一种基于快速提取shapelets的分类算法判断交通事故的方法技术

本发明专利技术提供了一种基于快速提取shapelets的分类算法判断交通事故的方法，将交通领域数据集中的训练集中的时间序列转换成ID序列通过相似性判断去除相似序列进行降重；从降重后的时间序列集T

【技术实现步骤摘要】
一种基于快速提取shapelets的分类算法判断交通事故的方法
本专利技术属于城市交通数据分析领域，涉及时间序列分类，具体涉及一种基于快速提取shapelet的交通事故的判断方法。
技术介绍
城市交通堵塞问题始终困扰着居民的日常生活，造成交通堵塞的情况有多种，路网的密度过低、红绿灯时间设置不合理以及交通事故造成的意外状况。所以如何判断当前堵塞问题属于哪种情况就有着重要的研究价值，我们可以把堵塞状况分为经常性拥堵和非经常性拥堵，如果是非经常性拥堵那么就判断是否发生了交通事故，从而提醒交通中心快速的做出响应；如果是经常性拥堵我们就需要考虑当前道路设计是否存在问题。交通事故是城市交通的一大问题，它不仅会导致交通拥堵，如果发生严重交通事故还会造成人员的伤亡，判断当前交通堵塞的原因就非常值得关注，得到的结果可以协助管理部门对其做出快速响应避免事态的进一步恶化。此外，还可以把此专利技术应用到无人驾驶领域，让无人驾驶系统可以对前方路况进行快速判断，从而避免交通堵塞。现有的研究技术主要包括基于传统时间序列分类的算法和基于机器学习的方法。基于传统本文档来自技高网...

【技术保护点】
1.一种基于快速提取shapelets的分类算法判断交通事故的方法，其特征在于，该方法包括如下步骤：/n步骤1，将交通领域数据集中的训练集的实数形式的时间序列集T＝{t

【技术特征摘要】
1.一种基于快速提取shapelets的分类算法判断交通事故的方法，其特征在于，该方法包括如下步骤：
步骤1，将交通领域数据集中的训练集的实数形式的时间序列集T＝{t1，...，tn}中的时间序列转换为ID序列，生成一个ID序列数据集；
所述的交通领域数据集中训练集包括畅通时间序列集TP＝{T1，T2，...，Tv}、堵塞时发生事故时间序列集TE＝{T1，T2，...，Tl}和堵塞时未发生事故时间序列集TNE＝{T1，T2，...，Tm}；
其中：
tn为交通领域数据集中的训练集第n个时间序列；
Tv为畅通时间序列集TP中第v个畅通时间序列；
Tl为堵塞时发生事故时间序列集TE中第l个堵塞时发生事故时间序列；
Tm为堵塞时未发生事故时间序列集TNE中第m个堵塞时未发生事故时间序列；
步骤2，通过对ID序列数据集中的ID序列进行哈希处理去除相似序列，实现数据降重；
步骤3，从时间序列集T中提取经过步骤2处理后的ID序列数据集对应的降重后的时间序列集Tnew，从降重后的时间序列集Tnew中选择堵塞相关的时间序列子序列获取shapelet候选集Scandidate；
步骤4，从shapelet候选集Scandidate中选取shapelet处理集S，具体步骤为：
步骤4.1，从降重后的时间序列集Tnew中任意选取第i个时间序列的shapelet即Si和第j个时间序列的shapelet即Sj，计算Si和Sj之间的距离dist(Si，Sj)；
其中，1≤i＜j≤U，i≠j；
步骤4.2，通过欧氏距离计算得出shapelet候选集Scandidate中的每个候选shapelet和降重后的时间序列集Tnew之间的距离阈值选取τu中Si对应的距离阈值τi和Sj对应的距离阈值τj；
当Si和Sj满足dist(Si，Sj)≤min(τi，τj)时，判定Si和Sj相似并去除Sj；
其中：u∈{1，2，....，U}，U为shapelet候选集Scandidate中shapelet的个数；
步骤4.3，以信息增益作为质量标准从高到低给shapelet候选集Scandidate中剩余的shapelet进行质量排序，并选择信息增益值最大的k个shapelet作为shapelet处理集S；
步骤5，为shapelet处理集S的属性配置文件，所述的shapelet处理集S对应的属性配置文件为一个3元组SPS＝<WPS，WES，WNES>；
所述的WPS为畅通时间序列的距离集，所述的畅通时间序列的距离集WPS中包含有shapelet处理集S中的shapelet与交通领域的数据集的训练集中畅通时间序列集TP＝{T1，...

【专利技术属性】
技术研发人员：赵聪，高东怀，宁玉文，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西;61