全文鏈接：http://tecdat.cn/?p=31268

原文出處：拓端數(shù)據(jù)部落公眾號(hào)

分析師：Bohao Zhan

目前主流的輕量化路面平整度檢測(cè)技術(shù)方案為：使用車載加速度傳感器采集車輛在路面上行駛時(shí)的豎向振動(dòng)數(shù)據(jù)，并按照每100米計(jì)算豎向振動(dòng)數(shù)據(jù)統(tǒng)計(jì)指標(biāo)：均方根值RMS，并建立RMS與路面平整度指標(biāo)：IRI之間的回歸模型。檢測(cè)前需要將車輛行駛至標(biāo)準(zhǔn)路段（即已知IRI真值的路段）上來(lái)回行駛對(duì)傳感器進(jìn)行標(biāo)定，完成標(biāo)定后駕駛車輛前往待檢測(cè)路段進(jìn)行平整度檢測(cè)。

目前該技術(shù)方案的難點(diǎn)在于，對(duì)于同一IRI值的路面，若駕駛同一車輛以不同的行駛速度駛過(guò)，測(cè)得的振動(dòng)數(shù)據(jù)統(tǒng)計(jì)指標(biāo)也會(huì)不同，即車輛行駛速度是影響檢測(cè)結(jié)果的主要因素之一。在標(biāo)定工作中，車輛會(huì)被要求已恒定速度行駛進(jìn)行標(biāo)定，而實(shí)際測(cè)量時(shí)，車輛的速度往往會(huì)隨道路交通狀況、路況、天氣等因素?zé)o法維持恒定的速度，導(dǎo)致車輛在檢測(cè)過(guò)程中時(shí)的車輛行駛速度時(shí)快時(shí)慢，嚴(yán)重影響檢測(cè)結(jié)果精度。因此，對(duì)檢測(cè)數(shù)據(jù)結(jié)果進(jìn)行速度修正（即將車輛某一檢測(cè)速度下的測(cè)量值轉(zhuǎn)換成當(dāng)量速度下的測(cè)量值），是一件急迫且必需的事情。

解決方案

任務(wù)目標(biāo)

基于不同車速下的平整度檢測(cè)車輛振動(dòng)數(shù)據(jù)結(jié)果，探究車速與檢測(cè)結(jié)果之間的關(guān)系，根據(jù)此關(guān)系進(jìn)行速度修正，將不同車速下的檢測(cè)結(jié)果轉(zhuǎn)換成當(dāng)量速度下的檢測(cè)結(jié)果。

使用到的工具?/?語(yǔ)言

Matlab、Python、Mysql、Navicat。

數(shù)據(jù)?獲取

平整度檢測(cè)車輛每天會(huì)在上海外環(huán)高速固定某一路段上進(jìn)行檢測(cè)，檢測(cè)數(shù)據(jù)（包括振動(dòng)加速度數(shù)據(jù)、GPS定位數(shù)據(jù)、圖像數(shù)據(jù)等）會(huì)定時(shí)上傳至數(shù)據(jù)庫(kù)內(nèi)，需要從數(shù)據(jù)庫(kù)中將檢測(cè)數(shù)據(jù)批量下載至本地進(jìn)行分析，其中，需要下載的數(shù)據(jù)表包括acc表、gps表、stake_info表。

圖1 MySQL數(shù)據(jù)庫(kù)中數(shù)據(jù)

(a)

(b)

圖2 從數(shù)據(jù)庫(kù)抓取數(shù)據(jù)Python腳本（部分）

編寫python腳本從數(shù)據(jù)庫(kù)中抓取指定時(shí)間的數(shù)據(jù)，腳本中包括部分mysql語(yǔ)句用于篩選數(shù)據(jù)。使用表關(guān)聯(lián)命令將acc與gps表以時(shí)間為key關(guān)聯(lián)起來(lái)，并保存至本地。共從數(shù)據(jù)庫(kù)中抓取57天檢測(cè)數(shù)據(jù)用于后續(xù)分析。

數(shù)據(jù)清洗

將57天車輛軌跡散點(diǎn)（紅）畫于圖中，同時(shí)標(biāo)注待檢測(cè)路段樁號(hào)點(diǎn)（藍(lán)），發(fā)現(xiàn)檢測(cè)車輛并不是完全按照預(yù)定路線進(jìn)行檢測(cè)，有諸多路段是多檢路段，將影響后續(xù)計(jì)算結(jié)果。將相鄰樁號(hào)點(diǎn)連接形成若干個(gè)線段。對(duì)于車輛每一個(gè)軌跡散點(diǎn)，找到離該點(diǎn)最近的樁號(hào)線段，并計(jì)算該點(diǎn)到樁號(hào)線段的距離，設(shè)定閾值，將閾值外的軌跡散點(diǎn)剔除，保留閾值范圍內(nèi)軌跡散點(diǎn)（藍(lán)）。

?圖3 檢測(cè)車輛軌跡散點(diǎn)與樁號(hào)點(diǎn)

