【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。