TWI484353B - Methods and Systems for Calculating Random Errors - Google Patents
Methods and Systems for Calculating Random Errors Download PDFInfo
- Publication number
- TWI484353B TWI484353B TW101146319A TW101146319A TWI484353B TW I484353 B TWI484353 B TW I484353B TW 101146319 A TW101146319 A TW 101146319A TW 101146319 A TW101146319 A TW 101146319A TW I484353 B TWI484353 B TW I484353B
- Authority
- TW
- Taiwan
- Prior art keywords
- measurement
- module
- statistical
- error
- moving average
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 69
- 238000005259 measurement Methods 0.000 claims description 121
- 238000000691 measurement method Methods 0.000 claims description 53
- 238000005516 engineering process Methods 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 41
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 23
- 238000007619 statistical method Methods 0.000 claims description 17
- 239000000523 sample Substances 0.000 claims description 11
- 230000009897 systematic effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims 2
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Complex Calculations (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Description
本發明屬於一種計算誤差的方法與系統,尤其是關於一種透過量測技術所收集到的連續量測數值來計算隨機誤差的方法與系統。
一般於道路上,透過目前各種技術可以取得於某路段、某時段之平均車速、車流量等等數值,如現階段許多道路監視應用程式,使監測員可以透過該些軟硬體之結合來取得及時情況或歷史資訊,以便作為監控、研究或查詢等作業。但由於各種系統運算、傳輸上之誤差,使得量測值和真正實際值有所差距,且而真正的實際數值需要花人力跟時間成本去量測,故目前依然很難透過統計量測數值跟真實數值間之差距去計算一量測技術之誤差值,所以需要整合出一套可計算隨機誤差之系統及其方法,來降低誤查值,使之接近真正的實際數值,且所欲待開發之系統及方法不僅可應用於如上述所提之車輛情況,更能適用於各種需要以偵測器來獲得數值的系統,以降低誤差值,提高數據的可信度。
目前最廣為使用之計算隨機誤差的方法為對一個穩定的物理量,進行大量的量測。則所有量測值的平均,將隨著測量次數的增加而越接近真值。為了量化隨機誤差,且解決偏差量總和必為零的情形。而定義出均方根誤差-Root Mean Square Error(RMSE):
其中d i
代表第i筆偏差量。
但此測定方法須在待測目標狀態穩定之情況下方可進行,若待測目標處於變動且不能控制之情況下,則無法使用此方法來計算某量測技術之隨機誤差。
然而在多元量測技術同時量測同一目標之情形下,若無法有效判斷何種量測技術擁有較高之可信度,將難以把多種量測結果融合成單一較可信之數據,美國專利編號5173691便提出在多元交通資訊之情況下以各資料來源之品質來做為權重之計算,品質高者則相對有較高權重藉以融合出可信度較高之交通資訊,然而此篇專利並沒有具體提出如何估計資料來源之品質而是採用經驗法則的方式,因而實際執行上仍有判斷資料來源品質之困難。
