CN113689081B - 基于正态云模型的自动驾驶道路测试数据质量确定方法 - Google Patents
基于正态云模型的自动驾驶道路测试数据质量确定方法 Download PDFInfo
- Publication number
- CN113689081B CN113689081B CN202110864149.4A CN202110864149A CN113689081B CN 113689081 B CN113689081 B CN 113689081B CN 202110864149 A CN202110864149 A CN 202110864149A CN 113689081 B CN113689081 B CN 113689081B
- Authority
- CN
- China
- Prior art keywords
- cloud
- test data
- data
- quality
- comprehensive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及了一种基于正态云模型的自动驾驶道路测试数据质量确定方法及***,所述方法包括如下步骤:采用层次分析法,确定用于确定自动驾驶道路测试数据质量的每个评估指标的权重;采用逆向云发射器算法,计算测试数据的每个评估指标的云模型特征参数值;根据每个评估指标的权重和测试数据的每个评估指标的云模型特征参数值,计算测试数据的综合云特征参数值;根据测试数据的综合云特征参数值,基于正态云模型,确定测试数据的质量。本发明实现了对自动驾驶道路测试数据质量的确定。
Description
技术领域
本发明涉及自动驾驶测试技术领域,特别是涉及一种基于正态云模型的自 动驾驶道路测试数据质量确定方法。
背景技术
自动驾驶技术已进入高速发展阶段,自动驾驶道路测试过程中会产生海量 数据。海量的道路测试数据中蕴含着高额的潜在价值。然而,自动驾驶道路测 试数据具有多测试主体、多测试环节、多采集设备的特点,导致数据的质量有 待提升,限制了数据价值的释放。因此,为提高自动驾驶道路测试数据质量, 充分发挥数据价值,赋能产业发展,首先需要一套科学合理的方法对自动驾驶 道路测试数据质量进行评估。
发明内容
本发明的目的是提供一种基于正态云模型的自动驾驶道路测试数据质量 确定方法,以实现对自动驾驶道路测试数据质量的确定。
为实现上述目的,本发明提供了如下方案:
本发明提供一种基于正态云模型的自动驾驶道路测试数据质量确定方法, 所述方法包括如下步骤:
采用层次分析法,确定用于确定自动驾驶道路测试数据质量的每个评估指 标的权重;所述评估指标包括数据正确定性、数据完整性、数据唯一性、数据 一致性和数据有效性;
采用逆向云发射器算法,计算测试数据的每个评估指标的云模型特征参数 值;
根据每个评估指标的权重和测试数据的每个评估指标的云模型特征参数 值,计算测试数据的综合云特征参数值;
根据测试数据的综合云特征参数值,基于正态云模型,确定测试数据的质 量。
可选的,所述采用层次分析法,确定用于确定自动驾驶道路测试数据质量 的每个评估指标的权重,具体包括:
构建用于确定自动驾驶道路测试数据质量的指标评估体系,并确定所述指 标评估体系的初始的权重判断矩阵;
判断所述一致性比例是否小于等于0.01,获得判断结果;
其中,ωi表示第i个评估指标的权重,aij为权重判断矩阵中第(i,j)个 元素,表示第i评估指标相对第j个评估指标的风险重要程度。
可选的,采用逆向云发射器算法,计算测试数据的每个评估指标的云模型 特征参数值,具体包括:
分别每个车辆的测试数据作为一个子数据集,获得K个子数据集;
分别计算每个子数据集在每个评价指标下的评价结果;
根据每个子数据集在每个评价指标下的评价结果,采用逆向云发射器算法, 利用下列公式计算测试数据的每个评估指标的云模型特征参数值;
其中,Exi是第i个评估指标的云模型的期望;Eni是第i个评估指标的云 模型的熵;Hei是第i个评估指标的云模型的超熵;cki是第k个子数据集在第i个评价指标下的评价结果。
可选的,所述分别计算每个子数据集在每个评价指标下的评价结果,具体 包括:
其中,c1为子数据集的数据正确性,Fc1_1(n)、Fc1_2(n)、Fc1_3(n)和Fc1_4(n) 分别为第n条记录的瞬时车速的正确性、瞬时加速度的正确性、加速度的契合 性和驾驶模式的正确性,N表示子数据集中记录的数量;
distance(latn,lonn,latn+1,lonn+1)为距离计算函数,(latn,lonn)为第n条记 录的经纬度坐标,(latn+1,lonn+1)为第n+1条记录的经纬度坐标;vn和vn+1分别为第n条记录和第n+1条记录的速度;an为第n条记录的加速度;tn和tn+1分别为第n条记录和第n+1条记录的时间;
其中,c2为子数据集的数据完整性,Fc2_1(n)和Fc2_2(n)分别为第n条记录 的数据值缺失性和数据时间连续性;
l为时间间隔阈值;
其中,c3为子数据集的数据唯一性,Fc3_1(n)为第n条记录的时间变量值 唯一性,repeat_ratio为子数据集的指标重复率;
