一种基于GPS数据的多类型车辆分类方法技术

本发明专利技术公开了一种基于GPS数据的多类型车辆分类方法，采用车载位置的GPS数据，基于三类车辆：小汽车、小型货车和大型货车加减速特征，用机器学习支持向量机建立车辆分类器，运用支持向量机模型对三类车辆进行自动分类。本发明专利技术方法对三种车辆进行分类准确率达到75％。通过对不同GPS数据的采样频率的计算结果进行对比，发现采样频率越高对三种车辆的分类越准确。

Multi type vehicle classification method based on GPS data

The invention discloses a multi vehicle type classification method based on GPS data, using GPS data in vehicle position, three types of vehicles based on cars, small trucks and large trucks and deceleration characteristics, using machine learning support vector machine classifier to establish vehicle, using support vector machine model for automatic classification of three types of vehicles. The classification accuracy of the three vehicles is up to 75%. By comparing the results of different GPS data sampling frequency, it is found that the higher the sampling frequency, the more accurate the classification of the three vehicles.

【技术实现步骤摘要】

本专利技术属于交通工程领域，适用于城市道路中的车辆分类。车辆分类信息对于交通规划、道路设施的设计与使用起到非常重要的作用。
技术介绍
现在已经有许多技术应用于车辆分类。除了人工分类外，最近的车辆分类方法主要依靠固定传感器例如气动导管传感器、感应线圈传感器、压电式传感器等。这些方法被称为是侵入式分类方法，不仅需要在现场操作，还会干扰交通流。另外一种非侵入式分类方法所依靠的传感器有雷达传感器、红外线传感器、声波传感器、视觉成像等，这种方法不会干扰交通但是运行和维护费用较高。但是这些分类方法并不是在所有的情况下都适用。要么是传感器运用的成本太贵，或是在一些特定情况下，它们的检测数据会出现错误。例如在流量大，车速较快的路段，气动导管传感器的检测效果不理想；在拥堵的情况下，感应线去传感器的检测效果也不理想；视觉成像的效果会受天气的影响。所以，现有的车辆分类方法主要存在两个问题(i)严重依赖固定传感器和检测技术，侵入式设备影响交通，且成本较高(ii)现有的方法只能在固定地点采集交通检测数据，对大范围的地区的数据采集比较昂贵。
技术实现思路
鉴于以上陈述的已有方案的不足，本专利技术旨在提供高效、简单的方法，并使之克服现有技术上的缺点。为了实现上述目的，本专利技术提出的方法是：一种基于GPS数据的多类型车辆分类方法，采用车载位置的GPS数据，基于三类车辆：小汽车、小型货车和大型货车加减速特征，用机器学习支持向量机建立车辆分类器，运用支持向量机模型对三类车辆进行自动分类；其具体处理包含如下的手段：(1)首先对采集的GPS数据进行清洗，剔除奇异点；(2)对清洗后的数据进行数据挖掘，对整理后的GPS数据进行特征提取，提取的特征包括车辆的最大加速度、加速度的标准差、加减速累积频率；在特征提取过程中获得多组数据样本；(3)基于以上车辆的加减速特征，运用支持向量机模型建立针对三种车型的分类器，其中支持向量机模型表达式为：ξi≥0其中：xi∈Rd(i＝1,2,...,N)是训练样本i的提取特征；N是总的训练样本；ti{1,-1本文档来自技高网...

【技术保护点】
一种基于GPS数据的多类型车辆分类方法，采用车载位置的GPS数据，基于三类车辆：小汽车、小型货车和大型货车加减速特征，用机器学习支持向量机建立车辆分类器，运用支持向量机模型对三类车辆进行自动分类；其具体处理包含如下的手段：(1)首先对采集的GPS数据进行清洗，剔除奇异点；(2)对清洗后的数据进行数据挖掘，对整理后的GPS数据进行特征提取，提取的特征包括车辆的最大加速度、加速度的标准差、加减速累积频率；在特征提取过程中获得多组数据样本；(3)基于以上车辆的加减速特征，运用支持向量机模型建立针对三种车型的分类器，其中支持向量机模型表达式为：Minw,b,ξwTw2+CΣi=1Nξi]]>ξi≥0其中：xi∈Rd(i＝1,2,...,N)是训练样本i的提取特征；N是总的训练样本；ti{1,‑1}是样本i的实际车辆种类，1表示小汽车，‑1表示货车；w和b是将样本分为两种类型的分隔线的参数；表示一个固定的特征空间，该空间可以将矢量xi从初始的d‑维度空间转换到更高的维度空间；ξi是一个松弛变量用来处理错误分类的样本；C是一个控制变量用来平衡最大的效益和错误分类的误差；确定分类器的方法如下式：y(xt)=Sign(Σαi>0αitik(xt,xi)+b)]]>其中：xt是实验样本t的特征，该样本的车辆种类是确定的；αi是拉格朗日乘子，它是通过求解二元支持向量机模型的对偶问题得到的；k(xt,xi)是Kernel方程，它是和的点积；(4)将车辆加减速变化情况作为有效的特征，通过交叉验证的数据挖掘方法和forward‑selection选择方法得到车型分类的最有效特征，对车辆进行自动分类。...

【技术特征摘要】
1.一种基于GPS数据的多类型车辆分类方法，采用车载位置的GPS数据，基于三类车辆：小汽车、小型货车和大型货车加减速特征，用机器学习支持向量机建立车辆分类器，运用支持向量机模型对三类车辆进行自动分类；其具体处理包含如下的手段：(1)首先对采集的GPS数据进行清洗，剔除奇异点；(2)对清洗后的数据进行数据挖掘，对整理后的GPS数据进行特征提取，提取的特征包括车辆...

【专利技术属性】
技术研发人员：孙湛博，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川;51