實際應用上在待測目標處於變動之情形下,若能求得量測目標隨時間變化之真值,仍可透過量測值和真值之間之偏差去估算隨機誤差,參照SunZhanquan et al.所發表的論文:Sun Zhanquan,Guo Mu,Liu Wei,Feng Jinqiao and Hu Jiaxing,”Multisource traffic data fusion with entropy based method”,in International Conference on Artificial Intelligence and Computational Intelligence,2009便是透過計算各不同量測技術量測所得之數值和真值間之mutual information來估算各技術之權重。但在大多數之情況下真值皆難以取得,因而此方法也難以實行。
假若真值難以取得,但真值變化之趨勢容易預測的話,事實上也有方法可推估出隨機誤差,根據2005年孙宏利所發表的論文:孙宏利,”一種隨機誤差的計算方法-變量差分法”,RADIO COMMUNICATIONS TECHNOLOGY,2005提出了一種隨機誤差的計算方法-變量差分法,該方法
可在測速雷達測量子彈飛行之情況下估算其隨機誤差,但此方法僅在量測目標之變化趨勢可估計之前提下,方可透過逐次差分的特性計算隨機誤差,但是此方法在量測目標變動且難以預測之情況下仍不適用。
由此可見,上述習用方式仍有諸多缺失,實非一良善之設計,而亟待加以改良。
本案發明人鑑於上述習用方式所衍生的各項缺點,乃亟思加以改良創新,並經多年苦心孤詣潛心研究後,終於成功研發完成本件透過分析連續量測數值來估算隨機誤差的方法。
為達本發明透過分析連續量測數值來估算隨機誤差的方法之目的,係利用當一量測技術連續對一目標進行量測時,則隨機誤差大之技術在連續量測數值上造成之波動也越大的特性,透過計算波動幅度間接判斷不同量測技術本身隨機誤差之大小。請參閱附件之附圖一,圖中折線圖101為兩種量測技術同時量測同一處於變動狀態之量測目標的結果,X軸為時間、Y軸為量測值,線條111為目標實際數值之變化情形,而線條112代表隨機誤差較大之量測方法,線條113代表隨機誤差較小之量測方法,由圖可知,相較於隨機誤差較小之量測方法(線條113),線條112的波動較大。而透過計算此波動幅度的大小,便能間接判斷何種量測技術較為準確。
上述所提之計算波動幅度的方法可以是統計連續量測數值上各時間點之移動平均和該時間點量測值之差距,因移動平均有平滑波動之效果,因此計算某時間點之移動平均和當下量測數據之差距,便能估計該時間點之
波動量,而統計各時間點之波動量便能代表該技術之波動幅度。然而,因移動平均也包含該時間之量測值,因此移動平均會較貼近該時間點量測值,導致統計結果低於真實之隨機誤差之現象。因而可以再透過移動平均特性及誤差概念進行修正,使其更逼進實際之隨機誤差。
上述之方法,較適用於一量測技術之隨機誤差各時間點彼此獨立、屬於常態分佈且量測狀態穩定不易漏資料之情況下,但在多元量測技術下,常有技術不符合上述情況,此時我們亦可使用其它量測技術量測值計算出之移動平均來估算該技術之隨機誤差,再透過誤差概念去修正此方法可能造成之誤差。
綜合上述所說,本發明歸納如下:一種計算隨機誤差的方法,其包含下列步驟:藉由一資料庫收集與儲存至少兩種技術以上之量測資料;將該些技術中之一種技術之量測資料透過一第一計算模組計算出各時間點之移動平均,並傳送至一第二計算模組;將各時間點之移動平均透過該第二計算模組計算出各時間點之移動平均與各時間點之量測值之差距,並傳送至一統計模組;以及透過該統計模組之一統計方法,統計出各時間點之移動平均與各時間點量測值之差距,以產生出一統計結果。
在本發明中,更包含下列步驟:藉由一誤差修正模組接收並透過移動平均特性及誤差概念修正該統計結果,使其更逼近真實之方均根誤差(Root Mean Square Error,RMSE)。
在本發明中,其中該些技術係為各種時速探測技術,包含有車輛偵測器、GPS探偵車技術(GPS-Based Vehicle Probe)、手機基地台探偵車技術
(Cellular-Based Vehicle Probe)、地下埋設線圈式、影像辨識處理方式、通訊信號追蹤、定位系統訊號追蹤、光訊號、聲波訊號或上述之組合。
在本發明中,其中該統計方法為計算各時間點之移動平均與各時間點量測值差距之平方的平均,並將其開根號。
