的最终分类 器确定所述待处理车辆对应的油位数据是否为需保留的油位数据。2. 根据权利要求1所述的方法，其特征在于，所述根据所述待处理车辆对应的离散系 数cVi ,，相关系数预先构建的相应的高斯模型，计算所述待处理车辆对应的油位数据 的预保留概率和预剔除概率具体包括： 将所述待处理车辆对应的离散系数& ,输入到预先构建的关于离散系数c ν的高斯模型 G(Cv)中，计算第一预保留概率P(CvJy1)和第一预易Ij除概率P(C vJy2); 将所述待处理车辆对应的相关系数]输入到预先构建的关于相关系数r u的高斯 模型G(\v)中，计算第二预保留概率P(A^Iy1)和第二预剔除概率P(LyIy2); 根据所述第一预保留概率P (cVi ] I yi)和所述第二预保留概率P (\νι ] I yi)计算所述待处 理车辆对应的油位数据的预保留概率P (Uj Iy1) = P(CyIy1) XPCrqiIjIy1); 根据所述第一预剔除概率P (cVi, I y2)和所述第二预剔除概率P , I y2)计算所述待处 理车辆对应的油位数据的预剔除概率P (Uj I y2) = P (cVi_j I y2) XP (rqiVi_j I y2)。3. 根据权利要求2所述的方法，其特征在于，所述预先构建相应的高斯模型具体包括： 获取Il1个已保留的车辆油位数据的训练样本和^个已剔除的车辆油位数据训练样本， 组成训练集N1; 计算所述训练集N1中每个训练样本对应的离散系数c Vik和相关系数r qiVik; 采用极大似然估计法，分别计算所述已保留的车辆油位数据的训练样本的关于离散系 数cv的高斯模型G i (Cv)中的期望&i，方差和所述已剔除的车辆油位数据的训练样本的 关于离散系数Cv的高斯模型G 2 (Cv)中的期望，方差; 采用极大似然估计法，分别计算所述已保留的车辆油位数据的训练样本的关于相关系 数的高斯模型G1(^v)中的期望，方差和所述已剔除的车辆油位数据的训练样本 的关于相关系数rq,v的高斯模型G 2(rq,v)中的期望 ，方差4. 根据权利要求3所述的方法，其特征在于，所述根据所述待处理车辆对应的油位数 据的预保留概率和预剔除概率，验证后的最终分类器确定所述待处理车辆对应的油位数据 是否为需保留的油位数据之前，还包括： 获取η2个已保留的车辆油位数据的测试样本和η 2个已剔除的车辆油位数据测试样本， 组成测试集N2; 计算所述测试集N2中每个测试样本对应的离散系数W Vik和相关系数P q,Vik； 根据所述每个测试样本对应的离散系数c' Vik，相关系数r' q^k及预先构建的相应的 高斯模型，计算所述每个测试样本％对应的油位数据的预保留概率P (u k I yi)和预剔除概率 P(UkIy2); 构建贝叶斯分类器P (uk IY1) -P (uk I y2) >T ; 根据所述每个测试样本对应的油位数据的预保留概率P(U1Jy1)和预剔除概率 P (uk I y2)，采用蒙特卡洛交叉验证的方法确定所述贝叶斯分类器的最优分类阈值Tf，以获得 验证后的最终分类器。5. 根据权利要求1-4任一项所述的方法，其特征在于，所述待处理车辆对应的离散系 数cVi j，相关系数rqiVi j分别表示为：对应的油位数值的均值，!!^表示所述待处理车辆的预设时间内的油位数值记录f I,的个数， 铐表示待处理车辆对应的第i个行程区间速度记录的炜度坐标，λ u表示待处理车辆对应 的第i个行程区间速度记录的经度坐标，表示待处理车辆对应的第i个行程区间速度记 录的记录时间，111 2表示所述待处理车辆的预设时间内的油耗数值记录Cu ,和行程区间速度 记录Vi,.j的个数。6. -种车辆油位数据的筛选装置，其特征在于，包括： 获取模块，用于获取待处理车辆在预设时间内的油位数值记录fu，油耗数值记录qu 及行程区间速度记录U 计算模块，用于根据所述油位数值记录计算关于油位数值的离散系数c u，并根据 所述油耗数值记录及所述行程区间速度记录V u计算关于油耗数值与行程区间速度的 相关系数rqiVij; 所述计算模块，还用于根据所述待处理车辆对应的离散系数cVi ]，相关系数]及预 先构建的相应的高斯模型，计算所述待处理车辆对应的油位数据的预保留概率和预剔除概 率； 确定模块，用于根据所述待处理车辆对应的油位数据的预保留概率，预剔除概率，验证 后的最终分类器确定所述待处理车辆对应的油位数据是否为需保留的油位数据。