一种具有机器学习能力的驾驶状态采集分析系统的制作方法

本实用新型涉及物联网和机器学习技术领域，尤其涉及一种具有机器学习能力的驾驶状态采集分析系统。

背景技术：

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、算法复杂度理论等多门学科。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。它是人工智能的核心，是使计算机具有智能的根本途径。

物联网指是将无处不在的终端设备和设施，包括传感器、移动终端、工业系统、楼控系统、家庭智能设施、视频监控系统、携带无线终端的车辆等，通过各种有线/无线实现互联互通。

物联网设备采集的实时传感器数据量非常大，一般每分钟可以采集到大约1MB字节数据。如果有成千上万的设备，采集到数据后，全部未经处理交给后台进行分析，效率会非常低。

技术实现要素：

本实用新型的目的在于提供一种具有机器学习能力的驾驶状态采集分析系统，采用机器学习方式，能够对传感器的数据进行实时分析处理，提升数据处理效率，降低物联网服务器的网络负载，并改善数据处理结果。

为实现上述目的，本实用新型提出了一种具有机器学习能力驾驶状态采集分析系统，包括数据采集处理设备和后台分析服务器，所述数据采集处理设备 与所述后台分析服务器通过网络数据连接；

所述数据采集处理设备包括存储器、主处理器、传感器和通讯模块，所述存储器、传感器和通讯模块均与主处理器相连，其中，所述主处理器中设有机器学习算法处理数据单元，所述传感器用于采集数据，所述主处理器用于对传感器采集的数据进行处理，所述存储器用于缓存传感器采集的数据，所述通讯模块用于向所述后台分析服务器上传经主处理器处理的数据结果；

所述后台分析服务器包括通讯接口、机器学习模块和数据库模块，所述通讯接口、机器学习模块和数据库模块三者之间彼此相连，所述通讯接口用于接收所述数据采集处理设备上传的数据结果，所述机器学习模块用于根据上传的数据结果实时更新数据采集处理设备的机器学习算法处理数据单元内参数设置，所述数据库模块用于存储传感器采集的数据和经主处理器处理的数据结果。

进一步的，在具有机器学习能力的驾驶状态采集分析系统，所述传感器包括速度传感器、加速度传感器和陀螺仪传感器。

与现有技术相比，本实用新型的有益效果是：在数据采集处理设备中设置主处理器，且主处理器内设机器学习算法处理数据单元，采用机器学习方式，在数据采集处理设备中对数据进行分析得出原始数据对应各种结果，然后只需将处理后的少量数据结果上传到后台分析服务器，就可以大大减少通信数据和服务器的工作量。

附图说明

图1为本实用新型一实施中具有机器学习能力的驾驶状态采集分析系统框架图。

具体实施方式

下面将结合示意图对本实用新型的具有机器学习能力的驾驶状态采集分析系统进行更详细的描述，其中表示了本实用新型的优选实施例，应该理解本领 域技术人员可以修改在此描述的本实用新型，而仍然实现本实用新型的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本实用新型的限制。

如图1所示，本实用新型提出了一种具有机器学习能力的驾驶状态采集分析系统，包括数据采集处理设备10和后台分析服务器20，所述数据采集处理设备10与所述后台分析服务器20通过网络数据连接。

所述数据采集处理设备10包括存储器、主处理器、传感器和通讯模块，所述存储器、传感器和通讯模块均与主处理器相连，其中，所述主处理器中设有机器学习算法处理数据单元；所述传感器包括速度传感器、加速度传感器和陀螺仪传感器且用于采集数据；所述主处理器用于对传感器采集的数据进行处理，所述存储器用于缓存传感器采集的数据；所述通讯模块用于向所述后台分析服务器20上传经主处理器处理的数据结果。

所述后台分析服务器20包括通讯接口、机器学习模块和数据库模块，所述通讯接口、机器学习模块和数据库模块三者之间彼此相连，所述通讯接口用于接收所述数据采集处理设备10上传的数据结果；所述机器学习模块用于根据上传的数据结果实时更新数据采集处理设备10的机器学习算法处理数据单元内参数设置，所述数据库模块用于存储传感器采集的数据和经主处理器处理的数据结果。

本实用新型提出的具有机器学习能力的驾驶状态采集分析系统在操作过程中，经传感器采集到速度、加速度和陀螺仪等原始数据后，所述原始数据需要在主处理器中依次进行滤波、归一化、特征值提取及数据归类分析处理。

原始数据进行滤波处理，所述滤波处理是通过滤波算法过滤掉传感器自身的噪音。

为了便于原始数据的后续处理，对过滤后的原始数据进行归一化处理，其中，加速度和陀螺仪数据使用最大量程进行归一化处理，速度数据通过除以255km/h的方式进行归一化处理。

为了进一步简化数据处理过程，需要对归一化后的数据进行特征值提取的处理。特征值提取处理过程分为以下几步：

第一步：设定提取数据窗口，每次提取少量数据；

第二步：设定数据窗口移动距离，每次数据窗口往后同样宽度的秒数；

第三步：使用向量差值计算，根据数据窗口内的数据信息计算获得变化后的数据矩阵；

第四步：根据变化后的数据矩阵，再进行反向变换，转成提取后的特征值

缩小数据窗口和移动距离，会增加提取后的数据量；增加数据窗口大小，可以减少特征值数据量。但是移动距离不能超过窗口大小，否则会丢失数据。

经过特征值提取处理过的数据，保留了原有数据的最主要特征波形，同时所占字节被大大压缩，如800字节左右的数据，压缩后会少于300字节，减少了大约60％，需要处理的数据内容已经大大简化，并且省略掉了不重要的数据信息，节省了存储空间和计算时间。

在本系统中，采用逻辑回归、神经网络等方法对经过特征值提取后的传感器数据进行数据归类分析。其中，逻辑回归、神经网络等为机器学习中使用方法，可以做出比较高准确率的归类结果，而且可以随着情况变化，不断扩展自身的归类处理能力。通常应用在图像识别等领域，本实用新型将这些方法引入至传感器数据归类分析的应用中。

后台分析服务器20内的机器学习模块可以采用神经网络算法对数据采集处理设备10上传的特征值进行数学训练获得数据归类分析结果，并得到相应的机器学习参数，然后由所述通讯接口将所述机器学习参数传送给数据采集处理设备10，数据采集处理设备10的主处理器再根据所述机器学习参数采用逻辑回归方法将数据归类分析结果与行车状态相关联，算出数据归类分析所对应的结果。

归类分析对应的结果可以包括以下几种：

1、普通行车，行驶速度变化比较慢，加速度变化比较低；

2、颠簸路段，行驶速度变化比较慢，加速度变化比较剧烈，持续出现；

3、转弯，行驶速度变化比较慢，加速度主要出现侧方向变化；

4、上下坡，行驶速度变化比较慢，加速度侧向变化较小；

5、碰撞，行驶速度变化比较快，加速度变化剧烈，短时出现。

综上，在本实用新型实施例提供的具有机器学习能力的驾驶状态采集分析系统中，在数据采集处理设备中设置主处理器，且主处理器内设机器学习算法处理数据单元，采用机器学习方式，在数据采集处理设备中对数据进行分析得出原始数据对应的各种结果，然后只需将处理后的少量数据结果上传到后台分析服务器，就可以大大减少通信数据和服务器的工作量。

上述仅为本实用新型的优选实施例而已，并不对本实用新型起到任何限制作用。任何所属技术领域的技术人员，在不脱离本实用新型的技术方案的范围内，对本实用新型揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本实用新型的技术方案的内容，仍属于本实用新型的保护范围之内。