF)的前p项，为自相关函数(PACF)的Toepliz矩阵，按照下式计算：步骤3.3、令p＝m-l，将时间序列形变为前m-l项，得到矩阵：形变后的序列按照下式得到：L＝(λ1,1,λ2,2,…λm-l,m-l)。本专利技术的有益效果是：本专利技术利用阈值检测与滑动窗口确定可能的道路异常窗口，根据随机森林算法确定该处是否为道路异常，根据形变聚类与支持向量机的算法确定道路的异常类型并返回异常类型；本专利技术能够较为完整地截取道路异常段落，在不同的数据集上可以更加精确地检测出道路的异常状况；本专利技术在能源消耗、网络延迟和网络用量三个指标上优于现有的一些方法。附图说明图1为产生道路异常检测结果的流程图；图2为z轴加速度数据阈值检测结果图；图3为基于数据集的道路坑洞检测结果比较图；图4为基于数据集的减速带检测结果比较图；图5为基于数据集的金属井盖检测结果比较图；图6为基于数据集的仿真延迟比较图；图7为基于数据集的仿真能量消耗比较图；图8为基于数据集的仿真网络用量比较图。具体实施方式下面结合实施例对本专利技术做进一步描述。下本文档来自技高网...

【技术保护点】
1.一种基于窗口划分以及形变聚类的道路异常检测方法，其特征在于，包括以下步骤：/n步骤1、移动端对z轴加速度数据进行阈值检测和滑动窗口处理，筛选待确定的片段；/n步骤2、移动端通过随机森林算法判断道路片段是否为异常片段，若是异常片段则将该片段传到云端：以一些标准样本作为训练集训练随机森林模型，保存随机森林模型参数并移植至移动端，移动端将待确定片段输入随机森林模型进行判断；/n步骤3、云端通过形变聚类的方法将道路异常片段的数据变形至统一长度：/n步骤4、云端比较与标准片段的距离判断片段类型：对所有训练集和移动端传输的数据应用形变分类；对移动端的不平整情况数据，将计算得到形变之后的序列与所有训练集形变序列计算欧几里得距离，并按照KNN方法确定该不平整情况的类型；/n步骤5、云端将片段类型返回移动端。/n

【技术特征摘要】
1.一种基于窗口划分以及形变聚类的道路异常检测方法，其特征在于，包括以下步骤：
步骤1、移动端对z轴加速度数据进行阈值检测和滑动窗口处理，筛选待确定的片段；
步骤2、移动端通过随机森林算法判断道路片段是否为异常片段，若是异常片段则将该片段传到云端：以一些标准样本作为训练集训练随机森林模型，保存随机森林模型参数并移植至移动端，移动端将待确定片段输入随机森林模型进行判断；
步骤3、云端通过形变聚类的方法将道路异常片段的数据变形至统一长度：
步骤4、云端比较与标准片段的距离判断片段类型：对所有训练集和移动端传输的数据应用形变分类；对移动端的不平整情况数据，将计算得到形变之后的序列与所有训练集形变序列计算欧几里得距离，并按照KNN方法确定该不平整情况的类型；
步骤5、云端将片段类型返回移动端。


2.根据权利要求1所述基于窗口划分以及形变聚类的道路异常检测方法，其特征在于，所述步骤1具体包括以下步骤：
步骤1.1、记高阈值为TH，记低阈值为TL；对z轴加速度进行处理，记加速度数据曲线与TH对应的直线相交点为a和b；记加速度数据曲线与TL对应的直线相交点为c和d；设待确定的片段的起始点为a点，终止点为d点；
检测到a点后，记a点坐标为xa，记检测窗口坐标范围为[xa,xa+Range]，Range是检测窗口的长度；将a点记为滑动窗口左起始点；将检测窗口内的最后一个与低阈值相交的点记为滑动窗口的右起始点；
步骤1.2、当车辆经过道路异常时，智能设备上的加速度传感器记录加速度的变化，通过滑动窗口处理更精确地进行待确定片段的定位：
步骤1.2.1、对于滑动窗口左起始点a，记滑动窗口的坐标范围为[x′a,xa]，x′a是滑动窗口的下界，将x′a的初值设定为x′a＝xa-Window，其中Window是滑动窗口的长度；计算此时滑动窗口内z轴加速度的平均值并记为z1；
步骤1.2.2、更新滑动窗口的下界为x′a＝x′a-Window，更新滑动窗口的上界为xa＝xa-...

【专利技术属性】
技术研发人员：陈垣毅，郑增威，周铭煊，霍梅梅，陈丹，
申请(专利权)人：浙大城市学院，
类型：发明
国别省市：浙江;33