[发明专利]一种基于小波分析和半监督学习的车联网油耗数据质量评估方法

摘要

本发明公开了一种基于小波分析和半监督学习的车联网油耗数据质量评估方法，包括以下步骤：步骤一：对数据进行预处理；步骤二：小波分析；步骤三：随机选取样本，由人工经验初步标注类别标签；步骤四：基于支持向量机的多分类器学习；步骤五：加入无标签的数据样本XUL，利用局部搜索策略进行半监督学习，更新分类器。本发明利用了小波分解的信号特点来构建油耗数据的属性特征，具有针对性且能有效地提高分类准确性和结论的可靠性。本发明多层小波分解得到的近似成分可以作为对数据有效的压缩过滤，细节成分能用于异常状况分析，为数据质量的类别划分提供可信的依据。

主权项

一种基于小波分析和半监督学习的车联网油耗数据质量评估方法，包括以下步骤：步骤一：对数据进行预处理；车联网背景下所获得的信息通常至少包括GPS坐标、速度、油位、时间等数据，定义:i个油位数据的时间序列为A(a1,a2,...,ai)，对应的时间为ti,油位变化值序列Q＝{qi|qi＝ai+1‑ai},同样有速度S(s1,s2,...,si)；计算速度值的可信度ε、油位变化Q的均值油耗离散系数cq(标准差/均值)，油耗速度相关系数Rq,s等统计参量，其中由经纬度计算得到行程区间速度Str，用于计算速度值的可信度ε，该可信度用于SVM分类模型中的权重计算：ϵ=Σi=1nsi-Σi=1nstriΣi=1nsi]]>其中：ε为无量纲的系数，si,stri分别为第i个采样点的速度和行程区间速度；步骤二：小波分析；将油位数据序列A进行k阶离散小波变换，得到k阶近似成分Ak和k个不同尺度下的细节成分D1,D2,...,Dk；阶数k和小波基的类型根据数据的采样频率、噪声类型确定，之后对分解出的各层信号计算均值、方差、模最大值，作为特征属性；步骤三：随机选取样本，由人工经验初步标注类别标签；将数据质量的类别标签定义为L＝{1,2,3,4}，即分为4类：类别L1：质量好，准确且噪声较小；类别L2：质量较好，有部分噪声值和异常序列但能够修正过滤；类别L3：质量较差，有较多噪声和异常序列，难以用数值方法修正；类别L4：质量很差，数据缺失或者硬件故障导致的大量噪声和异常，没有修复和统计价值；步骤四：基于支持向量机的多分类器学习；基于支持向量机分类算法，构建二叉树SVM模型进行多分类任务，将步骤一、二中计算得到的统计参量作为特征属性，以带类别标签L＝{1,2,3,4}的l个数据样本作为训练样本XL＝{X1,X2,...,Xl}进行初始的SVM分类器训练；设其中单个训练样本包含i维特征属性，类别属性为y，y∈{L|L＝{1,2,3,4}}，即X＝(x1,x2,...,xi,y)；wi为第i个特征的权重，权重其中β为调整系数，σ(xi)为属性xi整体分布的方差；步骤五：加入无标签的数据样本XUL，利用局部搜索策略进行半监督学习，更新分类器。