一种基于窗口划分以及动态时间规整的道路异常检测模型的制作方法

本发明涉及一种道路检测模型，具体涉及一种基于窗口划分以及动态时间规整的道路检测模型。
背景技术：
公路在我国的综合运输网综合发挥着重要的骨干和支柱作用，截止2016年底，全国公路总里程达469.63万公里，预计我国公路网到2030年将有约580万公里的规模。随着公路建设的快速发展，公路养护及管理的需求也迅速增长，各国政府都会花费巨大人力物力用于道路养护，例如英国政府宣布在2017年花费了12亿美元用于道路维修，2014年加拿大多伦多市政府共花费600万美元用于修护道路坑洼。道路损坏可能导致严重交通事故，例如，2000年至2011年间，加拿大发生的交通事故达到200万起，其中33％的交通事故与路况或恶劣天气有关。2015年，约有5万名英国驾驶人员报告道路坑洼造成交通事故，道路坑洼每11分钟会导致一次车祸。因此道路异常状况的及时、高效检测尤为重要。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。技术实现要素：本发明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动态时间规整的道路异常检测模型。这种基于窗口划分以及动态时间规整的道路异常检测模型，包括以下步骤：1)对z轴加速度数据进行阈值检测及滑动窗口处理，筛选待确定的片段，其步骤如下：1.1)记高、低阈值分别为th、tl；对z轴加速度进行处理，找到阈值所代表的虚线与加速度数据所代表的实线相交的点，有4个点，记为a，b，c，d；由于待确定的片段只需要一个起始点与终止点，即a点与d点，因此标记点会经过筛选与减少；1.2)车辆经过道路异常时，智能设备所具有的加速度传感器会记录加速度的变化，变化开始与结束的点为e点与f点；此时，通过滑动窗口的方法更精确地进行待确定片段的定位；2)将待确定的片段的加速度数据与若干已知异常类型的片段以及正常的道路片段通过动态时间规整的算法进行比较，得到一个差异度向量，其步骤如下：2.1)选取一段已知异常类型的片段p1与待确定的片段p0，通过动态时间规整算法计算差异度；找到m*n矩阵内的一段路径，以确定两段长度分别为m与n的片段中，哪些点需要计算对应的差异度，并计算总的差异度之和；2.2)选取其他的已知异常片段p2、p3、······、pm，并重复计算得到最小累计差异度l02、l03、······、l0m；这样就得到了差异度向量：l0＝(l01，l02，……，l0m)3)确定待确定的片段的异常类型；对差异度向量进行排序，选取最小的前k个累计差异度，得到这k个差异度对应的片段的异常类型；之后，比较得到这k段片段中最多的异常类型，将其作为待确定片段的异常类型。作为优选：所述步骤1.1)的具体步骤如下：1.1.1)检测到a点后，记其坐标为xa，记检测窗口坐标范围是[xa,xa+range]；其中，range是检测窗口的长度；将a点记为滑动窗口左起始点；1.1.2)由于c、d点均是与低阈值tl相交的点，因此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。作为优选：所述步骤1.2)的具体步骤如下：1.2.1)对于左侧的起始点a，记滑动窗口坐标范围是[x′a,xa]，其中x′a是滑动窗口的下界，初值设定为x′a＝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，记为z1；1.2.2)更新滑动窗口的下界为x′a＝x′a-window，上界为xa＝xa-window；计算此时的滑动窗口内z轴加速度的平均值，记为z2；1.2.3)判断z1与z2的大小关系；若z1＞z2，则说明滑动窗口内的z轴加速度是在逐渐下降的，而实际情况会存在一个加速度逐渐上升的过程，令z1＝z2，之后重复步骤1.2.2)；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；1.2.4)对于右侧的起始点d，做类似步骤1.2.1)-步骤1.2.3)的处理，将滑动窗口的更新变为每次增加一个window，同时将大小关系的判断结果反过来即可，得到待确定的片段终结点x′d。作为优选：所述步骤2.1)的具体步骤如下：2.1.1)建立由两段片段任意两点之间的距离所组成的距离矩阵；距离矩阵的计算式如下：d(i，j)＝(zi-zj)2其中，d(i,j)是矩阵第i行j列的元素，代表第一片段的第i个点与第二片段的第j个点之间的距离；zi与zj分别是第一片段第i个点与第二片段第j个点所对应的z轴加速度值；2.1.2)计算累计差异度矩阵；累计差异度矩阵的计算式如下：当i>1且j>1d(i，j)＝d(i，j)，当i＝j＝1累计差异度矩阵d(i,j)的值代表从点(1,1)到当前位置(i,j)，可能存在的所有路径中差异度最小的一条的累计差异度；因此，d(m,n)代表了两段片段之间的最小累计差异度，记为l01。