[发明专利]一种基于群智感知传感数据的路面异常检测方法

权利要求书

1.一种基于群智感知传感数据的路面异常检测方法，其特征在于，包括如下步骤：

A、识别异常分割点；基于给定的加速度序列S＝{a₁，…，a_i，…}确定fd(t_i，τ)，其代表在滑动窗口(t_i-τ/2,t_i+τ/2)下垂直加速度的波动距离，然后使用基于阈值的方法选择候选异常分割点；

B、删除错误分割点；需要排除其他因素导致垂直加速度数据的波动距离大于阈值的情况，利用逐段聚集平均表示方法和随机森林算法对正常子序列和异常子序列进行分类，排除错误分割点；

C、学习训练集的尺度不变特性；通过步骤A和步骤B提取加速度序列S的异常子序列，利用Shapelet方法对异常子序列候选特征的预测质量进行了评价，选择出准确率最高的异常子序列作为尺度不变特征；

D、在测试集中检测路面异常情况；循环执行步骤A、步骤B和步骤C，获得训练集D_tr中多种路面异常类型特征，然后基于随机森林模型识别测试集中子序列的路面异常类型；

步骤A具体包括如下步骤：

A11、给定训练集加速度序列确定fd(t_i，τ)，其代表在滑动窗口(ti-τ/2,ti+τ/2)下垂直加速度的波动距离，公式定义如下：

其中τ是指窗口大小,G(τ)是一个含有τ个元素的子序列；

A12、将上述波动距离加和求均获得波动距离的平均值，若滑动窗口的垂直距离fd(t_i，τ)明显高于平均值,即可推断出车辆通过异常路面的时间t_i，此处采用基于阈值的方法选择候选异常分割点；

A13、根据相邻分割点之间的间隔合并候选异常分割点，公式定义如下：

其中N_A(i)为A(i)的滑动窗口数。

2.根据权利要求1所述的基于群智感知传感数据的路面异常检测方法，其特征在于，步骤C具体包括如下步骤：

C11、将训练集D_tr中的每个加速度序列按照步骤B和步骤C描述的方法获取异常子序列并视为候选shapelets；

C12、计算每个候选shapelets的特征到所有训练样本的距离，并作为每个样本到子序列的距离；

C13、以样本到子序列的距离为分类特征，利用F-stats测度对候选shapelets的特征进行评价；

C14、根据F-stats评分对每个加速度序列的候选shapelets进行排序，选择分类准确率最高的shapelets作为该加速度序列的尺度不变特征。

3.根据权利要求1所述的基于群智感知传感数据的路面异常检测方法，其特征在于，步骤D具体包括如下步骤：

D11、基于步骤A所示方法提取测试集D_te的异常子序列；

D12、基于步骤B对D11产生的子序列进行筛选，排除正常子序列；

D13、使用Shapelet方法计算测试集D_te的异常序列与训练集D_tr的shapelets的最小距离；

D14、基于随机森林模型检测异常子序列的异常类型。