基于最优传输理论拓扑标签分布增强的交通态势识别方法技术

本发明专利技术公开了一种基于最优传输理论拓扑标签分布增强的交通态势识别方法，包括获取交通态势数据特征矩阵和标志的逻辑标签矩阵作为输入；构建基于最优传输理论的联合分布优化模型，基于最优传输理论的Wasserstein距离度量，通过求解一个优化问题，实现特征空间与标签空间的分布对齐，恢复标签分布；基于持续同调图捕捉邻域关系，以Wasserstein距离进行拓扑空间变换，同时考虑样本的特征相关关系和相邻结构的相似性；使用K临近算法进行标签分布预测。本发明专利技术将最优传输理论和拓扑数据分析，通过构建特征‑标签联合流形空间，实现了跨模态分布的几何结构匹配，为处理复杂场景下的标签模糊问题提供了新的技术路径。

【技术实现步骤摘要】

本专利技术属于机器学习和模式识别领域，尤其涉及一种基于最优传输理论拓扑标签分布增强的交通态势识别方法。

技术介绍

1、近年来，标记分布学习在模式识别领域得到广泛应用。与传统多分类问题中采用单一逻辑标签(0-1标记)不同，ldl通过概率分布形式描述样本对不同类别的隶属程度，能够更精细地表征语义模糊性和多义性关联。此类技术已在面部表情识别、年龄估计、带噪学习等场景中展现出显著优势。

2、交通态势识别涉及复杂、动态的环境场景，具有显著的语义模糊性和多义性特征。传统的单标签分类方法(如将交通状态简单划分为“拥堵”“缓行”“畅通”)难以充分表征实际场景中的过渡状态和不确定性。例如，在高峰时段，路网可能同时呈现局部拥堵与整体缓行的混合特征；恶劣天气或突发事故下的交通状态也可能介于多种语义之间。ldl通过概率分布形式描述样本对不同类别的隶属程度，能够更精细化建模交通状态的连续性与模糊性，提升多义性场景的兼容性下游任务的适应性增强。

3、然而，ldl的广泛应用受限于标签分布数据的获取难度。真实场景中，标记分布需由专家对样本的类别相关性进行人工标注，本文档来自技高网...

【技术保护点】

1.一种基于最优传输理论拓扑标签分布增强的交通态势识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于最优传输理论拓扑标签分布增强的交通态势识别方法，其特征在于，步骤S1中，所述交通特征矩阵和逻辑标签矩阵为学习样本的特征输入X和对应的多分类逻辑标签l；交通特征矩阵为预测路段的交通流信息，包括交通流量、密度、速度；逻辑标签是对预测路段的历史标记信息，包括通畅、缓行、拥堵的标签。

3.根据权利要求1所述的一种基于最优传输理论拓扑标签分布增强的交通态势识别方法，其特征在于，步骤S2具体包括如下步骤：

4.根据权利要求1所述的一种基于最优传输...

【技术特征摘要】

1.一种基于最优传输理论拓扑标签分布增强的交通态势识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于最优传输理论拓扑标签分布增强的交通态势识别方法，其特征在于，步骤s1中，所述交通特征矩阵和逻辑标签矩阵为学习样本的特征输入x和对应的多分类逻辑标签l；交通特征矩阵为预测路段的交通流信息，包括交通流量、密度、速度；逻辑标签是对预测路段的历史标记信息，包括通畅、缓行、拥堵的标签。

3.根据权利要求1所述的一种基于最优传输理论拓扑标签分布增强的交通态势识别方法，其特征在于，步骤s2具体包括如下步骤：

4.根据权利要求1所述的一种基于最优传输理论拓扑标签分布增强的交通态势识别方法，其特征在于，步骤s3具体包括如下步骤：

5.根据权利要求1所述的一种基于最优传输理论拓扑标签分布增强的交通态势识别方法，其特征在于，步...

【专利技术属性】
技术研发人员：洪奇，刘志远，刘攀，周臻，顾子渊，黄迪，张晨洋，
申请(专利权)人：东南大学，
类型：发明
国别省市：