一種計算隨機誤差的方法,其包含下列步驟:藉由一資料庫收集與儲存至少兩種技術以上之量測資料;將該些技術中之任兩種技術之量測資料透過一第一統計模組之第一統計方法消除該兩種技術之量測資料由於系統誤差所造成之差距,並將該兩種技術中較理想之量測技術之連續量測值傳送至一第一計算模組;將該較理想之量測技術之連續量測值透過該第一計算模組計算出各時間點之移動平均,並傳送至一第二計算模組;透過該第二計算模組將各時間點之移動平均配對並計算出和該兩種技術中較不理想之量測技術之量測值間之差距,並傳送至一第二統計模組;以及透過該第二統計模組之一第二統計方法,統計出各時間點之移動平均和該較不理想之量測技術之量測值間之差距,以產生出一統計結果。
在本發明中,其中更包含下列步驟:藉由一誤差修正模組接收並透過誤差概念修正該統計結果,以產生該較不理想之量測技術之隨機誤差分析結果,透過此模組修正可使其更逼近真實之方均根誤差(Root Mean Square Error,RMSE)。
在本發明中,其中該第一統計方法為一線性回歸法。
在本發明中,其中該統計方法為計算該些時間點之移動平均和該較不理想之量測技術之量測值間之差距之平方的平均,並將其開根號。
一種計算隨機誤差的系統,其包含:一資料庫,係收集與儲存至少兩
種技術以上之量測資料;一第一計算模組,與該資料庫相連結,該第一計算模組係根據該資料庫中之量測資料計算出該量測資料中各時間點之移動平均;一第二計算模組,與該第一計算模組相連結,該第二計算模組係計算出各時間點之移動平均與各時間點之量測值之差距;以及一統計模組,與該第二計算模組相連結,該統計模組係統計出各時間點之移動平均與各時間點量測值之差距,以產生出一統計結果。
在本發明中,其中更包含一誤差修正模組,該誤差修正模組係接收並透過移動平均特性及誤差概念修正該統計結果,使其更逼近真實之方均根誤差(Root Mean Square Error,RMSE)。
一種計算隨機誤差的系統,其包含:一資料庫,係收集與儲存至少兩種技術以上之量測資料;一第一統計模組,與該資料庫相連結,該第一統計模組係消除該些技術中之任兩種技術之量測資料由於系統誤差所造成之差距,以產生一理想連續量測值;一第一計算模組,與該第一統計模組相連結,該第一計算模組係根據該理想連續量測值計算出各時間點之移動平均;一第二計算模組,與該第一計算模組相連結,該第二計算模組係將各時間點之移動平均配對並計算出和較不理想之量測技術之量測技術之量測值間之差距;一第二統計模組,與該第二計算模組相連結,該第二統計模組係統計出各時間點之移動平均和該較不理想之量測技術之量測值間之差距,以產生出一統計結果。
在本發明中,其中更包含一誤差修正模組,該誤差修正模組係接收並透過誤差概念修正該統計結果,以產生該較不理想之量測技術之隨機誤差分析結果,透過此模組修正,可使其更逼近真實之方均根誤差(Root Mean
Square Error,RMSE)。
綜上所述,本發明具有以下下列優勢:
(1)使用本發明之方法,即使在沒有真實值之情況下,仍能透過估算隨機誤差對連續量測數值所造成之波動大小來估算隨機誤差。
(2)本發明提供之方法已在模擬實驗中證明,即使目標真值會隨時間隨機變化,只要變化是隨時間漸進的,且隨機誤差彼此獨立之情況下,此方法之計算結果能有效逼近RMSE(Root Mean Square Error),透過此指標使用者可以明確的知道量測技術之精準度。
(3)本發明提供之方法即使在真實值有短時間內忽大忽小之情形發生,仍能有效比較出兩種量測技術之相對可信度,只是其計算結果跟實際之RMSE間會有較大差距。
為了使本發明的目的、技術方案及優點更加清楚明白,下面結合附圖及實施例,對本發明進行進一步詳細說明。應當理解,此處所描述的具體實施例僅用以解釋本發明,但並不用於限定本發明。
以下,結合附圖對本發明進一步說明:本發明係為一種透過分析連續量測數值來估算隨機誤差的方法,計算之結果可用於多元量測技術同時量測同一目標時,要將資料融合成單一值時各別權重計算之依據,以交通資訊融合為例,首先收集各種資料來源,
這些資料來源係為各種時速探測技術如:車輛偵測器、GPS探偵車技術(GPS-Based Vehicle Probe)、手機基地台探偵車技術(Cellular-Based Vehicle Probe)之探測結果等等,接收該些資料來源後,進行該些量測技術量測數值歷史資料之紀錄,並透過一種隨機誤差分析方法,將各種量測技術計算、統計出其隨機誤差分析之結果,而此誤差分析結果便可作為交通資訊融合時之依據。隨機誤差分析模組流程可分為兩種方法:方法1,直接從量測技術之連續量測數值分析隨機誤差;方法2,利用其它量測技術量測值計算之移動平均分析隨機誤差,以下將分別介紹方法1與方法2。
請參閱圖1所示,係為直接從量測技術之連續量測數值分析隨機誤差之方塊圖,此為方法1之系統結構。如圖所示,本發明之計算隨機誤差之分析系統2包含有:一資料庫21、一第一計算模組22、一第二計算模組23、一統計模組24以及一誤差修正模組25。在進行分析之前,首先外部具有各種的感測器或量測系統(如第一量測模組11、第二量測模組12...到第N量測模組13),該些量測系統可係為車輛偵測器、GPS探偵車技術(GPS-Based Vehicle Probe)、手機基地台探偵車技術(Cellular-Based Vehicle Probe)、地下埋設線圈式、影像辨識處理方式、通訊信號追蹤、定位系統訊號追蹤、光訊號、聲波訊號或上述之組合等等,而資料庫21就是先蒐集該些量測系統所偵測之數據資料並儲存,接著第一計算模組22會由資料庫21中選擇一種量測技術之量測數據(即時資料或歷史資料)開始計算出該種技術量測數據中各時間點之移動平均,並傳送至一第二計算模組22。接著,透過該第二計算模組計算出該種技術量測數據中各時間點之移動平均與各時間點之量測值之差距,並傳送至一統計模組24來統計出各時間點之移動平均與各
時間點量測值之差距,以產生出一統計結果。最後,一誤差修正模組25,該誤差修正模組係接收並修正該統計結果,以產生一隨機誤差分析結果,此分析結果代表了該種量測技術之量測數據波動幅度,且此結果會相當程度逼近真實之隨機誤差(RMSE均方根誤差)。
請參閱圖2所示,係為直接從量測技術之連續量測數值分析隨機誤差之流程圖。透過圖2之流程圖來確實描述本發明方法之精神:首先,進行步驟S11,先由各技術量測值歷史資料庫中選擇欲計算之技術量測歷史資料;接著,進行步驟S12,透過第一計算模組計算該技術量測歷史資料中各時間點之移動平均;接著,進行步驟S13,透過第二計算模組計算各時間點移動平均和該時間點量測值間之差距;接著,進行步驟S14,藉由統計模組來統計各時間點移動平均和量測值間之差距,並產生一統計結果,此處所述統計之方法係計算該些差距之平方的平均,並將其開根號,其結果能相當程度代表一量測技術真實之RMSE(Root Mean Square Error)。但因移動平均也包含該時間之量測值,如此會造成移動平均較接近該時間點之量測值,使計算結果低於真實之RMSE;接著,進行步驟S15,透過誤差修正模組將該統計結果再透過移動平均特性及誤差概念來進行修正。
最後,進行步驟S16,修正後得出該量測技術之隨機誤差分析結果。
請參閱附件之附圖二,該圖係為圖2中步驟S15之修正公式之推導。假設在沒有系統誤差之情況下,於附圖二上部中,Bias x
為某時間點移動平
均和當下量測值之差距,其中V x
為時間點X
時之速度真值,E x
為該時間點之隨機誤差,MA x
係為該時間點之移動平均,而n
為計算移動平均時往前和往後推幾個時間單位,(V x
+E x
)為一量測技術在時間點X
所測得之量測值,在不考慮真值變動之情況下,該時間點移動平均和量測值間之差距Bias x
為。接著,參閱附圖二下部之第一行,vibration
為各時間點之該差距的平方平均開根號,其中vibration
即表示上述圖2中步驟S14之統計結果,為量測技術實際之RMSE,經過推導後(先將vibration
平方以利推導,最後再開根號會得到如下方公式Eq.2)得到波動幅度計算結果和真實RMSE間之關係(Eq.2),其中公式推導vibration
中201的部分,因為隨機誤差彼此獨立,所以在資料量大的情況下此部分會逼近於零,而在202的部分等同於從母體中抽樣N
次,每次抽樣2n
筆資料,並計算每次抽樣出之資料的平均的標準差,因而可以套用標準差的公式。
由Eq.2可得步驟S14之統計結果之值跟實際RMSE間之關係,因而可以得到修正公式Eq.3,計算出ERMSE(Estimated Root Mean Square Error)使其更逼進實際之RMSE。
上述所列之方法已在實驗中證明,就算目標真值會隨時間隨機變化,只要不是短時間內忽大忽小,而是一段時間慢慢變大,一段時間慢慢變小(如圖1),此方法仍能有效估算出RMSE,而在真實案例裡,真值變化多半也
是屬於此種狀況。且就算真有真值短時間內忽大忽小情形發生,此方法仍能比較出兩種量測技術之相對可信度,只是其計算結果跟真實隨機誤差間會有較大差距。
方法1較適用於一量測技術之隨機誤差各時間點彼此獨立、屬於常態分佈且量測狀態穩定不易漏資料之情況下,但在多元量測技術下,常有量測技術不符合上述情況,此時我們亦可採用方法2:利用其它量測技術量測值計算之移動平均分析隨機誤差。請參閱圖3所示,係為利用其他量測技術量測值計算之移動平均分析隨機誤差系統方塊圖,此為方法2之系統結構。如圖所示,本發明之計算隨機誤差之分析系統4包含有:一資料庫41、一統計模組42、一第一計算模組43、一第二計算模組44、一第二統計模組45以及一誤差修正模組46。起始,如方法1先透過外部各量測系統(第一量測系統31、第二量測系統32...第N量測系統33)收集數據資料,並儲存於資料庫41中。透過第一統計模組42從資料庫中選取兩種量測技術之數據資料,並利用一統計方法消除兩種量測技術間因系統誤差造成之差距後,藉由第一計算模組43將兩種量測技術中量測數據較理想的量測技術之連續量測值來計算各時間點之移動平均,再利用第二計算模組44配對與計算各時間點移動平均與較不理想之量測技術之量測技術量測值間之差距,透過第二統計模組45統計出各時間點的差距後,最後藉由誤差修正模組46修正並產生該較不理想之量測技術之隨機誤差分析結果。