本发明的有益效果是：本发明能够较为完整地截取道路异常段落，实验结果也证实它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，无论是二分类还是多分类的情况都比现有的方法效果更好。附图说明图1是本发明的流程图；图2是阈值检测及滑动窗口方法示意图；图3是动态时间规整算法示意图；图4是两片段之间的距离矩阵示意图；图5是两片段之间的累计差异度矩阵示意图；图6是基于数据集1的道路坑洞检测结果比较图；图7是基于数据集1的减速带检测结果比较图；图8是基于数据集1的金属井盖检测结果比较图；图9是基于数据集2的道路坑洞检测结果比较图。具体实施方式下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。道路异常检测模型主要根据加速度传感器产生的z轴加速度进行阈值检测，之后通过滑动窗口产生待确定的片段。通过动态时间规整算法将该片段与一些标准片段比较产生差异度向量，选取差异度向量中k个最小的差异度所对应的标准片段，将这些标准片段中最多的异常类型作为待确定片段的异常类型。所述的基于窗口划分以及动态时间规整的道路异常检测模型，包括以下步骤：1、对z轴加速度数据进行阈值检测及滑动窗口处理，筛选待确定的片段，其步骤如下：1)记高、低阈值分别为th、tl，如图2虚线所示。对z轴加速度进行处理，可以找到阈值所代表的虚线与加速度数据所代表的实线相交的点，如图2所示，通常会有4个点，记为a，b，c，d。由于待确定的片段只需要一个起始点与终止点，即a点与d点，因此标记点会经过筛选与减少，其步骤如下：①检测到a点后，记其坐标为xa，记检测窗口坐标范围是[xa,xa+range]。其中，range是检测窗口的长度。将a点记为滑动窗口左起始点。②由于c、d点均是与低阈值tl相交的点，因此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。2)车辆经过道路异常时，智能设备所具有的加速度传感器会记录加速度的变化，通常变化开始与结束的点(即实际)如图2中的e点与f点所示。此时，需要通过滑动窗口的方法更精确地进行待确定片段的定位，其步骤如下：①对于左侧的起始点a，记滑动窗口坐标范围是[x′a,xa]，其中x′a是滑动窗口的下界，初值设定为x′a＝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，记为z1。②更新滑动窗口的下界为x′a＝x′a-window，上界为xa＝xa-window。计算此时的滑动窗口内z轴加速度的平均值，记为z2。③判断z1与z2的大小关系。若z1＞z2，则说明滑动窗口内的z轴加速度是在逐渐下降的，而实际情况会存在一个加速度逐渐上升的过程，令z1＝z2，之后重复步骤②。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。④对于右侧的起始点d，做类似步骤①-③的处理，只需将滑动窗口的更新变为每次增加一个window，同时将大小关系的判断结果反过来即可，可以得到待确定的片段终结点x′d。2、将待确定的片段的加速度数据与若干已知异常类型的片段以及正常的道路片段通过动态时间规整的算法进行比较，得到一个差异度向量，其步骤如下：1)选取一段已知异常类型的片段p1与待确定的片段p0，通过动态时间规整算法计算差异度。如图3所示，需要找到m*n矩阵内的一段路径，以确定两段长度分别为m与n的片段中，哪些点需要计算对应的差异度，并计算总的差异度之和，其步骤如下：①建立如图4的由两段片段任意两点之间的距离所组成的距离矩阵。距离矩阵的计算式如下：d(i，j)＝(zi-zj)2其中，d(i，j)是矩阵第i行j列的元素，代表第一片段的第i个点与第二片段的第j个点之间的距离。zi与zj分别是第一片段第i个点与第二片段第j个点所对应的z轴加速度值。②计算如图5的累计差异度矩阵。累计差异度矩阵的计算式如下：当i>1且j>1d(i，j)＝d(i，j)，当i＝j＝1累计差异度矩阵d(i，j)的值代表从点(1,1)到当前位置(i,j)，可能存在的所有路径中差异度最小的一条的累计差异度。因此，d(m，n)代表了两段片段之间的最小累计差异度，记为l01。2)选取其他的已知异常片段p2、p3、······、pm，并重复计算得到最小累计差异度l02、l03、······、l0m。这样就得到了差异度向量：l0＝(l01，l02，……，l0m)3、确定待确定的片段的异常类型，其步骤如下：对差异度向量进行排序，选取最小的前k个累计差异度，得到这k个差异度对应的片段的异常类型。之后，比较得到这k段片段中最多的异常类型，将其作为待确定片段的异常类型。