本發(fā)明屬于交通工程領(lǐng)域，適用于城市道路中的車(chē)輛分類。車(chē)輛分類信息對(duì)于交通規(guī)劃、道路設(shè)施的設(shè)計(jì)與使用起到非常重要的作用。

背景技術(shù)：

現(xiàn)在已經(jīng)有許多技術(shù)應(yīng)用于車(chē)輛分類。除了人工分類外，最近的車(chē)輛分類方法主要依靠固定傳感器例如氣動(dòng)導(dǎo)管傳感器、感應(yīng)線圈傳感器、壓電式傳感器等。這些方法被稱為是侵入式分類方法，不僅需要在現(xiàn)場(chǎng)操作，還會(huì)干擾交通流。另外一種非侵入式分類方法所依靠的傳感器有雷達(dá)傳感器、紅外線傳感器、聲波傳感器、視覺(jué)成像等，這種方法不會(huì)干擾交通但是運(yùn)行和維護(hù)費(fèi)用較高。

但是這些分類方法并不是在所有的情況下都適用。要么是傳感器運(yùn)用的成本太貴，或是在一些特定情況下，它們的檢測(cè)數(shù)據(jù)會(huì)出現(xiàn)錯(cuò)誤。例如在流量大，車(chē)速較快的路段，氣動(dòng)導(dǎo)管傳感器的檢測(cè)效果不理想；在擁堵的情況下，感應(yīng)線去傳感器的檢測(cè)效果也不理想；視覺(jué)成像的效果會(huì)受天氣的影響。

所以，現(xiàn)有的車(chē)輛分類方法主要存在兩個(gè)問(wèn)題(i)嚴(yán)重依賴固定傳感器和檢測(cè)技術(shù)，侵入式設(shè)備影響交通，且成本較高(ii)現(xiàn)有的方法只能在固定地點(diǎn)采集交通檢測(cè)數(shù)據(jù)，對(duì)大范圍的地區(qū)的數(shù)據(jù)采集比較昂貴。

技術(shù)實(shí)現(xiàn)要素：

鑒于以上陳述的已有方案的不足，本發(fā)明旨在提供高效、簡(jiǎn)單的方法，并使之克服現(xiàn)有技術(shù)上的缺點(diǎn)。

為了實(shí)現(xiàn)上述目的，本發(fā)明提出的方法是：

一種基于GPS數(shù)據(jù)的多類型車(chē)輛分類方法，采用車(chē)載位置的G PS數(shù)據(jù)，基于三類車(chē)輛：小汽車(chē)、小型貨車(chē)和大型貨車(chē)加減速特征，用機(jī)器學(xué)習(xí)支持向量機(jī)建立車(chē)輛分類器，運(yùn)用支持向量機(jī)模型對(duì)三類車(chē)輛進(jìn)行自動(dòng)分類；其具體處理包含如下的手段：

(1)首先對(duì)采集的GPS數(shù)據(jù)進(jìn)行清洗，剔除奇異點(diǎn)；

(2)對(duì)清洗后的數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，對(duì)整理后的GPS數(shù)據(jù)進(jìn)行特征提取，提取的特征包括車(chē)輛的最大加速度、加速度的標(biāo)準(zhǔn)差、加減速累積頻率；在特征提取過(guò)程中獲得多組數(shù)據(jù)樣本；

(3)基于以上車(chē)輛的加減速特征，運(yùn)用支持向量機(jī)模型建立針對(duì)三種車(chē)型的分類器，其中支持向量機(jī)模型表達(dá)式為：

ξ_i≥0

其中：

x_i∈R^d(i＝1,2,...,N)是訓(xùn)練樣本i的提取特征；

N是總的訓(xùn)練樣本；

t_i{1,-1}是樣本i的實(shí)際車(chē)輛種類(1表示小汽車(chē)，-1表示貨車(chē))；

w和b是將樣本分為兩種類型的分隔線的參數(shù)；

表示一個(gè)固定的特征空間，該空間可以將矢量x_i從初始的d-維度空間轉(zhuǎn)換到更高的維度空間；

ξ_i是一個(gè)松弛變量用來(lái)處理錯(cuò)誤分類的樣本；

C是一個(gè)控制變量用來(lái)平衡最大的效益和錯(cuò)誤分類的誤差；

確定分類器的方法如下式：

其中：

x_t是實(shí)驗(yàn)樣本t的特征，該樣本的車(chē)輛種類是確定的；

α_i是拉格朗日乘子，它是通過(guò)求解二元支持向量機(jī)模型的對(duì)偶問(wèn)題得到的；

k(x_t,xi)是Kernel方程，它是和的點(diǎn)積；

(4)將車(chē)輛加減速變化情況作為有效的特征，通過(guò)交叉驗(yàn)證的數(shù)據(jù)挖掘方法和forward-selection選擇方法得到車(chē)型分類的最有效特征，對(duì)車(chē)輛進(jìn)行自動(dòng)分類。

