申请/专利权人：湖南大学

申请日：2023-04-20

公开（公告）日：2024-05-17

公开（公告）号：CN116130086B

主分类号：G16H50/20

分类号：G16H50/20;G16H80/00;G06N3/0442;G06N3/045;G06N3/049;G06N3/0464;G06N3/047

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2023.06.02#实质审查的生效;2023.05.16#公开

摘要：本发明公开了一种晕动症的预测系统，建立一套灵活有效的对公交车晕动症的检测与预测模型，通过采集用户的个体定性、定量数据、更准确的取得用户乘坐公交车的具体晕动感知体验，建立数学模型，可以对现有的公交车晕动感知体验进行实时评估和预测，通过输出动态策略指导用户缓解晕动症感知。本发明提供的晕动症的预测系统成本低、相比与车载传感器更精准容易部署，容易使用，安装方便，操作简单，流程简单，对公交运营系统来说，更方便监控自有车辆的运营状况，调整车辆的运动动态，提高乘坐舒适度，降低晕动感知。

主权项：1.一种晕动症的预测系统，其特征在于，包括移动终端、数据预处理模块、晕动症预测模块和终端结果展示模块；所述移动终端内安装有前端数据采集模块，前端数据采集模块用于采集用户的定量数据和定性数据；数据预处理模块用于对采集到的用户的定量数据和定性数据进行预处理，得到预处理后的数据；所述晕动症预测模块用于对预处理后的数据进行处理得到晕动症预测结果；所述晕动症预测模块包括高峰期判定及数据增强分支和晕动感知评分预测模块；所述高峰期判定及数据增强分支用于对高峰期进行判定并根据判定结果对相应数据进行增强；晕动感知评分预测模块用于输出用户的晕动症预测数据；终端展示模块用于接收数据处理模块得到的预测数据，对预测数据进行可视化，并通过图形人机界面输出动态策略指导用户缓解晕动症感知；所述定量数据包括当地时间、当前位置信息、30HZ频率的X轴加速度大小、30HZ频率的Y轴加速度大小、30HZ频率的Z轴加速度大小、X、Y、Z轴角速度大小、噪音数值、震动频率、乘坐位置数据，所述定性数据包括体感温度、感知晕动评分、车内感知拥挤程度、通风程度和行车高峰程度；用户在移动终端上进行定性数据的输入；所述晕动症预测模块为长短期记忆LSTM网络，所述长短期记忆LSTM网络包括高峰期判定及数据增强分支和感知晕动评分预测模块；高峰期判定及数据增强分支包括一个高峰期判定模块和一个数据增强模块；感知晕动评分预测模块包括感知晕动评分预测LSTM层、自注意力层和晕动预测层；将预处理后的数据作为晕动症预测模块的输入进行训练，从而得到训练好的晕动症预测模块；训练好的晕动症预测模块使用时步骤如下：将采集的输入向量X作为高峰期判定模块的输入，高峰期判定模块输出高峰类型，高峰类型为高峰期或非高峰期；当高峰类型为高峰期时，则将高峰判断数据输入数据增强模块进行数据增强后与高峰判断数据作为感知晕动评分预测LSTM层的输入，否则直接将高峰判断数据均直接输入感知晕动评分预测LSTM层，感知晕动评分预测LSTM层的输出作为自注意力层的输入，自注意力层的输出作为晕动预测层的输入，晕动预测层输出晕动症预测结果；所述高峰期判定模块的数据处理步骤如下：将输入向量X作为LSTM层的29维输入向量xin，将29维输入向量xin的尺寸大小按时间序列采用滑动窗口切分为seq_len*batch_size*feature_size后输入到LSTM网络中；其中，批处理长度batch_size＝20、特征维度feature_size＝29，序列长度seq_len为所有数据的时间序列长度Ldata减去batch_size后的值，seq_len的计算如下:seqlen＝Ldata-batch_size29维输入向量xin进入LSTM层后得到中间级别特征xmid，中间级别特征xmid向量的尺寸大小为seq_len*batch_size*16，LSTM表示LSTM层处理；xmid＝LSTMxin接下来的全连接层包含一个输出尺寸设为2的全连接卷积Linear和一个Softmax激活操作，将LSTM层输出结果xmid送入全连接层，得到行车高峰程度预测的输出向量ypred；ypred＝SoftmaxLinearxmid其中，Softmax函数如下： 