下面以一个例子具体说明上述的得到道路异常检测结果的方法：假设一个共17个样本点的z轴加速度数据序列为：(9,9,8,7,9,11,12,13,12,9,7,6,7,8,9,10,9)假定此时的th＝12，tl＝7，range＝10，则经过阈值检测之后，筛选出了交点(7,12)、(9,12)、(11,7)、(13,7)，其中两个坐标分别代表交点在时间序列的位置(从1开始)以及交点在时间序列上的值。由于7+range＝17>11，四个点都在检测窗口的范围内，因此将点(7,12)记为滑动窗口的左起始点，点(13,7)记为滑动窗口的右起始点。假定此时的window＝1，对于点(7,12)，计算待确定片段的起始点过程如表1所示。表1类似地，对于点(13,7)，计算待确定片段的起始点过程如表2所示。表2滑动窗口范围z1z1z1、z2关系操作[13,14]7.5//继续[14,15]7.58.5z1＜z2令z1＝z2，继续[15,16]8.59.5z1＜z2令z1＝z2，继续[16,17]9.59.5z1＝z2找到起始点(17,9)，结束。假定此时有如表3所示的5条标准片段：表3片段标签数据序列道路坑洞(9,9,10,11,9,8,7,8,9)道路坑洞(9,11,10,12,8,7,6,7,8,9)正常道路(9,9,9,9,9,9)减速带(9,7,6,9,11,10,9,9)金属井盖(9,10,10,10,9,8,7,7,8,9)对于第一条道路坑洞，可以计算得到如表4所示的距离矩阵。表4根据距离矩阵，能够计算得到对应的差异度矩阵，如表5所示，底纹改变的单元格代表路径。表5于是，可以得到最小累计差异度l01＝15。同理，对其他片段都应用该算法，可以得到差异度向量l0＝(15，10，62，29，30)。假定k＝3，则此时距离最小的累计差异度对应的道路异常分别是：道路坑洞，道路坑洞，减速带。于是，待确定片段被标记为道路坑洞。验证结果：为了验证该方法的效果，依据一份标记了69个减速带、67个金属井盖与108个道路坑洞的数据集以及一份标记了82个道路坑洞的数据集进行了对比实验，数据集信息如表6所示，对比的方法如表7所示，是近年论文中所提及的道路异常检测方法。此外，实验还调整了训练集、测试集的比例，训练集占总数据集的比例从50％到90％以10％的间隔递增。实验的一些参数设置如下：range＝50,window＝2,k＝1实验的结果评价是通过对f1的比较来进行的。f1可由下式计算得到：其中，对于特定种类的道路异常，tp代表某方法对该种道路异常的正确预测数量，fn代表某方法对该种道路异常的未检出数量，fp代表某方法将其他道路异常划分为该种道路异常的数量。表6标记道路坑洞标记减速带标记金属井盖来源数据集110869672018年的'evaluation'一文数据集28200自行采集表7文章名称发表年份简记evaluationofdetectionapproachesforroadanomaliesbasedonaccelerometerreadings—addressingwho’swho2018对比方法1towardsapracticalcrowdsensingsystemforroadsurfaceconditionsmonitoring2018对比方法2multi-lanepotholedetectionfromcrowdsourcedundersampledvehiclesensordat2017对比方法3learningroadwaysurfacedisruptionpatternsusingthebagofwordsrepresentation2017对比方法4实验结论：从图6、图7、图8的结果来看，对于道路异常的预测，本专利提出的方法的预测结果都比其他方法的预测结果更加准确。从图6中可以看到，大部分方法的f1只有0.5左右。在训练集为90％时，只有对比方法3超过了0.7，而本专利提出的方法则接近0.9，比其他方法至少高了0.15，比最好的方法提高了19％。图7、图8中，本专利提出的方法分别比最好的对比方法3在90％的训练集比例下高出了0.15、0.03，分别提升了19％、4％，并且在每个训练集比例都比其他所有方法要高。而从图9的结果来看，本专利的方法对道路坑洞的检测效果远比其他所有方法来得更好，f1指标至少高出了0.15。在训练集比例为80％时，比起最好的对比方法4也提升了34％之多。综合两个数据集的结果可以发现，无论是二分类的情况还是多分类的情况，本专利的方法都有较好的表现，而其他的方法则在二分类与多分类的情况表现不同。除去本专利的方法，多分类下对比方法3表现最好，而二分类下对比方法1、4更优，说明了这些方法在不同情况下不太稳定。综上所述，在两个训练集、二分类以及多分类的判断条件下，本专利提出方法的道路异常检测能力都比其他方法更好。当前第1页12