关键词:
道路工程
路域环境感知数据
异常检测与修复
DS-LOF算法
GA-XGBoost模型
摘要:
针对目前路域环境感知系统易受路面结构和气候等众多因素影响从而造成感知数据出现异常的问题,对路域环境感知数据异常智能检测与修复问题展开研究,提出一种基于DS-LOF(Difference&Summation-Local Outlier Factor)与GA-XGBoost(Genetic Algorithm-eXtreme Gradient Boosting)的路域环境异常感知数据智能检测与修复方法。以沥青路面温湿度感知数据为实例,首先通过对感知数据进行一阶差分与线性求和计算,构建原始感知数据DS(Difference&Summation)特征向量;然后,基于DS-LOF算法对感知数据进行异常值检测,并与K-means聚类和单类支持向量机算法进行对比分析;其次,以原始感知数据集为基础,并结合异常检测结果,构建路域环境感知数据异常修复数据集;最后基于遗传算法优化XGBoost模型进行数据修复。试验结果表明:GA-XGBoost模型相比于XGBoost模型以及其他机器学习修复模型,其路域环境感知数据修复平均误差最低(M_(AE)=1.2537,R_(MSE)=1.8967),且修复精度最高(R^(2)=0.9448)。对修复前后数据进行稳定性评价,结果表明修复后数据的稳定性评价指标更优,说明修复后数据异常值更少,分布更加稳定。同时设置不同异常占比数据集并对其进行稳定性评价,发现数据集的异常占比越高,数据修复的效果也越明显。提出的路域环境感知数据智能检测与修复模型能够实现对异常数据的智能检测与修复,且能够提升路域环境感知数据质量和稳定性,可为路面性能影响因素分析与衰变规律研究提供可靠的数据支持。