[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

说明书

本发明涉及一种基于群智感知传感数据的路面异常检测方法，包括步骤：1)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；2)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(PAA)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；3)学习训练集的尺度不变特性；4)在测试集中检测路面异常情况。本发明的有益效果是：本发明的方法通过学习标度不变的特征来检测异常，在不同标记样本比例的基线方法中表现出更好的一致性。

技术领域

本发明涉及路面异常检测领域，具体涉及获取异常路面的传感数据序列、通过传感数据序列提取尺度不变特征以检测路面异常的方法。

背景技术

路面异常可使车辆损坏甚至可能威胁司机和乘客的安全，为了避免危害每年至少花费十亿美元用于路面异常的维护及修理。例如，据AAA汽车俱乐部统计，坑洞损害每年给美国司机造成30亿美元的损失，同样，英国政府将在2017年至2018年期间花费12亿欧元用于路面维修。在美国，几乎三分之一的机动车事故与路面异常有关，造成200多万人受伤和2.2万人死亡。路面异常造成的危害不容小视，尽早发现路面异常情况可以避免上述危害产生并降低路面维修的费用。

近年来，用户产生的传感器数据使得室内定位、室内POI推荐、路面异常检测等多种智能城市服务得以高效实施、利用和评估。乘客的移动设备或车辆以群智感知的方式产生的传感数据为监测和检测路面异常提供了大量的信息来源，其基本原理是当车辆遇到路面异常时产生传感器数据序列隐含路面异常的固有模式。虽然最近有很多基于群智感知的传感器数据的路面异常检测研究被提出，但这些方法也存在一些局限性。基于群智感知的传感器数据往往会随着时间出现局部畸变或噪声现象，但现有的方法依赖于原始的传感器数据因此极大地限制了道路异常检测的准确性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于群智感知传感数据的路面异常检测方法，实现高精度和高效率的路面异常检测。

为解决上述技术问题，本发明所采取的技术方案如下。

一种基于群智感知实现尺度特征不变的路面异常检测方法主要包括以下步骤：

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(PAA)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。

作为优选：步骤A的具体步骤如下：

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：