本發(fā)明采用GPS數(shù)據(jù)，運(yùn)用支持向量機(jī)模型對(duì)三類車(chē)輛進(jìn)行分類，對(duì)三種車(chē)輛進(jìn)行分類準(zhǔn)確率達(dá)到75％。通過(guò)對(duì)不同GPS數(shù)據(jù)的采樣頻率的計(jì)算結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn)采樣頻率越高對(duì)三種車(chē)輛的分類越準(zhǔn)確。

附圖說(shuō)明

圖1：GPS數(shù)據(jù)圖。

圖2：為采樣頻率為5秒的提取特征圖。其中：

圖A以最大加/減速度為特征的提取特征圖；

圖B以加/減速度標(biāo)準(zhǔn)差為特征的提取特征圖；

圖C以最大加速度超過(guò)1mpss的車(chē)輛比例為特征的提取特征圖；

圖D以最大加速度超過(guò)0.5mpss的車(chē)輛比例為特征的提取特征圖。

圖3:提取特征的箱線圖。其中：

圖A為小汽車(chē)的提取特征箱線圖；

圖B為小型貨車(chē)的提取特征箱線圖；

圖C為大型貨車(chē)的提取特征箱線圖。

圖4：交叉驗(yàn)證的計(jì)算過(guò)程。

圖5：Forward-selection方法提取最有效特征。

圖6：、模型1與模型4對(duì)比圖。

圖7：不同采樣頻率對(duì)應(yīng)的分類精度對(duì)照。

為了更好的建立車(chē)輛分類模型，首先需要對(duì)采集來(lái)的數(shù)據(jù)進(jìn)行清洗，剔除奇異點(diǎn)。剔除的規(guī)則1)GPS數(shù)據(jù)中兩個(gè)連續(xù)點(diǎn)之間的時(shí)間大于數(shù)據(jù)采集時(shí)間間隔；2)GPS數(shù)據(jù)中兩個(gè)連續(xù)點(diǎn)之間的加/減速度大于6m/s²。然后將清洗后的數(shù)據(jù)以20分鐘為間隔獲得車(chē)輛的時(shí)間-速度記錄。最后通過(guò)數(shù)據(jù)挖掘技術(shù)，對(duì)整理后的GPS數(shù)據(jù)進(jìn)行車(chē)輛特征提取，提取的特征包括車(chē)輛的最大加減速度、加減速的標(biāo)準(zhǔn)差、加減速累積頻率。在車(chē)輛特征提取過(guò)程中可獲得多組數(shù)據(jù)樣本。

將清洗后的GPS數(shù)據(jù)，通過(guò)數(shù)據(jù)挖掘技術(shù)，提取出車(chē)輛的特征如圖2所示。圖A表明小汽車(chē)的最大加速度比小型貨車(chē)的大，而小型貨車(chē)的最大加速度比大型貨車(chē)的大。圖B、C、D表明小汽車(chē)的加減速變化比小型貨車(chē)和大型貨車(chē)的大，同時(shí)也表明貨車(chē)出現(xiàn)大幅度加減速頻率的次數(shù)較少。

本發(fā)明方法共提取了車(chē)輛的30個(gè)特征。三個(gè)箱線圖呈現(xiàn)出來(lái)的規(guī)律和圖2是類似的，即貨車(chē)較于小汽車(chē)的加速度更小，并且出現(xiàn)大幅度加減速的頻率更少。圖3中小汽車(chē)的箱線圖中，特征1即最大加速度的箱線圖表明提取特征的樣本數(shù)據(jù)中25％的小汽車(chē)最大加速度小于1.8m/s²，75％的車(chē)輛最大加速度大于1.4m/s²，最大的加速度為2.5m/s²，最小的加速度為1.1m/s²,箱體以外的數(shù)據(jù)為異常值，其余箱線圖的含義類似。

