[發明專利]一種基于貝葉斯神經網絡的出行方式識別方法

有效

• 申請號: 202010101845.5
• 申請日: 2020-02-19
• 公開（公告）號: CN111310833B
• 公開（公告）日: 2022-11-15
• 發明（設計）人: 裴欣;胡堅明;賈邵程;岳云;李力;江逸楠
• 申請（專利權）人: 清華大學;中國電子科技集團公司電子科學研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06N7/00;G06Q10/04;G06Q50/30
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 冀志華

1.一種基于貝葉斯神經網絡的出行方式識別方法，其特征在于包括以下步驟：

1)對原始交通出行數據進行預處理，得到預處理后的數據集；

包括以下步驟：

1.1)獲取原始交通出行數據，所獲取的數據字段包含時間、經緯度、出行方式；

1.2)按照出行方式對所有原始交通出行數據進行軌跡劃分，得到多個出行子軌跡段，并計算各條出行子軌跡段的近似速度向量s；

1.3)對步驟1.2)中得到的所有出行子軌跡段的近似速度向量s進行處理，得到預處理后的數據集；

2)對預處理后的數據集進行速度統計直方圖特征抽取，從得到的速度統計直方圖特征中隨機抽取若干組作為訓練數據集，其他數據作為測試數據集；

包括以下步驟：

2.1)根據預設速度間隔對每條出行子軌跡段的近似速度向量進行特征向量提取，得到每條出行子軌跡段的特征向量；

2.2)對所有出行子軌跡段的特征向量進行歸一化，得到歸一化后的特征向量；

2.3)根據預設長度閾值對所有歸一化后的特征向量長度進行處理，去除長度小于最小長度閾值的特征向量；對于長度超過最大長度閾值的特征向量進行切割，使切割后特征向量的長度在最小長度閾值和最大長度閾值構成的有效長度之間；

2.4)從得到的特征向量中隨機抽取若干組作為訓練數據集，其他數據作為測試數據集；

3)根據步驟2)中得到的訓練數據集和測試數據集的維度大小，構建貝葉斯神經網絡；

包括以下步驟：

3.1)根據步驟2)中得到的訓練數據集和測試數據集的維度大小，確定貝葉斯神經網絡的設定輸入尺寸和隱藏層數目，進而構建貝葉斯神經網絡，并記貝葉斯神經網絡中的所有參數為W，訓練數據為D，并構成未知分布P(W|D)；

3.2)采用變分估計法對貝葉斯神經網絡的未知分布P(W|D)進行近似，得到其近似分布q(W|θ)，其中，θ為近似分布q的參數；

3.3)根據貝葉斯公式對步驟3.2)中的近似分布q(W|θ)進行轉換，并采用蒙特卡洛采樣方法得到貝葉斯神經網絡結構的損失函數；

3.4)基于步驟3.3)得到的損失函數，利用反向傳播算法對貝葉斯神經網絡進行訓練；

4)利用步驟2)中的訓練數據集對步驟3)中構建的貝葉斯神經網絡進行訓練，得到訓練好的貝葉斯神經網絡；

5)利用步驟4)中訓練好的貝葉斯神經網絡對測試數據集進行測試，得到測試數據集的出行方式識別結果。

2.如權利要求1所述的一種基于貝葉斯神經網絡的出行方式識別方法，其特征在于：所述步驟1.1)中，原始數據中每兩個軌跡點之間的時間間隔不超過10秒。

3.如權利要求1所述的一種基于貝葉斯神經網絡的出行方式識別方法，其特征在于：所述步驟1.2)中，計算各條出行子軌跡段的近似速度向量s的方法為：

1.2.1)計算每條出行子軌跡段中所有出行軌跡點之間的時間間隔，得到每條出行子軌跡段的時間間隔向量t；

1.2.2)計算每條出行子軌跡段中所有軌跡點之間的曼哈頓距離值，得到每條出行子軌跡段的距離間隔向量d；

1.2.3)用每條出行子軌跡段的距離間隔向量d除以時間間隔向量t，得到每條出行子軌跡段的近似速度向量s。

4.如權利要求1所述的一種基于貝葉斯神經網絡的出行方式識別方法，其特征在于：所述步驟1.3)中，對步驟1.2)中得到的所有出行子軌跡段的近似速度向量s進行處理，得到預處理后的數據集的方法，包括以下步驟：

1.3.1)計算每個近似速度向量s的平均速度v；

1.3.2)計算每個近似速度向量s的標準差δ；

1.3.3)對于每個近似速度向量s，遍歷其每個元素s_i，如|s_i-v|3δ，則元素s_i將被視為漂移速度從s中刪除，進而得到預處理后的數據集。