交通模式聚类模型训练方法、模式识别方法及存储介质技术

本申请公开了一种交通模式聚类模型训练方法、模式识别方法及存储介质，涉及智能交通技术领域。本申请实施例包括：在卷积自编码器网络的嵌入层上附加聚类层以获取复合聚类模型；采用复合聚类模型对无标签交通轨迹数据进行训练，获取交通模式聚类模型。本申请通过对无标签数据进行数据挖掘和算法设计，可以有效地缓解标签数据需求并且节省应用成本；通过在卷积自编码器网络的嵌入层上附加聚类层，能够获取更好的聚类性能；通过无标签交通轨迹数据训练复合聚类模型获取交通模式聚类模型，能够实现在无标签的无监督学习条件下对交通模式的识别。

【技术实现步骤摘要】
交通模式聚类模型训练方法、模式识别方法及存储介质
本申请实施例涉及智能交通
，尤其是涉及一种交通模式聚类模型训练方法、模式识别方法及存储介质。
技术介绍
交通模式识别是一种通过用户的出行数据来推断其出行方式的一种任务。交通模式识别基于位置的服务，可以根据用户的实时位置和出行信息向用户提供准确、个性化的信息。全球定位系统(GlobalPositioningSystem，GPS)传感器是一种可以捕获具有时间戳和经纬度多元组的传感器。它们被部署在大多数智能手机和汽车上，和用户的行为有较强的相关性，比传统定位传感器覆盖更广泛的路径。然而，仅根据GPS轨迹数据来推断用户的出行方式是十分困难的，因为GPS传感器只能记录用户移动的时空特征，对所使用的出行方式没有明确的信息。
技术实现思路
本申请旨在一定程度上至少解决现有技术中存在的技术问题之一。为此，本申请实施例提供了一种交通模式聚类模型训练方法、模式识别方法及存储介质，能够有效地利用无标签数据，实现在无标签的无监督学习条件下对交通模式的识别。第一方面，本申请实施例提供了一种交通模式聚类模型训练方法，包括：在卷积自编码器网络(CAE)的嵌入层上附加聚类层以获取复合聚类模型；采用复合聚类模型对无标签交通轨迹数据进行训练，获取交通模式聚类模型。本申请实施例提供的交通模式聚类模型训练方法至少具有如下有益效果：1.通过对无标签数据进行数据挖掘和算法设计，可以有效地缓解标签数据需求并且节省应用成本；2.通过在卷积自编码器网络的嵌入层上附加聚类层，能够获取更好的聚类性能；3.通过无标签交通轨迹数据训练复合聚类模型获取交通模式聚类模型，能够实现在无标签的无监督学习条件下对交通模式的识别。在一些实施例中，无标签交通轨迹数据为多段路径切分的数据集。在另一些实施例中，无标签交通轨迹数据包括局部特征数据和全局特征数据，局部特征数据包括以下至少之一：速度、加速度、加加速度；全局特征数据包括以下至少之一：平均速度、期望速度、最大速度、停止速率；停止速率为每段路径中速度小于阈值的数据点与全部数据点的数目之比。在一些实施例中，卷积自编码器网络包括编码器和解码器，编码器包括第一卷积层、最大池化层和嵌入层；解码器包括第二卷积层、重塑层、反卷积层及反池化层。在一些实施例中，在卷积自编码器网络的嵌入层上附加聚类层之前，还包括：使用无标签交通轨迹数据对卷积自编码器网络进行预训练。在一些实施例中，采用复合聚类模型对无标签交通轨迹数据进行训练，包括：将无标签交通轨迹数据划分成至少一个嵌入样本；根据嵌入样本和可训练权值获取聚类隶属度；根据聚类隶属度获取归一化目标分布；根据归一化目标分布和聚类隶属度获取相对熵；采用相对熵对嵌入样本进行聚类。在另一些实施例中，根据聚类隶属度获取归一化目标分布之后，还包括：采用频率更新超参数控制归一化目标分布的更新频率。第二方面，本申请实施例提供了一种交通模式识别方法，包括：获取无标签交通轨道数据；采用第一方面一些实施例的交通模式聚类模型对无标签交通轨道数据进行处理，获取交通模式识别结果。本申请实施例提供的交通模式识别方法至少具有如下有益效果：1.通过对无标签数据进行数据挖掘和算法设计，可以有效地缓解标签数据需求，并且节省应用成本；2.通过交通模式聚类模型对无标签交通轨道数据进行聚类，能够实现在无标签的无监督学习条件下对交通模式的识别。第三方面，本申请实施例提供了一种存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现：第一方面一些实施例的交通模式聚类模型训练方法；或，第二方面一些实施例的交通模式识别方法。本申请实施例提供的存储介质，通过设计自编码器的神经网络模型和聚类算法对无标签数据中的信息进行了有效的挖掘，能够实现在无标签的无监督学习条件下对交通模式的识别，而且能够降低对代价相对昂贵的标签数据的需求和模型应用的成本。本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。附图说明图1是本申请实施例中交通模式聚类模型训练方法的一具体实施例的流程图；图2是本申请实施例中复合聚类模型的一具体实施例的结构示意图；图3是图1中步骤S120的一具体实施例的流程图。具体实施方式以下将结合实施例对本申请的构思及产生的技术效果进行清楚、完整地描述，以充分地理解本申请的目的、特征和效果。显然，所描述的实施例只是本申请的一部分实施例，而不是全部实施例，基于本申请的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本申请保护的范围。需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。本申请实施例中公开的方法包括用于实现方法的一个或多个步骤或动作。方法步骤和/或动作可以在不脱离权利要求的范围的情况下彼此互换。换句话说，除非指定步骤或动作的特定顺序，否则特定步骤和/或动作的顺序和/或使用可以在不脱离权利要求范围的情况下被修改。智能交通的管理不仅需要用户移动的特征信息，同时也需要用户所选用交通模式的相关信息。交通模式识别是一种通过用户的出行数据来推断其出行方式的一种任务。交通模式识别基于位置的服务，可以根据用户的实时位置是和出行信息向用户提供准确、个性化的信息。例如，在电子广告牌上张贴有针对性的广告，或者通知用户出行相关的信息以便用户可以准时到达目的地。智能交通系统可以利用一定范围内的用户移动性和交通模式的信息，通过用户出行需求分析、路线建议和交通规划来改善交通管理水平。交通模式识别的第一步是获取用户的移动数据。全球定位系统(GlobalPositioningSystem，GPS)传感器是一种可以捕获具有时间戳和经纬度多元组的传感器。它们被部署在大多数智能手机和汽车上，和用户的行为有较强的相关性，比传统定位传感器覆盖更广泛的路径。然而，仅根据GPS轨迹数据来推断用户的出行方式是十分困难的，因为GPS传感器只能记录用户移动的时空特征，对用户所使用的出行方式没有明确的信息。此外，出于缺乏动机以及隐私问题的考虑，用户可能不允许在他们的行程数据上打上相应的出行模式标签。为了建立一个能够从可用的GPS数据获取有效知识的模型，早期的一些工作广泛地依赖启发式的思路，即将原始的轨迹数据转换为适合训练机器学习模型的表示。一些研究使用了贝叶斯网络、决策树、随机森林和支持向量机等方法。这些方法不仅受到领域专业知识的限制，而且还受到一个事实的限制，即相对距离和速度等基本特征容易受到GPS测量误差以及交通或环境本文档来自技高网...