基于以上車(chē)輛加減速特征，運(yùn)用支持向量機(jī)模型建立針對(duì)三種車(chē)型的分類器，其中支持向量機(jī)模型表達(dá)式為：

ξ_i≥0

其中：

x_i∈R^d(i＝1,2,...,N)是訓(xùn)練樣本i的提取特征；

N是總的訓(xùn)練樣本；

t_i{1,-1}是樣本i的實(shí)際車(chē)輛種類(1表示小汽車(chē)，-1表示貨車(chē))；

w和b是將樣本分為兩種類型的分隔線的參數(shù)；

表示一個(gè)固定的特征空間，該空間可以將矢量x_i從初始的d-維度空間轉(zhuǎn)換到更高的維度空間；

ξ_i是一個(gè)松弛變量用來(lái)處理錯(cuò)誤分類的樣本；

C是一個(gè)控制變量用來(lái)平衡最大的效益和錯(cuò)誤分類的誤差；

確定分類器的方法如下式：

其中：

x_t是實(shí)驗(yàn)樣本t的特征，該樣本的車(chē)輛種類是確定的；

α_i是拉格朗日乘子，它是通過(guò)求解二元支持向量機(jī)模型的對(duì)偶問(wèn)題得到的；

k(x_t,x_i)是Kernel方程，它是和的點(diǎn)積。

如果y(x_t)≥0即樣本t所得的指標(biāo)為1，則表示該樣本為小汽車(chē)；如果y(x_t)≤0即樣本t所得的指標(biāo)為-1，則表示該樣本為貨車(chē)。

將車(chē)輛加減速變化情況作為有效的特征，通過(guò)交叉驗(yàn)證的數(shù)據(jù)挖掘辦法和forward-selection選擇方法得到車(chē)型分類的最有效特征，計(jì)算過(guò)程如圖4所示：

通過(guò)交叉驗(yàn)證的數(shù)據(jù)挖掘的辦法得到車(chē)型分類的最有效特征。圖5中模型四表明，在使用減速度超過(guò)0.8m/s²的數(shù)據(jù)比例，減速度超過(guò)0.6m/s²的數(shù)據(jù)比例，加速度超過(guò)0.5m/s²的數(shù)據(jù)比例以及加速度超過(guò)1.4m/s²的數(shù)據(jù)比例時(shí)，對(duì)三類車(chē)輛的分類精度最高。

如圖6所示，通過(guò)forward-selection方法的選擇，得出最有效的特征為特征23、21、7、16，即減速度超過(guò)0.8m/s²的數(shù)據(jù)比例，減速度超過(guò)0.6m/s²的數(shù)據(jù)比例，加速度超過(guò)0.5m/s²的數(shù)據(jù)比例以及加速度超過(guò)1.4m/s²的數(shù)據(jù)比例。

由于本發(fā)明方法是對(duì)三種類型的車(chē)輛進(jìn)行分類，所以建立三個(gè)分類器，分類器采用一對(duì)一相比較的形式來(lái)確定樣本的類型。然后，將樣本數(shù)據(jù)導(dǎo)入分類器中進(jìn)行訓(xùn)練。

在實(shí)驗(yàn)階段，將同一個(gè)樣本數(shù)據(jù)導(dǎo)入3個(gè)分類器中，3個(gè)分類器會(huì)得到3種標(biāo)簽，樣本數(shù)據(jù)獲得的某個(gè)標(biāo)簽數(shù)量越多，這個(gè)樣本數(shù)據(jù)就是相應(yīng)標(biāo)簽所指代的車(chē)輛類型，如三個(gè)分類器得出的分類結(jié)果是小汽車(chē)、小汽車(chē)、小型貨車(chē)，那么這個(gè)數(shù)據(jù)樣本所對(duì)應(yīng)的車(chē)輛類型就是小汽車(chē)。如果兩種或多種類型車(chē)輛得到的標(biāo)簽數(shù)量一樣多，就會(huì)采用K-最鄰近算法來(lái)確定樣本的車(chē)輛類型。即當(dāng)實(shí)驗(yàn)樣本與訓(xùn)練樣本之前距離最近時(shí)，那么訓(xùn)練樣本的車(chē)輛類型就是實(shí)驗(yàn)樣本的分類結(jié)果。實(shí)驗(yàn)樣本與每個(gè)訓(xùn)練樣本的歐式距離用下式計(jì)算，本文設(shè)定的K值為7。

針對(duì)GPS數(shù)據(jù)的不同采樣頻率得到的分類精確度。發(fā)現(xiàn)采樣頻率在低于5秒一次時(shí)分類精度明顯降低，如圖7所示。

通過(guò)該種方法建立多類型車(chē)輛分類器，對(duì)車(chē)輛進(jìn)行自動(dòng)分類。實(shí)例分析，其數(shù)據(jù)結(jié)果顯示該分類器對(duì)三種車(chē)輛的分類準(zhǔn)確度達(dá)75％，并且數(shù)據(jù)采樣頻率越高，分類精度越準(zhǔn)確。