其中,c4为子数据集的数据一致性,Fc4_1(n)和Fc4_2(n)分别为第n条记录 的格式一致性和精度一致性;
其中,c5为子数据集的数据有效性,Fc5_1(n)和Fc5_2(n)分别为第n条记录 的数据格式有效和经纬度坐标有效性;
W为测区内的经纬度合集。
可选的,所述根据每个评估指标的权重和测试数据的每个评估指标的云模 型特征参数值,计算测试数据的综合云特征参数值,具体包括:
根据每个评估指标的权重和测试数据的每个评估指标的云模型特征参数, 利用如下公式计算测试数据的综合云特征参数值;
其中,Ex为测试数据的综合云的期望,En为测试数据的综合云的熵,He为测试数据的综合云的超熵,ωi表示第i个评估指标的权重。
可选的,所述根据测试数据的综合云特征参数值,基于正态云模型,确定 测试数据的质量,具体包括:
以测试数据的综合云的期望为期望,以测试数据的综合云的超熵为标准差, 生成第一正态随机数;
以测试数据的综合云的熵为期望,以第一正态随机数为标准差,生成第二 正态随机数;
以第p个质量等级云的期望为期望,以第p个质量等级云的超熵为标准差, 生成第三正态随机数;
令m的数值增加1,返回步骤“以测试数据的综合云的期望为期望,以测 试数据的综合云的超熵为标准差,生成第一正态随机数”,直到生成测试数据 的综合云与第p个质量等级云的M个相似度评价结果;
根据测试数据的综合云与第p个质量等级云的M个相似度评价结果,利 用公式ξp=∑ξpm/M,计算测试数据的综合云与第p个质量等级云的综合相似 度;其中,ξp表示测试数据的综合云与第p个质量等级云的综合相似度;
令p的数值增加1,初始化m的数值,返回步骤“以测试数据的综合云的 期望为期望,以测试数据的综合云的超熵为标准差,生成第一正态随机数”, 直到获得测试数据的综合云与每个质量等级云的综合相似度;
根据测试数据的综合云与每个质量等级云的综合相似度,确定测试数据的 质量等级。
可选的,所述根据测试数据的综合云特征参数值,基于正态云模型,确定 测试数据的质量,之前还包括:
利用如下公式计算每个质量等级云的云特征参数;
其中,Exp为第p个质量等级云的期望;Enp为第p个质量等级云的熵;Hep为第p个质量等级云的超熵;topp为第p个等级的评价取值上界;btmp为第p 个等级的评价取值下界。
一种基于正态云模型的自动驾驶道路测试数据质量确定***,所述***包 括:
权重确定模块,用于采用层次分析法,确定用于确定自动驾驶道路测试数 据质量的每个评估指标的权重;所述评估指标包括数据正确定性、数据完整性、 数据唯一性、数据一致性和数据有效性;
云模型特征参数值计算模块,用于采用逆向云发射器算法,计算测试数据 的每个评估指标的云模型特征参数值;
综合云特征参数值计算模块,用于根据每个评估指标的权重和测试数据的 每个评估指标的云模型特征参数值,计算测试数据的综合云特征参数值;
质量确定模块,用于根据测试数据的综合云特征参数值,基于正态云模型, 确定测试数据的质量。
可选的,所述权重确定模块,具体包括:
初始化子模块,用于构建用于确定自动驾驶道路测试数据质量的指标评估 体系,并确定所述指标评估体系的初始的权重判断矩阵;
一致性判断子模块,用于判断所述一致性比例是否小于等于0.01,获得判 断结果;
其中,ωi表示第i个评估指标的权重,aij为权重判断矩阵中第(i,j)个 元素,表示第i评估指标相对第j个评估指标的风险重要程度。
可选的,所述云模型特征参数值计算模块,具体包括:
子数据集分割子模块,用于分别每个车辆的测试数据作为一个子数据集, 获得n个子数据集;
评价结果计算子模块,用于分别计算每个子数据集在每个评价指标下的评 价结果;
云模型特征参数值计算子模块,用于根据每个子数据集在每个评价指标下 的评价结果,采用逆向云发射器算法,利用下列公式计算测试数据的每个评估 指标的云模型特征参数值;
其中,Exi是第i个评估指标的云模型的期望;Eni是第i个评估指标的云 模型的熵;Hei是第i个评估指标的云模型的超熵;cki是第k个子数据集在第i 个评价指标下的评价结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种基于正态云模型的自动驾驶道路测试数据质量确定方 法,所述方法包括如下步骤:采用层次分析法,确定用于确定自动驾驶道路测 试数据质量的每个评估指标的权重;采用逆向云发射器算法,计算测试数据的 每个评估指标的云模型特征参数值;根据每个评估指标的权重和测试数据的每 个评估指标的云模型特征参数值,计算测试数据的综合云特征参数值;根据测 试数据的综合云特征参数值,基于正态云模型,确定测试数据的质量。本发明 实现了对自动驾驶道路测试数据质量的确定。
