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;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:
ξi≥0
其中:
xi∈Rd(i=1,2,...,N)是训练样本i的提取特征;
N是总的训练样本;
ti{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xi从初始的d-维度空间转换到更高的维度空间;
ξi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:
xt是实验样本t的特征,该样本的车辆种类是确定的;
αi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(xt,xi)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。
2.根据权利要求1所述的基于GPS数据的多类型车辆分类方法,其特征在于,所述剔除奇异点剔除的规则为:
1)GPS数据中两个连续点之间的时间大于数据采集时间间隔;
2)GPS数据中两个连续点之间的加/减速度大于6m/s2;
将清洗后的数据以20分钟为间隔获得车辆的时间-速度记录。