[发明专利]基于在途数据的车辆用途识别方法

说明书

本发明提供一种基于在途数据的车辆用途识别方法，涉及运动轨迹研究计算领域，包括如下步骤：S1、每个车辆每天的行驶轨迹描述；S2、针对每个车辆每天的行驶轨迹，进行时间序列聚类，并根据聚类结果找出该车辆的主要行驶轨迹：S3、计算每个车辆在不同轨迹类中的数量占自身所有轨迹的比重，依次从大到小累加排序后的比重，将累加值大于且最靠近阈值的轨迹认为是该车辆的主要行驶轨迹；S4、根据主要行驶轨迹定义车辆用途。本发明以车辆每日行驶规律为中间变量进行聚类，结合统计知识分析车辆主要行驶规律，从时间、地理位置、里程三个纬度描述车辆运动轨迹相对于现有技术直接对车辆本身进行聚类更能贴切实际用车的真实情况。

技术领域

本发明涉及运动轨迹研究计算领域，具体涉及一种基于在途数据的车辆用途识别方法。

背景技术

混乱程度：一个用户停车时由一定规律性的，即有几个固定的停车点，在规定的一天中，如果用户的停车点位置越多，即停车的混乱程度越大。

信息熵：是消除不确定性所需信息量的度量。

聚类：将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。

DTW(Dynamic Time Warping，动态时间归整)算法：该算法基于动态规划(DP)的思想，解决了发音长短不一的模板匹配问题，是语音识别中出现较早、较为经典的一种算法，用于孤立词识别及时间序列中数据波形与起始时间的相似性度量。

相似度度量：综合评定两个事物之间相近程度的一种度量，两个事物越接近，它们的相似性度量也就越大，而两个事物越疏远，它们的相似性度量也就越小。相似性度量的给法种类繁多，一般根据实际问题进行选用。常用的相似性度是有：相关系数(衡量变量之间接近程度)，相似系数(衡量样品之间接近程度)，若样品给出的是定性数据，这时衡量样品之间接近程度，可用样本的匹配系数、一致度等。

欧式距离：欧几里得度量(euclidean metric)，也称欧氏距离，是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。

聚类方法X-means:一种新型的K-means算法来选择更加科学的数据分类模型。通过适应和扩展来提高K-means，用这个算法可以免除用户用不同的K值来测试哪个结果更加科学，X-means算法只需要运行一次。它使用了统计学的标准来最大化样本的最大似然函数。是化验结果表明，本算法比K-means算法更快更好。

聚类方法K-means：K-MEANS算法是输入聚类个数k，以及包含n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。k-means算法接受输入量k；然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。

国内对于车辆用途的识别一般通过车型识别来完成，而车型识别方法通常是利用数字图像、视频图像序列进行车型检测，如《武汉船舶职业技术学院学报》2013年第1期中37页“简易车辆类型识别系统设计”一文中提出的解决方案，该方案由四个模块组成：视频文件读取与帧分解模块、车辆运动检测模块、数字图像处理模块和机车型识别模块，然而通过图像采集和分析外形轮廓的方式进行车型识别进而确定车辆用途的方法存在很多不确定的因素，首先，车型与用途的对应并非一个确定的量，其次，即使同一个车辆在不同的时刻也会有不同的行驶轨迹，因此直接对分析车辆本身并不能对车辆的真实用途进行识别。

现有技术中申请号为CN201310290226.5的中国发明提出了“基于公用车智能安全终端的管理系统及方法”，该申请说明书中指出“利用本智能安全终端集成北斗功能的测速、测距、定位、来确定区域位置、轨迹绘制、防盗等”使得利用公用车的行驶轨迹绘制、定位等技术成为常规技术手段，然而现有技术中并未出现通过行驶轨迹和定位来实现公用车的用途或类型识别的解决方案。