而且本发明针对自动驾驶道路测试数据的具体特点,提出了数据质量评估 指标,以及具体的判断准则和计算方法,基于正态云模型方法将质量评估得分 映射到具体的质量等级,能够实现评估结果的合理、准确,具有原创性、科学 性和实用性等优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施 例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是 本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性 的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于正态云模型的自动驾驶道路测试数据质量 确定方法的流程图;
图2为本发明提供的一种基于正态云模型的自动驾驶道路测试数据质量 确定方法的原理图;
图3为本发明提供的绘制综合评价云和各数据质量等级云的点云分布图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清 楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是 全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造 性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于正态云模型的自动驾驶道路测试数据质量 确定方法,以实现对自动驾驶道路测试数据质量的确定。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和 具体实施方式对本发明作进一步详细的说明。
本发明提供了本发明提供一种基于正态云模型的自动驾驶道路测试数据 质量确定方法,所述方法包括如下步骤:
步骤101,采用层次分析法,确定用于确定自动驾驶道路测试数据质量的 每个评估指标的权重;所述评估指标包括数据正确定性、数据完整性、数据唯 一性、数据一致性和数据有效性。
步骤101包括具体指标和判断准则如下:
数据正确性c1,主要包括以下判断准则:
根据时间序列前后两条数据的经纬度坐标,计算得到的瞬时车速在合理范 围内,其判断函数如下:
式中:Fc1_1(n)为第n条数据在该准则下的判断函数,取值为1表示不存 在质量问题,取值为0表示存在质量问题,n为数据编号; distance(latn,lonn,latn+1,lonn+1)是距离计算函数,表示根据第n条记录的经纬 度坐标(latn,lonn)、第n+1条记录的经纬度坐标(latn+1,lonn+1)计算得到两 点间的距离;tn表示第n条数据的时刻,tn+1表示第n+1条数据的时刻。
根据时间序列前后两条数据的车速记录值,计算得到的瞬时加速度在合理 范围内,其判断函数如下:
式中:Fc1_2(n)为第n条数据在该准则下的判断函数,取值为1表示不存 在质量问题,取值为0表示存在质量问题,n为数据编号;表示第n条数据 的车速记录值,表示第n+1条数据的车速记录值;tn表示第n条数据的时 刻,tn+1表示第n+1条数据的时刻。
根据时间序列前后两条数据的车速记录值,计算得到的瞬时加速度,需要 和加速度的记录值契合,其判断函数如下:
式中:Fc1_3(n)为第n条数据在该准则下的判断函数,取值为1表示不存 在质量问题,取值为0表示存在质量问题,n为数据编号;表示第n条数据 的车速记录值,表示第n+1条数据的车速记录值;表示第n条数据的汽 车加速度记录值,表示第n+1条数据的汽车加速度记录值;tn表示第n条 数据的时刻,tn+1表示第n+1条数据的时刻。
驾驶模式的记录正确,其判断函数如下:
式中:Fc1_4(n)为第n条数据在该准则下的判断函数,取值为1表示不存 在质量问题,取值为0表示存在质量问题,n为数据编号;判断驾驶模式记录 和实际情况是否相同,可采用基于实测数据驱动的自动驾驶道路测试驾驶模式 辨别方法。
综合上述判断准则,数据正确性c1的评价方法如下:
式中:n为数据编号,m为数据集中总的数据条数。
数据完整性c2,主要包括以下判断准则:
数据值不存在缺失,其判断函数如下:
式中:Fc2_1(n)为第n条数据在该准则下的判断函数,取值为1表示不存 在质量问题,取值为0表示存在质量问题,n为数据编号。
数据时间保持连续,其判断函数如下;
式中:Fc2_2(n)为第n条数据在该准则下的判断函数,取值为1表示不存 在质量问题,取值为0表示存在质量问题,n为数据编号;tn表示第n条数据 的时刻,tn表示第n+1条数据的时刻,k1为数据说明中规定的时间间隔。
综合上述判断准则,数据完整性c2的评价方法如下:
式中:n为数据编号,m为数据集中总的数据条数。
数据唯一性c3,主要包括以下判断准则:
不存在相同的时间变量值,其判断函数如下:
式中:Fc3_1(n)为第n条数据在该准则下的判断函数,取值为1表示不存 在质量问题,取值为0表示存在质量问题,n为数据编号。
不存在同名的统计指标,其评估方法如下:
式中:repeat_ratio为指标重复率,重复统计指标只计算一次。
综合上述判断准则,数据唯一性c3的评价方法如下:
式中:n为数据编号,m为数据集中总的数据条数。
数据一致性c4,主要包括以下判断准则:
数据表达格式(分数、小数、百分数)是否一致,其判断函数如下:
式中:Fc4_1(n)为第n条数据在该准则下的判断函数,取值为1表示不存 在质量问题,取值为0表示存在质量问题,n为数据编号。
数据精度(几位小数)是否一致,其判断函数如下:
式中:Fc4_2(n)为第n条数据在该准则下的判断函数,取值为1表示不存 在质量问题,取值为0表示存在质量问题,n为数据编号。
综合上述判断准则,数据一致性c4的评价方法如下:
式中:n为数据编号,m为数据集中总的数据条数。
数据有效性c5,主要包括以下判断准则:
数据格式有效(如数字中不包含文本),其判断函数如下:
式中:Fc5_1(n)为第n条数据在该准则下的判断函数,取值为1表示不存 在质量问题,取值为0表示存在质量问题,n为数据编号。
测试车辆的经纬度坐标在测区范围内,其判断函数如下:
式中:Fc5_2(n)为第n条数据在该准则下的判断函数,取值为1表示不存 在质量问题,取值为0表示存在质量问题,n为数据编号;latn表示第n条数 据的维度,lonn表示第n条数据的经度;W表示测区内的经纬度合集。
综合上述判断准则,数据有效性c5的评价方法如下:
式中:n为数据编号,m为数据集中总的数据条数。
步骤102所述采用层次分析法,确定用于确定自动驾驶道路测试数据质量 的每个评估指标的权重,具体包括:
构建用于确定自动驾驶道路测试数据质量的指标评估体系,并确定所述指 标评估体系的初始的权重判断矩阵;
通过专家打法确定各个数据质量评估指标的权重,
用两两对比的方式,针对各个数据质量评估指标的重要程度,采用1~9 标度方法建立成对的判断矩阵,通过专家打分进行两两比较。1~9标度方法, 如表1所示,其中aij表示i相对j的重要程度。
表1数据质量评估指标重要度表
其全部比较结果可用比较矩阵A表示:
注:其中aij表示i相对j的风险重要程度,j与i比较时,可以用i与j比 较标度值的倒数来表示。
利用公式计算所述权重判断矩阵的一致性比例;其中,CR为一 致性比例,CI为一致性指标,λmax为权重判断矩阵的最大特征值, r为权重判断矩阵的维数,RI为随机一致性指标;判断所述一致性比例是否小 于等于0.01,获得判断结果;若所述判断结果表示否,则更新所述权重判断矩 阵,返回步骤“利用公式计算所述权重判断矩阵的一致性比例”。例 如当权重判断矩阵表2所示时,
RI是随机一致性指标,可查表获得。
表2数据质量评估指标权重判断矩阵
若所述判断结果表示是,则根据所述权重判断矩阵,利用公式 计算每个评估指标的权重;其中,ωi表示第i个评估指标的权重,aij为权重判断矩阵中第(i,j)个元素,表示第i评估指标相对第j个评估指标的 风险重要程度。例如,如表2所示的权重判断矩阵。即,CR≤0.10,表明判 断矩阵的一致性可以接受。
步骤102,采用逆向云发射器算法,计算测试数据的每个评估指标的云模 型特征参数值。
1、切割测试数据集。实施例所采用的自动驾驶道路测试数据集,按照测 试车辆切割数据,可分为33个子数据集。
2、对于每一个子数据集,根据步骤一中各评价指标的判断准则,计算各 个数据质量评估指标的评价结果,如表3所示。
表3各子数据集数据质量评估结果
3、采用逆向云发射器算法,计算每个评价指标的云模型特征参数值Exi、 Eni和Hei,计算方法如下:
式中:Exi是第i个评价指标云模型的期望;Eni是第i个评价指标云模型的 熵;Hei是第i个评价指标云模型的超熵;cki是第k个数据集在第i个评价指标 下的评价结果。
步骤103,根据每个评估指标的权重和测试数据的每个评估指标的云模型 特征参数值,计算测试数据的综合云特征参数值。
生成综合评价云,计算综合评价云的特征参数值T(Ex,En,He),计算方法 如下:
式中:Exi是第i个评价指标云模型的期望;Eni是第i个评价指标云模型的 熵;Hei是第i个评价指标云模型的超熵;ωi是第i个评价指标的权重。
每个指标的云模型特征参数值和综合评价云的特征参数值计算结果如下 表4所示。
表4各指标和综合评价云的云模型特征参数值
E | E | H | |
完整性 | 94.03 | 3.21 | 1.02 |
正确性 | 68.52 | 7.17 | 3.52 |
唯一性 | 75.20 | 1.61 | 0.58 |
一致性 | 90.72 | 2.43 | 0.66 |
有效性 | 73.04 | 14.74 | 7.01 |
综合评价云T | 81.60 | 7.16 | 3.13 |
步骤104,根据测试数据的综合云特征参数值,基于正态云模型,确定测 试数据的质量。
1、将质量等级划分为“好”、“较好”、“中等”、“较差”、“差”五个等级,对 于各等级的评分上界和下界,征询若干专家的建议值,最终取平均值来确定。 最终确定第p个等级的上界为topp,下界为btmp,计算方法如下:
式中:topp为第p个等级的评价取值上界;btmp为第p个等级的评价取值 下界;toppi为第i个专家建议的第p个等级的评价取值上界;btmpi为第i个专 家建议的第p个等级的评价取值下界。
