[发明专利]一种基于GPS数据的多类型车辆分类方法

说明书

本发明公开了一种基于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。

技术领域

本发明属于交通工程领域，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。

背景技术

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。

发明内容

鉴于以上陈述的已有方案的不足，本发明旨在提供高效、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，本发明提出的方法是：

一种基于GPS数据的多类型车辆分类方法，采用车载位置的G PS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：

ξ_i≥0

其中：

x_i∈R^d(i＝1,2,...,N)是训练样本i的提取特征；

N是总的训练样本；

t_i{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x_i从初始的d-维度空间转换到更高的维度空间；

ξ_i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：

其中：

x_t是实验样本t的特征，该样本的车辆种类是确定的；