【技术保护点】
1.交通模式聚类模型训练方法，其特征在于，包括：/n在卷积自编码器网络的嵌入层上附加聚类层以获取复合聚类模型；/n采用所述复合聚类模型对无标签交通轨迹数据进行训练，获取交通模式聚类模型。/n

【技术特征摘要】
1.交通模式聚类模型训练方法，其特征在于，包括：
在卷积自编码器网络的嵌入层上附加聚类层以获取复合聚类模型；
采用所述复合聚类模型对无标签交通轨迹数据进行训练，获取交通模式聚类模型。


2.根据权利要求1所述的交通模式聚类模型训练方法，其特征在于，所述无标签交通轨迹数据为多段路径切分的数据集。


3.根据权利要求2所述的交通模式聚类模型训练方法，其特征在于，所述无标签交通轨迹数据包括局部特征数据和全局特征数据，所述局部特征数据包括以下至少之一：速度、加速度、加加速度；所述全局特征数据包括以下至少之一：平均速度、期望速度、最大速度、停止速率；所述停止速率为每段路径中速度小于阈值的数据点与全部数据点的数目之比。


4.根据权利要求1所述的交通模式聚类模型训练方法，其特征在于，所述卷积自编码器网络包括编码器和解码器，所述编码器包括第一卷积层、最大池化层和所述嵌入层；所述解码器包括第二卷积层、重塑层、反卷积层及反池化层。


5.根据权利要求1至4任一项所述的交通模式聚类模型训练方法，其特征在于，所述在卷积自编码器网络的嵌入层上附加聚类层之前，还包括：
使用所述无标签交通轨迹数据对所述卷积自编码器网络进行预训练。


6.根据权利要求5所述的交通模式聚类...

【专利技术属性】
技术研发人员：余剑峤，马科斯·克里斯托斯，宋晓壮，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：广东;44