一种基于半监督机器学的交通状态划分方法

摘要

本发明涉及智能交通识别技术领域，尤其涉及一种基于半监督机器学的交通状态划分方法，包括：数据预处理步骤、数据特征提取步骤、数据分类步骤、分类结果输出。本发明的有益效果在于：1、本发明方法具有较高的适应性，基于交通流统计特征的提取，根据车流的不同特征进行自学，而且可以随时间推移，随车流变化，而做进一步自适应地调整，以达到最佳的判别效果，具有一定学能力和自适应能力；2、针对实际交通数据的特征，对原始算法进行改进，确保能够在提高处理性能的同时，获得正确的交通状态分类点，大大降低了算法的复杂程度；3、本发明算法仅需要速度、流量、该条道路最大限速等信息，无需增加新的设备，成本低、可靠性高。

主权项

一种基于半监督机器学习的交通状态划分方法，其特征在于包括：数据预处理步骤、数据特征提取步骤、数据分类步骤、分类结果输出；数据预处理步骤包括：1)统计指定卡点指定时间片段内的车辆流量；2)计算指定时间片段内的车辆平均速度；数据特征提取步骤包括：1)对经过预处理的数据计算速度最佳带宽和流量最佳带宽，并用速度最佳带宽直方图和流量最佳带宽直方图显示；简化标准差：$S_d=\sqrt{\frac{1}{N\times [{X_1}^2+{X_2}^2+\mathrm{...}+{X_N}^2-M^2]}}$简化最佳带宽：BW＝K×S_d其中：K＝‑4.57×10^‑6N+0.1867，X₁，X₂，X₃…X_N为输入数值，数据总数为N，数据平均值为M；2)根据速度最佳带宽直方图通过高斯拟合得出速度密度函数；根据流量最佳带宽直方图通过高斯拟合得出流量密度函数；令第t个直方图的Y轴坐标为n(t)，N为数据总数，σ为标准差，第t个直方图高斯分布函数为：$f\left(t\right|x)=\frac{n\left(t\right)}{N}\times \left[\frac{1}{\sqrt{2\pi }\sigma }\exp \left(-\frac{{\left[x-\frac{\left(2t-1\right)}{2}BW\right]}^2}{2{\sigma }^2}\right)\right]$$F\left(x\right)={\Sigma }_{t=1}^{k}f\left(t\right|x);$k表示直方图的个数；数据分类步骤包括：1)利用梯度法计算极值点，包括极大值和极小值，将分类位置设置在极小值处；2)根据交通数据特征对极值点进行优化：初始端为极小值则删除，初始端为极大值则保留，删除最后一个极小值，保证极大值个数总是比极小值数目多一个；3)对每个极小值的加权值T(j)进行计算：$\begin{array}{c}T\left(j\right)=n_1\times \sqrt{{\left(Y\left[t_b\left(j\right)\right]-Y\left[t_s\left(j\right)\right]\right)}^2+{\left[t_b\left(j\right)-t_s\left(j\right)\right]}^2}+n_2\\ \times \sqrt{{\left(Y\left[t_b\left(j+1\right)\right]-Y\left[t_s\left(j\right)\right]\right)}^2+{\left[t_b\left(j+1\right)-t_s\left(j\right)\right]}^2}\end{array}$其中，t_b(1)，t_b(2)…t_b(l)为极大值坐标，t_s(1)，t_s(2)…t_s(m)为极小值坐标，l、m分别表示极大值、极小值的数目，且满足l‑m＝1；n₁为左权重，n₂为右权重，Y[t_b(j)]、Y[t_s(j)]、Y[t_s+1(j+1)]分别表示当极大值或极小值坐标为t_b(j)、t_s(j)、t_s+1(j+1)时的流量或速度密度函数取值；4)根据速度‑流量的联合分类界限即可对交通数据状态进行合理分类。