陳昆倫

摘要：為了全面了解物聯網車道設備實時狀態(tài)，而進行可預防性的養(yǎng)護保養(yǎng)，根據物聯網車道數據，利用貝葉斯分類器對設備狀態(tài)分析判斷，從而實現設備針對性的維護，節(jié)約人力物力、并實現高速暢通。

關鍵詞：物聯網、車道、貝葉斯分類

一、背景

隨著物聯網技術的普及，省內高速公路已經逐漸使用了物聯網車道，通過物聯網車道實時數據的采集，可以了解車道的實時狀態(tài)，可以直觀了解車道是否有重大故障，但是如果發(fā)生了故障才去維修，還是會導致高速出入口的車輛擁堵，造成交通堵塞隱患。管理部門為了減少設備的故障率，依然需要定期對所有車道設備進行巡檢保養(yǎng)，工作盲目低效。為了保證車道最大程度的通暢，針對性的巡檢運維，有必要對采集到的車道設備數據進行智能全面的分析，對設備狀態(tài)進行監(jiān)控，針對性的巡檢維護，以提高設備的健康狀態(tài)，實現高速公路安全、高效、通暢。

二、設備故障狀態(tài)的分析

在車道設備的生命周期中，設備狀態(tài)按順序可以分為正常、亞健康、故障。其中故障一般可分為缺陷故障、積累的故障和隨機故障。缺陷故障一般是由于設計、施工、生產等環(huán)節(jié)的問題導致設備故障，設備投入使用即可發(fā)現。對于隨機故障是由于各類偶然的因素導致的，通常不能通過分析確定由特定的實效機制導致其故障，例如，車道設備意外損壞故障，這類故障屬于小概率事件，不在本文的考慮之中。設備的故障主要是積累的故障，有一個漸變的過程，我們根據設備現有狀態(tài)數據建立貝葉斯分類模型進行設備狀態(tài)的分析和故障預測。

三、基本模型

貝葉斯分類算法是統(tǒng)計學的一種分類方法，它是一類利用概率統(tǒng)計知識進行分類的算法。其方法簡單、分類準確率高、速度快。甚至在一定條件下可以與決策樹和神經網絡等復雜的分類算法相媲美。其基本思路是給出待分類項，求解在此項出現的條件下各個類別出現的概率，哪個最大，就認為待分類項屬于哪個類別。

整個樸素貝葉斯分類分為三個階段：

準備工作階段，主要工作是根據具體情況確定特征屬性，并對每個特征屬性進行適當劃分，然后由人工對待分類項決定分類，形成訓練樣本。本階段的輸入是所有待分類數據集合，輸出是特征屬性和訓練的樣本集合。分類器的質量基本上取決于特征屬性、特征屬性劃分及訓練樣本的質量。

分類器訓練階段，主要工作是計算每個類別在訓練樣本集合中的出現頻率及每個特征屬性劃分對每個類別的條件概率估計。其輸入是特征屬性和訓練樣本，輸出是分類器劃分。這一階段是根據前面討論的公式由程序自動計算完成。

應用階段。任務是使用分類器對待分類項進行分類，其輸入是分類器和待分類項，輸出是待分類項與類別的映射關系。本階段由計算程序自動完成。

四、驗證模型

1. 數據的采集

收集基礎的物聯網車道數據，包括電壓、功率、實時溫度等。

數據清洗，去掉不符合的標準的垃圾數據或缺陷數據。

經過以上兩步就得到訓練樣本數據。

2. 條件概率估計

車道傳感器釆集車道設備的各項指標，根據目前狀態(tài)可以分為健康、亞健康、故障三個狀態(tài)。

設y1=健康狀態(tài)，y2=亞健康狀態(tài)，y3=故障狀態(tài)，α1=電壓，α2=功率，α3=溫度

統(tǒng)計得到在各類別下各個特征屬性的條件概率估計。如表1

3. 確定特征屬性及劃分

4. 計算條件概率

對應公式1，分母對于所有類別均為常數，因為我們只要將分子最大化即可。又因為各個特征屬性是條件獨立的，取得各種分類的條件概率數值，取得其最大值便是其分類。

數據舉例如表2、表3

表2根據特征屬性歸為正常分類中車道設備。

表3根據特征屬性歸為故障分類中車道設備。

5. 改進

當某個類別下某個特征項劃分沒有出現時，就是產生概率為0的情況，這會令分類器分類質量大大降低。為了解決這個問題，引入拉普拉斯平滑，它的思想是對沒類別下所有劃分的計數加1，這樣如果訓練樣本集數量充分大時，并不會對結果產生影響，并且解決了上述概率為0的情況。

6. 不足

1） 模型的訓練數據是采樣集合范圍有局限性，可能不能代表整體數據情況。

2） 樣本的特征屬性值數量考慮較少，雖然基本能反應設備狀態(tài)，不過精確度還是略有偏差，降低了檢驗模型的準確度。

3） 局部樣本的分類配比可能與整體的分類配比不同，可能會對真實結果造成偏差。

4） 樣本的特征屬性取值較少，尚未考慮車流量及環(huán)境的因素。

五、結語

本文根據現有的物聯網車道數據建立了貝葉斯分類模型算法實時分析了車道設備的狀態(tài)，從而實現了設備預防性的維護，該模型基本解決了車道狀態(tài)預測分類的問題，雖然模型在數據和特征屬性的取樣有一定的局限性，但是依然對車道設備運維提供了決策支持方案。

參考資料：

[1]《數據挖掘實用機器學習工具與技術》原書第3版Ian H.Witten Eibe Fank Mark A. Hall著 機械工業(yè)出版社 2014年5月 第1版 187-192頁

[2]《神經網絡與機器學習》原書第3版 Simon Havkin著 機械工業(yè)出版社 2011年第1版 477-478頁

[3]Allen B. Downey著《貝葉斯思維》 人民郵電出版社 2015年4月第1版。第3-5頁