為確實描述方法2之流程圖,請參閱圖4:首先,進行步驟S21,藉由一資料庫收集與儲存至少兩種技術以上之量測資料,並從中選擇兩種量測技術之量測值;
接著,進行步驟S22,利用第一統計模組之統計方法消除所選之兩種量測技術量測值間因系統誤差可能造成之差距(此處之統計方法可以是用線性迴歸找出兩量測值間之關係,再利用線性轉換來消除彼此間差距);接著,進行步驟S23透過第一計算模組使用較理想量測技術之連續量測值計算各時間點之移動平均;接著,進行步驟S24,藉由第二計算模組配對並計算各時間點之移動平均和欲評估之量測技術量測值間之差距;接著,進行步驟S25,該步驟為步驟S24所計算出之結果。此處之統計方法是計算這些差距之平方的平均,並將其開根號。步驟S25之統計結果因為是使用不同之量測技術之移動平均,所以計算結果會被不同之量測技術之誤差影響;最後,該影響可以利用誤差概念修正如步驟S26。
修正公式請參閱Eq.4,假設量測技術a
為欲計算隨機誤差之量測技術(通常為較不理想知量測技術),量測技術b
為要用來計算移動平均之技術(通常為較理想之量測技術),Eq.4中為方法2之計算結果,ERMSE b
為量測技術b
透過方法1所計算出的值,n
為在計算移動平均時往前或往後推幾個時間單位,則依照誤差概念可得公式Eq.4,其中為修正後之結果。
以上該僅為本發明之較佳實施例,並非用來限定本發明之實施範圍;如果不脫離本發明之精神和範圍,對本發明進行修改或者等同替換,均應涵蓋在本發明申請專利範圍的保護範圍當中。
101‧‧‧兩種量測技術同時量測同一處目標物與實際值比較之圖表
11‧‧‧第一量測模組
111‧‧‧實際數字
112‧‧‧較大誤差之量測技術量測結果
113‧‧‧較小誤差之量測技術量測結果
12‧‧‧第二量測模組
13‧‧‧第N量測模組
2‧‧‧隨機誤差分析系統
201‧‧‧趨近於零之部分
202‧‧‧可套用標準差之部分
21‧‧‧資料庫
22‧‧‧第一計算模組
23‧‧‧第二計算模組
24‧‧‧統計模組
25‧‧‧誤差修正模組
31‧‧‧第一量測模組
32‧‧‧第二量測模組
33‧‧‧第N量測模組
4‧‧‧隨機誤差分析系統
41‧‧‧資料庫
42‧‧‧第一統計模組
43‧‧‧第一計算模組
44‧‧‧第二計算模組
45‧‧‧第二統計模組
46‧‧‧誤差修正模組
步驟S11~步驟S16
步驟S21~步驟S27
圖1係為本發明之直接從量測技術之連續量測數值分析隨機誤差之方塊圖;圖2係為本發明之直接從量測技術之連續量測數值分析隨機誤差之流程圖;圖3係為本發明之利用其他量測技術量測值計算之移動平均分析隨機誤差系統方塊圖;圖4係為本發明之利用其他量測技術量測值計算之移動平均分析隨機誤差方法流程圖;附圖一 係為兩種量測技術同時量測同一處於變動狀態之量測目標曲線圖表;附圖二 係為圖2中步驟S15修正公式之數學推導流程。
11‧‧‧第一量測模組
12‧‧‧第二量測模組
13‧‧‧第N量測模組
2‧‧‧隨機誤差分析系統
21‧‧‧資料庫
22‧‧‧第一計算模組
23‧‧‧第二計算模組
24‧‧‧統計模組
25‧‧‧誤差修正模組
Claims (12)
- 一種計算隨機誤差的方法,其包含下列步驟:藉由一資料庫收集與儲存至少兩種技術以上之量測資料;將該些技術中之一種技術之量測資料透過一第一計算模組計算出各時間點之移動平均,並傳送至一第二計算模組;將各時間點之移動平均透過該第二計算模組計算出各時間點之移動平均與各時間點之量測值之差距,並傳送至一統計模組;以及透過該統計模組之一統計方法,係為計算該些差距之平方的平均,並將其開根號,並統計出各時間點之移動平均與各時間點量測值之差距,以產生出一統計結果,該統計結果已能相當程度代表一量測技術真實之隨機誤差。
- 如申請專利範圍第1項所述之一種計算隨機誤差的方法,更包含下列步驟:藉由一誤差修正模組接收並透過移動平均特性及誤差概念修正該統計結果,其更逼近真實之方均根誤差(Root Mean Square Error,RMSE)。
- 一種計算隨機誤差的方法,其包含下列步驟:藉由一資料庫收集與儲存至少兩種技術以上之量測資料;將該些技術中之任兩種技術之量測資料透過一第一統計模組之第一統計方法消除該兩種技術之量測資料由於系統誤差所造成之差距,並將該兩種技術中較理想之量測技術之連續量測值傳送至一第一計算模組;將該較理想之量測技術之連續量測值透過該第一計算模組計算出各時 間點之移動平均,並傳送至一第二計算模組;透過該第二計算模組將各時間點之移動平均配對並計算出和該兩種技術中較不理想之量測技術之量測值間之差距,並傳送至一第二統計模組;以及透過該第二統計模組之一第二統計方法,統計出各時間點之移動平均和該較不理想之量測技術之量測值間之差距,以產生出一統計結果,該統計結果已能相當程度代表一量測技術真實之隨機誤差。
- 如申請專利範圍第5項所述之一種計算隨機誤差的方法,其中更包含下列步驟:藉由一誤差修正模組接收並透過誤差概念修正該統計結果,以產生該較不理想之量測技術之隨機誤差分析結果,透過此模組修正可使其更逼近真實之方均根誤差(Root Mean Square Error,RMSE)。
- 如申請專利範圍第5項所述之一種計算隨機誤差的方法,其中該些技術係為各種時速探測技術,包含有車輛偵測器、GPS探偵車技術(GPS-Based Vehicle Probe)、手機基地台探偵車技術(Cellular-Based Vehicle Probe)、地下埋設線圈式、影像辨識處理方式、通訊信號追蹤、定位系統訊號追蹤、光訊號、聲波訊號或上述之組合。
- 如申請專利範圍第5項所述之一種計算隨機誤差的方法,其中該第一統計方法為一線性回歸法。
- 如申請專利範圍第5項所述之一種計算隨機誤差的方法,其中該統計方法為計算該些時間點之移動平均和該較不理想之量測技術之量測值間之差距之平方的平均,並將其開根號。
- 一種計算隨機誤差的系統,其包含:一資料庫,係收集與儲存至少兩種技術以上之量測資料;一第一計算模組,與該資料庫相連結,該第一計算模組係根據該資料庫中之量測資料計算出該量測資料中各時間點之移動平均;一第二計算模組,與該第一計算模組相連結,該第二計算模組係計算出各時間點之移動平均與各時間點之量測值之差距;以及一統計模組,與該第二計算模組相連結,該統計模組係統計出各時間點之移動平均與各時間點量測值之差距,以產生出一統計結果,該統計結果已能相當程度代表一量測技術真實之隨機誤差。
- 如申請專利範圍第8項所述之一種計算隨機誤差的系統,其中更包含一誤差修正模組,該誤差修正模組係接收一統計模組產生出之一統計結果,透過移動平均特性及誤差概念修正該統計結果,使其更逼近真實之隨機誤差(Root Mean Square Error,RMSE)。
- 一種計算隨機誤差的系統,其包含:一資料庫,係收集與儲存至少兩種技術以上之量測資料,其該量測技術之量測資料皆為量測同一目標;一第一統計模組,與該資料庫相連結,該第一統計模組係消除該些技術中之任兩種技術之量測資料由於系統誤差所造成之差距,並將該兩種技術中較理想之量測技術之連續量測值傳送至一第一計算模組,其中較理想之量測技術指該量測技術之量測資料較能夠較穩定定時產出,而較不理想之量測技術其量測值較不穩定因此較不易算出移動平均,該較理想之量測技術之連續量測值透過該第一計算模 組計算出各時間點之移動平均,並傳送至一第二計算模組,並透過該第二計算模組將各時間點之移動平均依時間配對該兩種技術中較不理想之量測技術之連續量測值,並計算出兩者間之一連串差距,傳送至一第二統計模組;一第二統計模組,係統計第二計算模組所產生一連串差距,以產生出一統計結果,該統計結果已能相當程度代表一量測技術真實之隨機誤差,其中第二統計模組之一第二統計方法為計算一連串差距之平方的平均,並將其開根號。
- 如申請專利範圍第10項所述之一種計算隨機誤差的系統,其中更包含一誤差修正模組,該誤差修正模組係接收並透過誤差概念修正該統計結果,以產生該較不理想之量測技術之隨機誤差分析結果,透過此模組修正,可使其更逼近真實之隨機誤差(Root Mean Square Error,RMSE)。
- 如申請專利範圍第10項所述之一種計算隨機誤差的系統,其中該些技術係為各種時速探測技術,包含有車輛偵測器、GPS探偵車技術(GPS-Based Vehicle Probe)、手機基地台探偵車技術(Cellular-Based Vehicle Probe)、地下埋設線圈式、影像辨識處理方式、通訊信號追蹤、定位系統訊號追蹤、光訊號、聲波訊號或上述之組合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101146319A TWI484353B (zh) | 2012-12-10 | 2012-12-10 | Methods and Systems for Calculating Random Errors |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101146319A TWI484353B (zh) | 2012-12-10 | 2012-12-10 | Methods and Systems for Calculating Random Errors |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201423439A TW201423439A (zh) | 2014-06-16 |
TWI484353B true TWI484353B (zh) | 2015-05-11 |
Family
ID=51394016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW101146319A TWI484353B (zh) | 2012-12-10 | 2012-12-10 | Methods and Systems for Calculating Random Errors |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI484353B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI715230B (zh) * | 2019-10-01 | 2021-01-01 | 財團法人資訊工業策進會 | 缺值補償方法、缺值補償系統及非暫態電腦可讀取媒體 |
CN116303395A (zh) * | 2023-03-08 | 2023-06-23 | 交通运输部公路科学研究所 | 一种公路基础设施智能监测***在线计量校准检定方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5173691A (en) * | 1990-07-26 | 1992-12-22 | Farradyne Systems, Inc. | Data fusion process for an in-vehicle traffic congestion information system |
TW200540674A (en) * | 2004-06-03 | 2005-12-16 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes |
TW201010889A (en) * | 2008-08-04 | 2010-03-16 | Tele Atlas North America Inc | System and method for evaluating and improving driving performance based on statistical feedback |
CN102214338A (zh) * | 2010-04-06 | 2011-10-12 | 上海驭策信息技术有限公司 | 销售预测***及方法 |
TW201203163A (en) * | 2010-02-16 | 2012-01-16 | Applied Materials Inc | Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology |
-
2012
- 2012-12-10 TW TW101146319A patent/TWI484353B/zh not_active IP Right Cessation
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5173691A (en) * | 1990-07-26 | 1992-12-22 | Farradyne Systems, Inc. | Data fusion process for an in-vehicle traffic congestion information system |
TW200540674A (en) * | 2004-06-03 | 2005-12-16 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes |
TW201010889A (en) * | 2008-08-04 | 2010-03-16 | Tele Atlas North America Inc | System and method for evaluating and improving driving performance based on statistical feedback |