2、计算各个质量等级的云特征参数Tp(Exp,Enp,Hep),其中Exp、Enp和Hep的计算方法如下:
式中:Exp为第p个质量等级云的期望;Enp为第p个质量等级云的熵;Hep为第p个质量等级云的超熵;topp为第p个等级的评价取值上界;btmp为第p 个等级的评价取值下界。
数据质量等级云特征参数值计算结果如表5所示。
表5数据质量等级云特征参数值计算结果
top<sub>p</sub> | btm<sub>p</sub> | E | E | H | |
好 | 100 | 85 | 92.5 | 2.50 | 0.015 |
较好 | 85 | 65 | 75 | 3.33 | 0.02 |
中 | 65 | 40 | 52 | 4.17 | 0.025 |
较差 | 40 | 15 | 27.5 | 4.17 | 0.025 |
差 | 15 | 0 | 7.5 | 2.50 | 0.015 |
3、计算综合评价云和各等级云的相似度,根据最大相似度确定自动驾驶 道路测试数据质量等级。
计算数据质量综合评价云T(Ex,En,He)和各个数据质量等级云 Tp(ENp,Enp,Hep)的相似度,计算方法如下:
以En为期望、He为标准差生成一个正态随机数E′n;
然后以Ex为期望,E′n为标准差生成一个正态随机数xi;
计算综合相似度ξp=∑ξpi/N。
综合评价云和各数据质量等级云的相似度计算结果如表6所示:
表6综合评价云和各数据质量等级云的相似度
数据质量等级 | 好 | 较好 | 中 | 较差 | 差 |
相似度 | 0.09733 | 0.272443 | 0.004889 | 1.80×10<sup>-5</sup> | 3.54×10<sup>-33</sup> |
绘制综合评价云和各数据质量等级云的点云分布图,如图3所示。
综合考虑点云分布图和相似度计算结构,判断该自动驾驶道路测试数据集 的数据质量等级为“较好”等级。
本发明还提供一种基于正态云模型的自动驾驶道路测试数据质量确定系 统,所述***包括:
权重确定模块,用于采用层次分析法,确定用于确定自动驾驶道路测试数 据质量的每个评估指标的权重;所述评估指标包括数据正确定性、数据完整性、 数据唯一性、数据一致性和数据有效性。
所述权重确定模块,具体包括:初始化子模块,用于构建用于确定自动驾 驶道路测试数据质量的指标评估体系,并确定所述指标评估体系的初始的权重 判断矩阵;一致性比例计算子模块,用于利用公式计算所述权重判 断矩阵的一致性比例;其中,CR为一致性比例,CI为一致性指标,λmax为权重判断矩阵的最大特征值,r为权重判断矩阵的维数,RI为随机一致 性指标;一致性判断子模块,用于判断所述一致性比例是否小于等于0.01,获 得判断结果;权重判断矩阵更新子模块,用于若所述判断结果表示否,则更新 所述权重判断矩阵,返回步骤“利用公式计算所述权重判断矩阵的一 致性比例”;权重计算子模块,用于若所述判断结果表示是,则根据所述权重 判断矩阵,利用公式计算每个评估指标的权重;其中,ωi表示 第i个评估指标的权重,aij为权重判断矩阵中第(i,j)个元素,表示第i评估 指标相对第j个评估指标的风险重要程度。
云模型特征参数值计算模块,用于采用逆向云发射器算法,计算测试数据 的每个评估指标的云模型特征参数值。
所述云模型特征参数值计算模块,具体包括:子数据集分割子模块,用于 分别每个车辆的测试数据作为一个子数据集,获得n个子数据集;评价结果计 算子模块,用于分别计算每个子数据集在每个评价指标下的评价结果;云模型 特征参数值计算子模块,用于根据每个子数据集在每个评价指标下的评价结果, 采用逆向云发射器算法,利用下列公式计算测试数据的每个评估指标的云模型 特征参数值;
其中,Exi是第i个评估指标的云模型的期望;Eni是第i个评估指标的云 模型的熵;Hei是第i个评估指标的云模型的超熵;cki是第k个子数据集在第i 个评价指标下的评价结果。
综合云特征参数值计算模块,用于根据每个评估指标的权重和测试数据的 每个评估指标的云模型特征参数值,计算测试数据的综合云特征参数值;
质量确定模块,用于根据测试数据的综合云特征参数值,基于正态云模型, 确定测试数据的质量。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种基于正态云模型的自动驾驶道路测试数据质量确定方 法,所述方法包括如下步骤:采用层次分析法,确定用于确定自动驾驶道路测 试数据质量的每个评估指标的权重;采用逆向云发射器算法,计算测试数据的 每个评估指标的云模型特征参数值;根据每个评估指标的权重和测试数据的每 个评估指标的云模型特征参数值,计算测试数据的综合云特征参数值;根据测 试数据的综合云特征参数值,基于正态云模型,确定测试数据的质量。本发明 实现了对自动驾驶道路测试数据质量的确定。
而且本发明针对自动驾驶道路测试数据的具体特点,提出了数据质量评估 指标,以及具体的判断准则和计算方法,基于正态云模型方法将质量评估得分 映射到具体的质量等级,能够实现评估结果的合理、准确,具有原创性、科学 性和实用性等优点。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是 与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施 例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的 一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变 之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于正态云模型的自动驾驶道路测试数据质量确定方法,其特征在于,所述方法包括如下步骤:
采用层次分析法,确定用于确定自动驾驶道路测试数据质量的每个评估指标的权重;所述评估指标包括数据正确性、数据完整性、数据唯一性、数据一致性和数据有效性;
采用逆向云发射器算法,计算测试数据的每个评估指标的云模型特征参数值;
根据每个评估指标的权重和测试数据的每个评估指标的云模型特征参数值,计算测试数据的综合云特征参数值;
根据测试数据的综合云特征参数值,基于正态云模型,确定测试数据的质量;
所述根据测试数据的综合云特征参数值,基于正态云模型,确定测试数据的质量,具体包括:
以测试数据的综合云的期望为期望,以测试数据的综合云的超熵为标准差,生成第一正态随机数;
以测试数据的综合云的熵为期望,以第一正态随机数为标准差,生成第二正态随机数;
以第p个质量等级云的期望为期望,以第p个质量等级云的超熵为标准差,生成第三正态随机数;
根据所述第二正态随机数和第三正态随机数,利用公式 计算测试数据的综合云与第p个质量等级云的相似度评价结果;其中,ξpm表示测试数据的综合云与第p个质量等级云的第m个相似度评价结果,xim表示第二正态随机数,Enp表示第p个质量等级云的期望为期望,表示第三正态随机数;
令m的数值增加1,返回步骤“以测试数据的综合云的期望为期望,以测试数据的综合云的超熵为标准差,生成第一正态随机数”,直到生成测试数据的综合云与第p个质量等级云的M个相似度评价结果;
根据测试数据的综合云与第p个质量等级云的M个相似度评价结果,利用公式ξp=∑ξpm/M,计算测试数据的综合云与第p个质量等级云的综合相似度;其中,ξp表示测试数据的综合云与第p个质量等级云的综合相似度;
令p的数值增加1,初始化m的数值,返回步骤“以测试数据的综合云的期望为期望,以测试数据的综合云的超熵为标准差,生成第一正态随机数”,直到获得测试数据的综合云与每个质量等级云的综合相似度;
根据测试数据的综合云与每个质量等级云的综合相似度,确定测试数据的质量等级。
2.根据权利要求1所述的基于正态云模型的自动驾驶道路测试数据质量确定方法,其特征在于,所述采用层次分析法,确定用于确定自动驾驶道路测试数据质量的每个评估指标的权重,具体包括:
构建用于确定自动驾驶道路测试数据质量的指标评估体系,并确定所述指标评估体系的初始的权重判断矩阵;
判断所述一致性比例是否小于等于0.01,获得判断结果;
其中,ωi表示第i个评估指标的权重,aij为权重判断矩阵中第(i,j)个元素,表示第i评估指标相对第j个评估指标的风险重要程度。
4.根据权利要求3所述的基于正态云模型的自动驾驶道路测试数据质量确定方法,其特征在于,所述分别计算每个子数据集在每个评价指标下的评价结果,具体包括:
其中,c1为子数据集的数据正确性,Fc1_1(n)、Fc1_2(n)、Fc1_3(n)和Fc1_4(n)分别为第n条记录的瞬时车速的正确性、瞬时加速度的正确性、加速度的契合性和驾驶模式的正确性,N表示子数据集中记录的数量;
distance(latn,lonn,latn+1,lonn+1)为距离计算函数,(latn,lonn)为第n条记录的经纬度坐标,(latn+1,lonn+1)为第n+1条记录的经纬度坐标;vn和vn+1分别为第n条记录和第n+1条记录的速度;an为第n条记录的加速度;tn和tn+1分别为第n条记录和第n+1条记录的时间;
其中,c2为子数据集的数据完整性,Fc2_1(n)和Fc2_2(n)分别为第n条记录的数据值缺失性和数据时间连续性;
l为时间间隔阈值;
其中,c3为子数据集的数据唯一性,Fc3_1(n)为第n条记录的时间变量值唯一性,repeat_ratio为子数据集的指标重复率;
其中,c4为子数据集的数据一致性,Fc4_1(n)和Fc4_2(n)分别为第n条记录的格式一致性和精度一致性;
其中,c5为子数据集的数据有效性,Fc5_1(n)和Fc5_2(n)分别为第n条记录的数据格式有效和经纬度坐标有效性;
W为测区内的经纬度合集。
7.一种基于正态云模型的自动驾驶道路测试数据质量确定***,其特征在于,所述***包括:
权重确定模块,用于采用层次分析法,确定用于确定自动驾驶道路测试数据质量的每个评估指标的权重;所述评估指标包括数据正确性、数据完整性、数据唯一性、数据一致性和数据有效性;
云模型特征参数值计算模块,用于采用逆向云发射器算法,计算测试数据的每个评估指标的云模型特征参数值;
综合云特征参数值计算模块,用于根据每个评估指标的权重和测试数据的每个评估指标的云模型特征参数值,计算测试数据的综合云特征参数值;
质量确定模块,用于根据测试数据的综合云特征参数值,基于正态云模型,确定测试数据的质量;
所述根据测试数据的综合云特征参数值,基于正态云模型,确定测试数据的质量,具体包括:
以测试数据的综合云的期望为期望,以测试数据的综合云的超熵为标准差,生成第一正态随机数;
以测试数据的综合云的熵为期望,以第一正态随机数为标准差,生成第二正态随机数;
以第p个质量等级云的期望为期望,以第p个质量等级云的超熵为标准差,生成第三正态随机数;
根据所述第二正态随机数和第三正态随机数,利用公式 计算测试数据的综合云与第p个质量等级云的相似度评价结果;其中,ξpm表示测试数据的综合云与第p个质量等级云的第m个相似度评价结果,xim表示第二正态随机数,Enp表示第p个质量等级云的期望为期望,表示第三正态随机数;
令m的数值增加1,返回步骤“以测试数据的综合云的期望为期望,以测试数据的综合云的超熵为标准差,生成第一正态随机数”,直到生成测试数据的综合云与第p个质量等级云的M个相似度评价结果;
根据测试数据的综合云与第p个质量等级云的M个相似度评价结果,利用公式ξp=∑ξpm/M,计算测试数据的综合云与第p个质量等级云的综合相似度;其中,ξp表示测试数据的综合云与第p个质量等级云的综合相似度;
令p的数值增加1,初始化m的数值,返回步骤“以测试数据的综合云的期望为期望,以测试数据的综合云的超熵为标准差,生成第一正态随机数”,直到获得测试数据的综合云与每个质量等级云的综合相似度;
根据测试数据的综合云与每个质量等级云的综合相似度,确定测试数据的质量等级。
8.根据权利要求7所述的基于正态云模型的自动驾驶道路测试数据质量确定***,其特征在于,所述权重确定模块,具体包括:
初始化子模块,用于构建用于确定自动驾驶道路测试数据质量的指标评估体系,并确定所述指标评估体系的初始的权重判断矩阵;
一致性判断子模块,用于判断所述一致性比例是否小于等于0.01,获得判断结果;
其中,ωi表示第i个评估指标的权重,aij为权重判断矩阵中第(i,j)个元素,表示第i评估指标相对第j个评估指标的风险重要程度。
9.根据权利要求8所述的基于正态云模型的自动驾驶道路测试数据质量确定***,其特征在于,所述云模型特征参数值计算模块,具体包括:
子数据集分割子模块,用于分别每个车辆的测试数据作为一个子数据集,获得n个子数据集;
评价结果计算子模块,用于分别计算每个子数据集在每个评价指标下的评价结果;
云模型特征参数值计算子模块,用于根据每个子数据集在每个评价指标下的评价结果,采用逆向云发射器算法,利用下列公式计算测试数据的每个评估指标的云模型特征参数值:
其中,Exi是第i个评估指标的云模型的期望;Eni是第i个评估指标的云模型的熵;Hei是第i个评估指标的云模型的超熵;cki是第k个子数据集在第i个评价指标下的评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110864149.4A CN113689081B (zh) | 2021-07-29 | 2021-07-29 | 基于正态云模型的自动驾驶道路测试数据质量确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110864149.4A CN113689081B (zh) | 2021-07-29 | 2021-07-29 | 基于正态云模型的自动驾驶道路测试数据质量确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689081A CN113689081A (zh) | 2021-11-23 |
CN113689081B true CN113689081B (zh) | 2022-06-10 |
Family
ID=78578215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110864149.4A Active CN113689081B (zh) | 2021-07-29 | 2021-07-29 | 基于正态云模型的自动驾驶道路测试数据质量确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689081B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996800A (zh) * | 2022-05-05 | 2022-09-02 | 中铁第四勘察设计院集团有限公司 | 一种基于bim软件的城市道路安全评估方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229813A (zh) * | 2017-12-29 | 2018-06-29 | 北京交通大学 | 基于客观性云物元的行业综合发展水平评价方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096037A (zh) * | 2015-07-16 | 2015-11-25 | 广东产品质量监督检验研究院 | 一种光伏组件失效风险判别方法 |
