基于流形上序列子空间聚类的出行模式检测方法技术

基于流形上序列子空间聚类的出行模式检测方法属于智能交通领域，目的是要检测出一条完整轨迹中的交通模式变化。根据GPS轨迹数据的经纬度和时间戳来提取每个轨迹点的特征，用相邻轨迹点的特征向量来算得轨迹点的对称正定表示矩阵，然后将各轨迹点的表示矩阵按时间戳顺序放置得到轨迹的表示矩阵集合；其次，与传统的低秩表示模型不同，采用了对称正定流形的对数

【技术实现步骤摘要】
基于流形上序列子空间聚类的出行模式检测方法


[0001]本专利技术适用于智能交通领域中的出行模式检测区分技术。

技术介绍

[0002]交通轨迹数据是城市的交通系统中不可或缺的数据源。挖掘交通轨迹数据的潜在特性，既有助于研究人员通过以数据为中心的技术来理解人类活动的规律，又能保证交通规划人员方便快捷地管理城市交通，提升居民的出行效率。作为一种时间序列数据，交通轨迹数据由带有时序信息的轨迹点组成，轨迹点其包含GPS定位经度、维度、时间戳以及海拔等信息，部分交通轨迹数据带有出行模式标签，如步行、公共汽车、自行车和小汽车等。出行模式检测是针对带有混合出行方式的轨迹数据，实现不同出行模式的区分。近年来，各种不同的出行模式检测方法被提出，这些方法大致可以分为以下两类：基于深度学习的方法和基于传统机器学习的方法。
[0003](1)基于深度学习的出行模式检测方法
[0004]在出行模式检测的研究领域，深度学习得到广泛的应用，如基于长短时记忆网络的出行轨迹检测方法以及基于对抗生成网络的出行轨迹检测方法等。
[0005]长短时记忆神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于流形上序列子空间聚类的出行模式检测方法，其特征在于：步骤一：轨迹预处理输入为一条待检测出行轨迹，其中包含大于两种出行模式，由于后续的轨迹点的表示需要轨迹点的特征，选择提取轨迹点的瞬时速度、位移以及沿经度、维度方向的瞬时速度和位移，将轨迹点的经度、纬度、时间戳和提取的特征表示为一个特征向量，具体表示为向量中各元素分别为经度、纬度、时间戳、经度上的瞬时位移、纬度上的瞬时位移、瞬时位移、经度上的瞬时速度、纬度上的瞬时速度和瞬时速度；步骤二：基于序列数据流形表示的轨迹检测得到轨迹点的特征向量后，对轨迹点i，根据轨迹点前后相邻的n个轨迹点{l
i
‑
n
,...,l
i
,...,l
i+n
}，其中l
k
表示轨迹点，计算出轨迹点的对称正定表示矩阵，首先令表示轨迹点特征向量的平均值，则轨迹点i的对称正定表示矩阵为1)、序列数据的低秩表示模型序列数据的列在空间域或时间域中是相邻的，GPS轨迹数据既是时间序列数据又是空间序列数据；轨迹的每个轨迹点表示为对称正定矩阵C
i
，将每个轨迹点的表示矩阵按时间戳顺序放置得到完整轨迹的表示矩阵集合X；针对轨迹点的表示矩阵，有系数矩阵其中z为每个轨迹点的系数，N为轨迹中的轨迹点数，通过约束相邻表示系数的相似性来反映相邻轨迹点的连续变化特性；给定一组N个d维轨迹表示矩阵其中为实数集，后文同样适用；则欧氏空间中的序列数据低秩表示模型可写为其中，α和β为约束项系数，分别取值0.5和0.85；第一项中的第一项中的表示样本i与其线性表示的欧氏距离，其中Z
ij
表示矩阵Z的第i行第j列；第二项中的||ZR||
1,2
表示矩阵ZR的L
1,2
范数，第三项中的||Z||
*
表示对系数矩阵Z的核范数，第二项中是如下的下三角矩阵：从而ZR＝[z2‑
z1,z3‑
z2,...,z
N
‑
z
N
‑1]；这意味着模型(2)的第二项用以约束Z的相邻列即
相邻轨迹样本的稀疏系数相似；2)、对称正定流形上序列子空间聚类模型给定两个对称正定矩阵它们的对数
‑
欧几里得度量为：log(X)＝S
·
diag[log(diag(Σ))]
·
S
T
，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中X通指X1,X2，函数diag(
·
)：将矩阵映射为其对角线元素构成的向量，函数diag[
·
]：将向量映射为对角线元素由向量元素构成的对角矩阵，式(4)中S
·
Σ
·
S
T
＝X为对称正定矩阵X的特征值分解，其中S为矩阵X的特征向量组成的矩阵；给定一组N个d维...

【专利技术属性】
技术研发人员：王少帆，尹诵，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：