7. 根据权利要求6所述的装置，其特征在于，所述计算模块具体用于： 将所述待处理车辆对应的离散系数cVi,输入到预先构建的关于离散系数c 高斯模 型G(Cv)中，计算第一预保留概率P(CyIy1)和第一预剔除概率P(Cvi]|y 2);将所述待处理 车辆对应的相关系数]输入到预先构建的关于相关系数r u的高斯模型G(r + J中，计 算第二预保留概率P(^yly1)和第二预剔除概率P(^yly2);根据所述第一预保留概率 P (Cy I yi)和所述第二预保留概率P (\νι ] I yi)计算所述待处理车辆对应的油位数据的预保 留概率P (Uj I = P (cv,_j I Y1) XP Crq^j I Y1);根据所述第一预剔除概率P (cv,_j I y2)和所述第 二预剔除概率P (rqiVi_j I y2)计算所述待处理车辆对应的油位数据的预剔除概率P (Uj I y2)= P(Cjy2) xPUy2)。8. 根据权利要求7所述的装置，其特征在于，还包括：第一构建模块，所述第一构建模 块包括： 获取单元，用于获取H1个已保留的车辆油位数据的训练样本和H1个已剔除的车辆油位 数据训练样本，组成训练集N1; 计算单元，用于计算所述训练集N1中每个训练样本对应的离散系数c Vik和相关系数 Fq, V，k; 所述计算单元，还用于采用极大似然估计法，分别计算所述已保留的车辆油位数据的 训练样本的关于离散系数Cv的高斯模型G i (Cv)中的期望^，方差和所述已剔除的车辆 油位数据的训练样本的关于离散系数Cv的高斯模型G 2(cv)中的期望/(_.，方差% 所述计算单元，还用于采用极大似然估计法，分别计算所述已保留的车辆油位数据的 训练样本的关于相关系数的高斯模型G JrqJ中的期望/<，方差 和所述已剔除的车 辆油位数据的训练样本的关于相关系数的高斯模型G 2(\ν)中的期望，方差。9. 根据权利要求8所述的装置，其特征在于，还包括：第二构建模块和验证模块； 所述获取模块，还用于获取n2个已保留的车辆油位数据的测试样本和n 2个已剔除的车 辆油位数据测试样本，组成测试集N2; 所述计算模块，还用于计算所述测试集N2中每个测试样本对应的离散系数c' Vik和相 关系数，^k; 所述计算模块，还用于根据所述每个测试样本对应的离散系数c' Vik，相关系数 r'。^及预先构建的相应的高斯模型，计算所述每个测试样本u ,对应的油位数据的预保 留概率P (uk I yi)和预剔除概率P (uk I y2); 所述第二构建模块，用于构建贝叶斯分类器P (uk I yi) -P (uk I y2) >T ; 所述验证模块，用于根据所述每个测试样本对应的油位数据的预保留概率P (uk I yi)和 预剔除概率P (uk I y2)，采用蒙特卡洛交叉验证的方法确定所述贝叶斯分类器的最优分类阈 值Tf，以获得验证后的最终分类器。10. 根据权利要求9所述的装置，其特征在于，所述待处理车辆对应的离散系数c Vi ]，相 关系数分别表示为：对应的油位数值的均值，!!^表示所述待处理车辆的预设时间内的油位数值记录f I,的个数， 科表示待处理车辆对应的第i个行程区间速度记录的炜度坐标，λ u表示待处理车辆对应 的第i个行程区间速度记录的经度坐标，表示待处理车辆对应的第i个行程区间速度记 录的记录时间，111 2表示所述待处理车辆的预设时间内的油耗数值记录Cu ,和行程区间速度 记录Vi,.j的个数。
【专利摘要】本发明提供了一种车辆油位数据的筛选方法和装置，该方法包括：获取待处理车辆在预设时间内的油位数值记录fi,j，油耗数值记录qi,j及行程区间速度记录vi,j；根据油位数值记录fi,j计算关于油位数值的离散系数cv,j，并根据油耗数值记录qi,j及行程区间速度记录vi,j计算关于油耗数值与行程区间速度的相关系数rq,v,j；根据待处理车辆对应的离散系数cv,j，相关系数rq,v,j及预先构建的相应的高斯模型，计算待处理车辆对应的油位数据的预保留概率和预剔除概率；根据待处理车辆对应的油位数据的预保留概率，预剔除概率，验证后的最终分类器确定待处理车辆对应的油位数据是否为需保留的油位数据。
【IPC分类】G06K9/62
【公开号】CN105069467
【申请号】CN201510450449
【发明人】夏海英
【申请人】北京通博科技有限公司
【公开日】2015年11月18日
【申请日】2015年7月28日