(a)

圖2 從資料庫抓取數據Python腳本（部分）

編寫python腳本從資料庫中抓取指定時間的數據，腳本中包括部分mysql語句用於篩選數據。使用表關聯命令將acc與gps表以時間為key關聯起來，並保存至本地。共從資料庫中抓取57天檢測數據用於後續分析。

數據清洗

將57天車輛軌跡散點（紅）畫於圖中，同時標註待檢測路段樁號點（藍），發現檢測車輛並不是完全按照預定路線進行檢測，有諸多路段是多檢路段，將影響後續計算結果。將相鄰樁號點連接形成若干個線段。對於車輛每一個軌跡散點，找到離該點最近的樁號線段，並計算該點到樁號線段的距離，設定閾值，將閾值外的軌跡散點剔除，保留閾值範圍內軌跡散點（藍）。

圖3 檢測車輛軌跡散點與樁號點

（橫坐標：經度，縱坐標：緯度）

此外，還包括的數據預處理包括加速度數據去均值與車輛軌跡散點樁號重計算。對車輛每一個軌跡散點的樁號進行修正。

數據處理與分析

對於每一天的車輛軌跡數據，按照上述方法進行數據清洗，從樁號起點至樁號終點，每100米劃分小路段並編號，選出該路段範圍內的加速度數據並計算統計指標RMS。計算第k天數據後將結果表格與第k+1天結果表格按照小路段編號進行關聯。得到各小路段在不同天下車輛的檢測數據，且每一天的車輛行駛速度均是不同的，也就得到了對於同一路段（即相同IRI值路面），不同車輛行駛速度下的振動數據統計指標。將兩者散點畫於圖中，不同路段部分結果如下所示。

(c)

圖4 速度與RMS散點圖

（橫坐標：速度（km/h）、縱坐標：RMS）

建立模型

從每一路段速度與RMS散點圖中可看出二者之間存在較強的線性關係，建立兩者之間線性模型，所有路段散點圖與線性擬合結果如下圖所示。從圖中可看出不同IRI值路面，檢測車輛速度與檢測結果統計指標RMS均存在較強的線性關係，對於不同的IRI值路面，其表現出線性的斜率不同。從下圖中可看出所有直線的截距雖然主要集中於0~0.1範圍內，但仍表現較為分散。按照常理，對於不同IRI值路面，當測量速度為0時，此時車輛振動僅由車輛發動機提供，因此表現出的統計指標RMS應當為同一值。分析原因，認為由於外環道路等級為高速公路，故數據中低速樣本較少所致。

圖5 速度-RMS散點圖與擬合直線

（橫坐標：速度（km/h）、縱坐標：RMS）

模型優化

統計每一條直線截距值，畫出其分布直方圖（圖6），發現截距在0.05至0.1區間內頻率最高，取頻率最高值0.07作為所有直線的共同截距，重新對各條路段數據進行線性擬合，擬合結果如圖7所示。

圖6 擬合直線截距分布直方圖

圖7 改進後的擬合結果

得出平整度檢測車輛檢測結果速度修正方案，對於每一條路段在不同車輛速度下的振動數據統計指標RMS，減去同一截距0.07。取當量速度為70km/h，按照各路段線性擬合直線斜率將不同速度下的檢測結果修正至70km/h速度下的檢測值。

關於作者

在此對Bohao Zhan對本文所作的貢獻表示誠摯感謝，他在同濟大學完成了控制工程碩士學位，擅長數據採集、數據分析。

最受歡迎的見解

1.R語言多元Logistic邏輯回歸 應用案例

2.面板平滑轉移回歸(PSTR)分析案例實現

3.matlab中的偏最小二乘回歸（PLSR）和主成分回歸（PCR）

4.R語言泊松Poisson回歸模型分析案例

5.R語言混合效應邏輯回歸Logistic模型分析肺癌

6.r語言中對LASSO回歸，Ridge嶺回歸和Elastic Net模型實現

7.R語言邏輯回歸、Naive Bayes貝葉斯、決策樹、隨機森林算法預測心臟病

8.python用線性回歸預測股票價格

9.R語言用邏輯回歸、決策樹和隨機森林對信貸數據集進行分類預測