CN105426656B (zh) * | 2015-10-29 | 2018-01-26 | 浙江群力电气有限公司 | 一种误差计算方法及*** |
CN110909983B (zh) * | 2019-10-25 | 2022-01-25 | 浙江工业大学 | 一种主动配电网电能质量多维评估方法 |
CN112396252A (zh) * | 2020-12-04 | 2021-02-23 | 国网江苏省电力有限公司南京供电分公司 | 电力物联网双创园区建设成效评估值的获取方法 |
CN112966381A (zh) * | 2021-03-10 | 2021-06-15 | 贵州大学 | 一种基于证据云物元模型的电力变压器综合状态评估方法 |
-
2021
- 2021-07-29 CN CN202110864149.4A patent/CN113689081B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229813A (zh) * | 2017-12-29 | 2018-06-29 | 北京交通大学 | 基于客观性云物元的行业综合发展水平评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113689081A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pandey et al. | A decision tree algorithm pertaining to the student performance analysis and prediction | |
US11709979B1 (en) | Bridge damage identification method considering uncertainty | |
CN104866578A (zh) | 一种不完整数据混合填充方法 | |
CN109635010B (zh) | 一种用户特征及特征因子抽取、查询方法和*** | |
CN103810101A (zh) | 一种软件缺陷预测方法和软件缺陷预测*** | |
CN106126613A (zh) | 一种跑题作文确定方法及装置 | |
CN109886724B (zh) | 一种鲁棒性的居民出行轨迹识别方法 | |
CN104463548A (zh) | 一种多因素影响下的承运量化选择方法 | |
CN108256699A (zh) | 基于高校学生立体数据的毕业去向预测方法及*** | |
CN113689081B (zh) | 基于正态云模型的自动驾驶道路测试数据质量确定方法 | |
CN105389505A (zh) | 基于栈式稀疏自编码器的托攻击检测方法 | |
CN111143981A (zh) | 虚拟试验模型验证***及方法 | |
Putri et al. | Analysis of students graduation target based on academic data record using c4. 5 algorithm case study: Information systems students of telkom university | |
CN113393144B (zh) | 地质滑坡静态要素风险分级的评估方法及评估装置 | |
CN114580828A (zh) | 数控机床运输过程安全性评价方法 | |
CN109977131A (zh) | 一种房型匹配*** | |
CN117057190A (zh) | 一种轨道车辆制动盘温升预测方法 | |
CN104834816A (zh) | 一种短期风速预测方法 | |
Algur et al. | Educational data mining: RT and RF classification models for higher education professional courses | |
CN109063313B (zh) | 基于机器学习的列车牵引能耗计算方法 | |
CN103164531B (zh) | 基于模糊优先级的二阶段实例层数据集成方法 | |
CN110020686A (zh) | 一种基于群智感知传感数据的路面异常检测方法 | |
CN114169426A (zh) | 一种基于北斗位置数据的公路交通安全隐患排查方法 | |
CN113808393A (zh) | 一种消除混杂控制对象影响的方法 | |
CN112085421A (zh) | 一种基于深度bp神经网络的教师教学效果评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |