[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

本發明涉及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；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；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；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。本發明可以廣泛應用于智能交通和模式識別領域。

技術領域

本發明屬于交通數據分析領域，特別是涉及一種基于貝葉斯神經網絡的出行方式識別方法。

背景技術

隨著現代計算機技術和智能交通研究的蓬勃發展，模式識別技術得到了極大的擴充，衍生出了很多適應現代數據種類和量級變化的新方法。近年來，神經網絡技術成為主流，并成功的被用于各種場景和行業中，取得了前所未有的成功。但是，盡管如此，神經網絡技術也逐漸凸顯出一些不足。首先，目前所使用的傳統神經網絡技術非常容易陷入過擬合的困境，尤其是對于小數據集。其次，傳統神經網絡的泛化能力不強。用某個數據集訓練的模型，在相同或者相似數據集上表現尚可，如果換做同一個任務下的不同場景，其表現極差。最后，目前的傳統神經網絡無法對網絡的輸出進行評估，即無法對輸出進行不確定性評估，而對于實際應用來說，是非常重要的。

出行方式識別是交通領域的一個基礎性問題，對于居民出行調查、交通規劃、交通管理等方面具有十分重要的意義。隨著大數據時代的到來，海量的交通數據分析代替了傳統的問卷調查，多源異構交通數據對出行方式識別帶來了新的問題，第一，多源異構交通數據質量參差不齊，而傳統神經網絡對大噪聲數據處理能力有限，適用性較低；第二、傳統神經網絡算法的特征提取方法在處理海量交通數據方面效率低；第三、傳統神經網絡對出行方式的識別精度有限，且識別方法極易陷入過擬合。

發明內容

針對上述問題，本發明的目的是提供一種基于貝葉斯神經網絡的出行方式識別方法，該方法利用基于變分推斷的貝葉斯神經網絡和反向傳播算法，以速度統計直方圖特征為輸入，得到出行方式的識別結果。有效提高了出行方式識別的穩定性和質量。

為實現上述目的，本發明采取以下技術方案：一種基于貝葉斯神經網絡的出行方式識別方法，其包括以下步驟：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；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；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；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。

進一步的，所述步驟1)中，對原始交通出行數據進行預處理，得到預處理后的數據集的方法，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。

進一步的，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。

進一步的，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。