（橫坐標(biāo)：經(jīng)度，縱坐標(biāo)：緯度）

此外，還包括的數(shù)據(jù)預(yù)處理包括加速度數(shù)據(jù)去均值與車輛軌跡散點(diǎn)樁號(hào)重計(jì)算。對(duì)車輛每一個(gè)軌跡散點(diǎn)的樁號(hào)進(jìn)行修正。

數(shù)據(jù)處理與分析

對(duì)于每一天的車輛軌跡數(shù)據(jù)，按照上述方法進(jìn)行數(shù)據(jù)清洗，從樁號(hào)起點(diǎn)至樁號(hào)終點(diǎn)，每100米劃分小路段并編號(hào)，選出該路段范圍內(nèi)的加速度數(shù)據(jù)并計(jì)算統(tǒng)計(jì)指標(biāo)RMS。計(jì)算第k天數(shù)據(jù)后將結(jié)果表格與第k+1天結(jié)果表格按照小路段編號(hào)進(jìn)行關(guān)聯(lián)。得到各小路段在不同天下車輛的檢測(cè)數(shù)據(jù)，且每一天的車輛行駛速度均是不同的，也就得到了對(duì)于同一路段（即相同IRI值路面），不同車輛行駛速度下的振動(dòng)數(shù)據(jù)統(tǒng)計(jì)指標(biāo)。將兩者散點(diǎn)畫于圖中，不同路段部分結(jié)果如下所示。

(c)

圖4 速度與RMS散點(diǎn)圖

（橫坐標(biāo)：速度（km/h）、縱坐標(biāo)：RMS）

建立模型

從每一路段速度與RMS散點(diǎn)圖中可看出二者之間存在較強(qiáng)的線性關(guān)系，建立兩者之間線性模型，所有路段散點(diǎn)圖與線性擬合結(jié)果如下圖所示。從圖中可看出不同IRI值路面，檢測(cè)車輛速度與檢測(cè)結(jié)果統(tǒng)計(jì)指標(biāo)RMS均存在較強(qiáng)的線性關(guān)系，對(duì)于不同的IRI值路面，其表現(xiàn)出線性的斜率不同。從下圖中可看出所有直線的截距雖然主要集中于0~0.1范圍內(nèi)，但仍表現(xiàn)較為分散。按照常理，對(duì)于不同IRI值路面，當(dāng)測(cè)量速度為0時(shí)，此時(shí)車輛振動(dòng)僅由車輛發(fā)動(dòng)機(jī)提供，因此表現(xiàn)出的統(tǒng)計(jì)指標(biāo)RMS應(yīng)當(dāng)為同一值。分析原因，認(rèn)為由于外環(huán)道路等級(jí)為高速公路，故數(shù)據(jù)中低速樣本較少所致。

圖5 速度-RMS散點(diǎn)圖與擬合直線

（橫坐標(biāo)：速度（km/h）、縱坐標(biāo)：RMS）

模型優(yōu)化

統(tǒng)計(jì)每一條直線截距值，畫出其分布直方圖（圖6），發(fā)現(xiàn)截距在0.05至0.1區(qū)間內(nèi)頻率最高，取頻率最高值0.07作為所有直線的共同截距，重新對(duì)各條路段數(shù)據(jù)進(jìn)行線性擬合，擬合結(jié)果如圖7所示。

圖6 擬合直線截距分布直方圖

圖7 改進(jìn)后的擬合結(jié)果

得出平整度檢測(cè)車輛檢測(cè)結(jié)果速度修正方案，對(duì)于每一條路段在不同車輛速度下的振動(dòng)數(shù)據(jù)統(tǒng)計(jì)指標(biāo)RMS，減去同一截距0.07。取當(dāng)量速度為70km/h，按照各路段線性擬合直線斜率將不同速度下的檢測(cè)結(jié)果修正至70km/h速度下的檢測(cè)值。

關(guān)于作者

在此對(duì)Bohao Zhan對(duì)本文所作的貢獻(xiàn)表示誠(chéng)摯感謝，他在同濟(jì)大學(xué)完成了控制工程碩士學(xué)位，擅長(zhǎng)數(shù)據(jù)采集、數(shù)據(jù)分析。

?最受歡迎的見解

1.R語(yǔ)言多元Logistic邏輯回歸 應(yīng)用案例

2.面板平滑轉(zhuǎn)移回歸(PSTR)分析案例實(shí)現(xiàn)

3.matlab中的偏最小二乘回歸（PLSR）和主成分回歸（PCR）

4.R語(yǔ)言泊松Poisson回歸模型分析案例

5.R語(yǔ)言混合效應(yīng)邏輯回歸Logistic模型分析肺癌

6.r語(yǔ)言中對(duì)LASSO回歸，Ridge嶺回歸和Elastic Net模型實(shí)現(xiàn)

7.R語(yǔ)言邏輯回歸、Naive Bayes貝葉斯、決策樹、隨機(jī)森林算法預(yù)測(cè)心臟病

8.python用線性回歸預(yù)測(cè)股票價(jià)格

9.R語(yǔ)言用邏輯回歸、決策樹和隨機(jī)森林對(duì)信貸數(shù)據(jù)集進(jìn)行分類預(yù)測(cè)