[发明专利]一种基于GPS数据的多类型车辆分类方法

摘要

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。

主权项

1.一种基于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；所述建立的三类分类器采用一对一相比较的形式来确定样本的类型，将样本数据导入分类器中进行训练；针对同一个样本数据所述三个分类器会得到三种标签，样本数据获得的某个标签数量越多，这个样本数据就是相应标签所指代的车辆类型；如果两种或多种类型车辆得到的标签数量一样多，就采用K‑最邻近算法来确定样本的车型；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；α_i是拉格朗日乘子，它是通过求解二元支持向量机模型的对偶问题得到的；k(x_t,x_i)是Kernel方程，它是和的点积；(4)将车辆加减速变化情况作为有效的特征，通过交叉验证的数据挖掘方法和forward‑selection选择方法得到车型分类的最有效特征，对车辆进行自动分类。