其中，xi为第i个类别向量的值，C为分类的类别个数，此时为3，xc表示类别为c的预测权重向量值，e为自然对数；全连接层的输出结果为高峰期和非高峰期；所述数据增强模块包括并列的随机交换单元、随机删除单元和Seq2Seq单元；随机交换单元从列向量中随机选择两个数值，交换它们的位置，整个向量中重复n次，得到随机交换增强后的输出向量，记为xaug1；随机删除单元以预设的固定概率随机删除向量中的数值，得到随机删除增强后的输出向量，记为xaug2；Seq2Seq单元在预测阶段则截取预测行车高峰程度预测的3维向量ypred作为高峰期的时间序列输入数据xpeek，取出xpeek输入进LSTM层后在网络中的中间级别特征xmid，xmid即为Seq2Seq的增强特征；高峰期判定及数据增强分支的输出结果为xout，在判定为高峰期时，高峰期判定及数据增强分支的输出结果xout为增强向量特征[xaug1,xaug2,xmid]加上LSTM层的29维输入向量xin；判定为非高峰期时，高峰期判定及数据增强分支的输出结果xout为LSTM层的29维维输入向量xin；所述感知晕动评分预测模块的处理方法如下：将感知晕动评分预测模块的输入x输入感知晕动评分预测LSTM层，得到感知晕动评分预测LSTM层的10维输出向量yout1，感知晕动评分预测LSTM层的10维输出向量yout1作为输入被送入自注意力层；自注意力层包含如下的矩阵操作：自注意力层首先将感知晕动评分预测LSTM层的10维输出向量yout1按维度划分为10个维度向量a1,a2,…,a10，每个维度向量分别乘上不同的神经网络矩阵得到3个不同的10维向量q＝q1,q2,…,q10、k＝k1,k2,…,k10、v＝v1,v2,…,v10，它们在每个维度i的计算如下：qi＝Wq*aiki＝Wk*aivi＝Wv*ai其中，Wq、Wk和Wv为神经网络中的可学习参数；然后取q向量第一个维度的向量q1，对k向量每个维度的ki做一个注意力相乘来得到q1和每个ki的接近程度α1,i： 其中，d是q1和ki的向量长度，因为q1*ki的数值会随着维度的增大而增大，所以要除以的值，相当于归一化的效果；再对得到的α1,i向量做softmax操作得到 接着经过相同的计算得到完整的向量：其中i＝1,2…,10；自注意力层最后将和v向量对应维度的vi值相乘，具体的，把乘上v1、乘上乘上v10；后将乘积结果通通加起来得到b1，这时b1带有q1与ki和vi全部的关联信息： 同理，使用与获得b1同样的操作对向量k2至k10做注意力得到b2至b10，就得到了自注意力层输出的10维向量yout2＝b1,b2,…,b10；最后将自注意力层输出的10维向量yout2送入晕动预测层；晕动预测层包括一个神经网络的全连接层、一个Softmax函数和一个max函数；自注意力层输出的10维向量yout2经过全连接层Linear做一个映射操作，输出2维的预测向量yout2'表示运动症的2点定量程度概率，2维的预测向量yout2'最终通过一个Softmax函数得到类别概率，类别概率经过max函数处理得到了下一分钟的晕动程度的级别预测值yout3：yout3＝maxSoftmaxLinearyout2下一分钟的晕动程度的级别预测值yout3为0则表示不晕车，yout3数值为1则表示晕车。

全文数据：

权利要求：

百度查询： 湖南大学 一种晕动症的预测系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD