一种基于GPS数据的多类型车辆分类方法与流程

技术特征：

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：

${\mathrm{Min}}_{w,b,\mathrm{\ξ}}\frac{w^{T}w}{2}+C\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\ξ}}_i$

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：

$y\left(x_t\right)=Sign\left(\underset{{\mathrm{\α}}_i\>0}{\Σ}{\mathrm{\α}}_i{t}_{i}k\right(x_t,x_i)+b)$

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。

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。