TW201203163A (en) * | 2010-02-16 | 2012-01-16 | Applied Materials Inc | Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology |
CN102214338A (zh) * | 2010-04-06 | 2011-10-12 | 上海驭策信息技术有限公司 | 销售预测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
TW201423439A (zh) | 2014-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11714074B2 (en) | Particulate matter monitoring | |
JP6467186B2 (ja) | データストリームにおける不良データを検出、訂正、および検査するためのシステムおよび方法 | |
Bhaskar et al. | Fusing loop detector and probe vehicle data to estimate travel time statistics on signalized urban networks | |
US9123239B2 (en) | Estimation of hourly traffic flow profiles using speed data and annual average daily traffic data | |
TWI464443B (zh) | 人工智慧地震預警方法與地震偵測系統 | |
CN111680870B (zh) | 目标运动轨迹质量综合评估方法 | |
CN109508745A (zh) | 基于贝叶斯网络模型的燃气轮机气路故障的检测方法 | |
EP2951956A1 (en) | Determining response similarity neighborhoods | |
CN110645934A (zh) | 位移传感器的在线校准方法 | |
CN109063885A (zh) | 一种变电站异常量测数据预测方法 | |
TWI484353B (zh) | Methods and Systems for Calculating Random Errors | |
Hu et al. | Research on ship motion prediction algorithm based on dual-pass long short-term memory neural network | |
CN110553631B (zh) | 一种关于水位流量关系的水位测量系列误差分析方法 | |
CN102521475A (zh) | 一种运动设备的运动轨迹描绘方法 | |
CN102739527B (zh) | 网络丢包率探测方法 | |
CN117387884A (zh) | 一种基于多传感器数据融合的桥梁挠度测量方法 | |
CN114492984A (zh) | 粉尘浓度的时空分布预测方法、装置、设备和存储介质 | |
Darmawan et al. | Realtime Weather Prediction System Using GRU with Daily Surface Observation Data from IoT Sensors | |
WO2015039693A1 (en) | Method and system for data quality assessment | |
CN117553840A (zh) | 一种基于智能化管理的仪表及其*** | |
Barucija et al. | Data-driven approach for anomaly detection of real GPS trajectory data | |
CN105069214B (zh) | 一种基于非线性相关分析的工艺可靠性评估方法 | |
CN109341650B (zh) | 一种基于最小检测代价的无人机高程误差双门限修正方法 | |
Łęczycki et al. | Extended sensor reliability evaluation method in multi-sensor control systems | |
CN109891235A (zh) | 基于统计方法,自动在线检测流体的实际状态与流体的参考状态的偏差的方法,特别是用于监测饮用水供应 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |