一种基于朴素贝叶斯的车辆类型分类算法的制作方法

1.本发明涉及涉及智能交通技术领域，具体为一种基于朴素贝叶斯的车辆类型分类算法。


背景技术：

2.智能交通系统又称智能运输系统，是将先进的科学技术，信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等，有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
3.现有的车辆类型分类算法存在以下缺点：(1)需要额外安装传感器设备，且依赖传感器精度及对车辆长度评估的准确性；(2)该算法(包括atda算法)仅适用于正常的交通流状况，车流量较大的情况下车辆信号的叠加会影响车辆检测及分类性能；交通拥塞状态下的车辆检测和分类仍是人们在将来的研究中需要解决的一个重要问题。


技术实现要素：

4.本发明的目的在于提供一种基于朴素贝叶斯的车辆类型分类算法，具备基于车辆轨迹的实时路况计算中，可以有效识别出车辆类型，并针对不同车辆类型可有效的进行异常车辆过滤、特征模型处理、特征车辆类型处理，保证路况计算更准确的优点，解决了由于实时道路环境特别复杂，不同的车辆类型在不同的道路场景对实时路况的影响因素各不相同，为了更准确率的计算出实时路况速度及状态，对车辆类型的依赖程度很高的问题。
5.为实现上述目的，本发明提供如下技术方案：一种基于朴素贝叶斯的车辆类型分类算法，其分类算法包括以下步骤：
6.a：分类算法，将单车的sdr点对的轨迹信息转换为基于link轨迹信息jlink，先根据gps点垂足位置或link的边界将sdr轨迹路径打断，然后计算每个虚拟点在该link的进入、退出时间及距离；
7.进入时间：intime＝sdrstgpstime
ꢀꢀ
(1)
8.退出时间：outtime＝sdredgpstime
ꢀꢀ
(2)
9.进入距离：inpositiontosnode＝sdrenterdistance
ꢀꢀ
(3)
10.退出距离：outpositiontosnode＝sdrquitdistance
ꢀꢀ
(4)；
11.b：如果该sdr点对只包含n根link，只会生成n条jlink数据，第1根link：
12.进入时间：同公式intime＝sdrstgpstime
ꢀꢀ
(1)
13.退出时间：退出时间：
14.tracetime＝(sdredgpstime
‑
sdrstgpstime
‑
stwaittime)*tralenrati
ꢀꢀ
(6)
15.lastouttime＝lastouttime tracetime
ꢀꢀ
(7)
16.由公式(5)(6)(7)推算出：outtime＝lastouttime
17.进入距离：inpositiontosnode＝sdrenterdistance
ꢀꢀ
(8)
18.退出距离：outpositiontosnode＝currlinklen
ꢀꢀ
(9)
19.第2根到n
‑
1根link：
20.进入时间：intime＝lastouttime
ꢀꢀ
(10)
21.退出时间：
[0022][0023]
由公式(11)(6)(7)推算出：outtime＝lastouttime
[0024]
进入距离：inpositiontosnode＝0
ꢀꢀ
(12)
[0025]
退出距离：同公式outpositiontosnode＝currlinklen
ꢀꢀ
(9)
[0026]
第n根link：进入时间：intime＝lastouttime
ꢀꢀ
(13)
[0027]
退出时间：同公式outtime＝sdredgpstime
ꢀꢀ
(2)
[0028]
进入距离：同公式inpositiontosnode＝0
ꢀꢀ
(12)
[0029]
退出距离：同公式outpositiontosnode＝sdrquitdistance
ꢀꢀ
(4)；
[0030]
c：对jlink进行处理，生成slink中的速度v，将jlink数据按照车辆、link进行分组，使用速度平均算法，计算出slink，单车速度vc：
[0031][0032]
d：根据link和车辆信息及路网特征做关联，并生成标签，单车速度特征算法：
[0033]
单车速度与限速下限速度差值：vdi＝vc
‑
vm(min)
ꢀꢀ
(15)
[0034]
限速上限速度与单车速度差值：vda＝vm(mian)
‑
vc
ꢀꢀ
(16)；
[0035]
e：使用贝叶斯算法生成模型：
[0036]
求每种车辆类型的先验概率：
[0037]
计算条件概率：结合公式(17)结合特征推算出：
[0038]
计算属于各个类别的概率：
[0039]
选取概率值最大的作为该车辆的最终类别。
[0040]
优选的，所述步骤a中sdrstgpstime—sdr起始点gps时间，sdredgpstime—sdr结束点gps时间，sdrenterdistance—sdr起始点垂足点距离link起点距离，sdrquitdistance—sdr结束垂足点距离link起点距离。
[0041]
优选的，所述步骤b中tralenrati1—第1根link占整个sdr两个gps点路径实际距离的占比，stwaittime—sdr起始点gps等待时间—当前计算link的长度。
[0042]
优选的，所述步骤b中lastouttime—前一根link的退出时间，tralenrati(2
‑
(n
‑
1)))—sdr路径中第2根到n
‑
1根link占整个sdr两个gps点路径实际距离的占比。
[0043]
优选的，所述步骤c中l—jlink中的实际路径长度，t—jlink中的实际走行时间，
n—单车在单link上的jlink数。
[0044]
优选的，所述步骤d中vm(min)—link限速下限速度，vm(man)—link限速上限速度。
[0045]
优选的，所述步骤e中count(y)—所有样本中当前类别的数量，count(y)—所有样本总量，p—表示概率，x—表示特征，y—表示标签。
[0046]
优选的，所述link：组成道路的最小的数字化单元，sdr：点对的轨迹信息，描述单车两个gps点对的信息及所经过的所有link的信息，jlink：基于单link、单车的虚拟点对轨迹信息，描述单link、单车两个虚拟gps点对的详细信息及所link的详细信息，通过对sdr数据处理得出，slink：基于单车、完整link的车辆实时动态信息。
[0047]
与现有技术相比，本发明的有益效果如下：
[0048]
1、本发明采集车辆对地磁场的磁扰动特征信号，并根据邻接传感器网络本身的几何特性估计车辆长度，最后采用bp神经网络对车辆进行分类，经网络的输入包括车辆长度、速度以及特征向量序列，输出为预定义的车辆类型。
[0049]
2、本发明通过对已知不同车辆类型的sdr数据进行预处理，获取link和速度，并加入地图数据中的道路上下限速、坡度、曲率及道路属性信息，映射出同一类link上的不同类型车辆的行为信息及车辆类型的数据集，然后使用朴素贝叶斯算法训练模型生成最优版模型后，再对未知类型车辆数据进行预测，生成车辆类型。
附图说明
[0050]
图1为本发明计算流程图。
具体实施方式
[0051]
请参阅图1，一种基于朴素贝叶斯的车辆类型分类算法，其分类算法包括以下步骤：
[0052]
a：分类算法，将单车的sdr点对的轨迹信息转换为基于link轨迹信息jlink，先根据gps点垂足位置或link的边界将sdr轨迹路径打断，然后计算每个虚拟点在该link的进入、退出时间及距离；
[0053]
进入时间：intime＝sdrstgpstime
ꢀꢀ
(1)
[0054]
退出时间：outtime＝sdredgpstime
ꢀꢀ
(2)
[0055]
进入距离：inpositiontosnode＝sdrenterdistance
ꢀꢀ
(3)
[0056]
退出距离：outpositiontosnode＝sdrquitdistance
ꢀꢀ
(4)；
[0057]
b：如果该sdr点对只包含n根link，只会生成n条jlink数据，第1根link：
[0058]
进入时间：同公式intime＝sdrstgpstime
ꢀꢀ
(1)
[0059]
退出时间：退出时间：
[0060]
tracetime＝(sdredgpstime
‑
sdrstgpstime
‑
stwaittime)*tralenrati
ꢀꢀ
(6)
[0061]
lastouttime＝lastouttime tracetime
ꢀꢀ
(7)
[0062]
由公式(5)(6)(7)推算出：outtime＝lastouttime
[0063]
进入距离：inpositiontosnode＝sdrenterdistance
ꢀꢀ
(8)
[0064]
退出距离：outpositiontosnode＝currlinklen
ꢀꢀ
(9)
[0065]
第2根到n
‑
1根link：
[0066]
进入时间：intime＝lastouttime
ꢀꢀ
(10)
[0067]
退出时间：
[0068][0069]
由公式(11)(6)(7)推算出：outtime＝lastouttime
[0070]
进入距离：inpositiontosnode＝0
ꢀꢀ
(12)
[0071]
退出距离：同公式outpositiontosnode＝currlinklen
ꢀꢀ
(9)
[0072]
第n根link：进入时间：intime＝lastouttime
ꢀꢀ
(13)
[0073]
退出时间：同公式outtime＝sdredgpstime
ꢀꢀ
(2)
[0074]
进入距离：同公式inpositiontosnode＝0
ꢀꢀ
(12)
[0075]
退出距离：同公式outpositiontosnode＝sdrquitdistance
ꢀꢀ
(4)；
[0076]
c：对jlink进行处理，生成slink中的速度v，将jlink数据按照车辆、link进行分组，使用速度平均算法，计算出slink，单车速度vc：
[0077][0078]
d：根据link和车辆信息及路网特征做关联，并生成标签，单车速度特征算法：
[0079]
单车速度与限速下限速度差值：vdi＝vc
‑
vm(min)
ꢀꢀ
(15)
[0080]
限速上限速度与单车速度差值：vda＝vm(mian)
‑
vc
ꢀꢀ
(16)；
[0081]
e：使用贝叶斯算法生成模型：
[0082]
求每种车辆类型的先验概率：
[0083]
计算条件概率：结合公式(17)结合特征推算出：
[0084]
计算属于各个类别的概率：
[0085]
选取概率值最大的作为该车辆的最终类别。
[0086]
步骤a中sdrstgpstime—sdr起始点gps时间，sdredgpstime—sdr结束点gps时间，sdrenterdistance—sdr起始点垂足点距离link起点距离，sdrquitdistance—sdr结束垂足点距离link起点距离。
[0087]
步骤b中tralenrati1—第1根link占整个sdr两个gps点路径实际距离的占比，stwaittime—sdr起始点gps等待时间—当前计算link的长度。
[0088]
步骤b中lastouttime—前一根link的退出时间，tralenrati(2
‑
(n
‑
1)))—sdr路径中第2根到n
‑
1根link占整个sdr两个gps点路径实际距离的占比。
[0089]
步骤c中l—jlink中的实际路径长度，t—jlink中的实际走行时间，n—单车在单link上的jlink数。
[0090]
步骤d中vm(min)—link限速下限速度，vm(man)—link限速上限速度。
[0091]
步骤e中count(y)—所有样本中当前类别的数量，count(y)—所有样本总量，p—表示概率，x—表示特征，y—表示标签。
[0092]
link：组成道路的最小的数字化单元，sdr：点对的轨迹信息，描述单车两个gps点对的信息及所经过的所有link的信息，jlink：基于单link、单车的虚拟点对轨迹信息，描述单link、单车两个虚拟gps点对的详细信息及所link的详细信息，通过对sdr数据处理得出，slink：基于单车、完整link的车辆实时动态信息。
[0093]
实施例一：
[0094]
一种基于朴素贝叶斯的车辆类型分类算法，其分类算法包括以下步骤：
[0095]
a：分类算法，将单车的sdr点对的轨迹信息转换为基于link轨迹信息jlink，先根据gps点垂足位置或link的边界将sdr轨迹路径打断，然后计算每个虚拟点在该link的进入、退出时间及距离；
[0096]
进入时间：intime＝sdrstgpstime
ꢀꢀ
(1)
[0097]
退出时间：outtime＝sdredgpstime
ꢀꢀ
(2)
[0098]
进入距离：inpositiontosnode＝sdrenterdistance
ꢀꢀ
(3)
[0099]
退出距离：outpositiontosnode＝sdrquitdistance
ꢀꢀ
(4)；
[0100]
b：如果该sdr点对只包含n根link，只会生成n条jlink数据，第1根link：
[0101]
进入时间：同公式intime＝sdrstgpstime
ꢀꢀ
(1)
[0102]
退出时间：退出时间：
[0103]
tracetime＝(sdredgpstime
‑
sdrstgpstime
‑
stwaittime)*tralenrati
ꢀꢀ
(6)
[0104]
lastouttime＝lastouttime tracetime
ꢀꢀ
(7)
[0105]
由公式(5)(6)(7)推算出：outtime＝lastouttime
[0106]
进入距离：inpositiontosnode＝sdrenterdistance
ꢀꢀ
(8)
[0107]
退出距离：outpositiontosnode＝currlinklen
ꢀꢀ
(9)
[0108]
第2根到n
‑
1根link：
[0109]
进入时间：intime＝lastouttime
ꢀꢀ
(10)
[0110]
退出时间：
[0111][0112]
由公式(11)(6)(7)推算出：outtime＝lastouttime
[0113]
进入距离：inpositiontosnode＝0
ꢀꢀ
(12)
[0114]
退出距离：同公式outpositiontosnode＝currlinklen
ꢀꢀ
(9)
[0115]
第n根link：进入时间：intime＝lastouttime
ꢀꢀ
(13)
[0116]
退出时间：同公式outtime＝sdredgpstime
ꢀꢀ
(2)
[0117]
进入距离：同公式inpositiontosnode＝0
ꢀꢀ
(12)
[0118]
退出距离：同公式outpositiontosnode＝sdrquitdistance
ꢀꢀ
(4)；
[0119]
c：对jlink进行处理，生成slink中的速度v，将jlink数据按照车辆、link进行分
组，使用速度平均算法，计算出slink，单车速度vc：
[0120][0121]
d：根据link和车辆信息及路网特征做关联，并生成标签，单车速度特征算法：
[0122]
单车速度与限速下限速度差值：vdi＝vc
‑
vm(min)
ꢀꢀ
(15)
[0123]
限速上限速度与单车速度差值：vda＝vm(mian)
‑
vc
ꢀꢀ
(16)；
[0124]
e：使用贝叶斯算法生成模型：
[0125]
求每种车辆类型的先验概率：
[0126]
计算条件概率：结合公式(17)结合特征推算出：
[0127]
计算属于各个类别的概率：
[0128]
选取概率值最大的作为该车辆的最终类别。
[0129]
步骤a中sdrstgpstime—sdr起始点gps时间，sdredgpstime—sdr结束点gps时间，sdrenterdistance—sdr起始点垂足点距离link起点距离，sdrquitdistance—sdr结束垂足点距离link起点距离。
[0130]
步骤b中tralenrati1—第1根link占整个sdr两个gps点路径实际距离的占比，stwaittime—sdr起始点gps等待时间—当前计算link的长度。
[0131]
步骤b中lastouttime—前一根link的退出时间，tralenrati(2
‑
(n
‑
1)))—sdr路径中第2根到n
‑
1根link占整个sdr两个gps点路径实际距离的占比。
[0132]
步骤c中l—jlink中的实际路径长度，t—jlink中的实际走行时间，n—单车在单link上的jlink数。
[0133]
步骤d中vm(min)—link限速下限速度，vm(man)—link限速上限速度。
[0134]
步骤e中count(y)—所有样本中当前类别的数量，count(y)—所有样本总量，p—表示概率，x—表示特征，y—表示标签。
[0135]
实施例二：
[0136]
一种基于朴素贝叶斯的车辆类型分类算法，其分类算法包括以下步骤：
[0137]
a：分类算法，将单车的sdr点对的轨迹信息转换为基于link轨迹信息jlink，先根据gps点垂足位置或link的边界将sdr轨迹路径打断，然后计算每个虚拟点在该link的进入、退出时间及距离；
[0138]
进入时间：intime＝sdrstgpstime
ꢀꢀ
(1)
[0139]
退出时间：outtime＝sdredgpstime
ꢀꢀ
(2)
[0140]
进入距离：inpositiontosnode＝sdrenterdistance
ꢀꢀ
(3)
[0141]
退出距离：outpositiontosnode＝sdrquitdistance
ꢀꢀ
(4)；
[0142]
b：如果该sdr点对只包含n根link，只会生成n条jlink数据，第1根link：
[0143]
进入时间：同公式intime＝sdrstgpstime
ꢀꢀ
(1)
[0144]
退出时间：
[0145]
tracetime＝(sdredgpstime
‑
sdrstgpstime
‑
stwaittime)*tralenrati
ꢀꢀ
(6)
[0146]
lastouttime＝lastouttime tracetime
ꢀꢀ
(7)
[0147]
由公式(5)(6)(7)推算出：outtime＝lastouttime
[0148]
进入距离：inpositiontosnode＝sdrenterdistance
ꢀꢀ
(8)
[0149]
退出距离：outpositiontosnode＝currlinklen
ꢀꢀ
(9)
[0150]
第2根到n
‑
1根link：
[0151]
进入时间：intime＝lastouttime
ꢀꢀ
(10)
[0152]
退出时间：
[0153][0154]
由公式(11)(6)(7)推算出：outtime＝lastouttime
[0155]
进入距离：inpositiontosnode＝0
ꢀꢀ
(12)
[0156]
退出距离：同公式outpositiontosnode＝currlinklen
ꢀꢀ
(9)
[0157]
第n根link：进入时间：intime＝lastouttime
ꢀꢀ
(13)
[0158]
退出时间：同公式outtime＝sdredgpstime
ꢀꢀ
(2)
[0159]
进入距离：同公式inpositiontosnode＝0
ꢀꢀ
(12)
[0160]
退出距离：同公式outpositiontosnode＝sdrquitdistance
ꢀꢀ
(4)；
[0161]
c：对jlink进行处理，生成slink中的速度v，将jlink数据按照车辆、link进行分组，使用速度平均算法，计算出slink，单车速度vc：
[0162][0163]
d：根据link和车辆信息及路网特征做关联，并生成标签，单车速度特征算法：
[0164]
单车速度与限速下限速度差值：vdi＝vc
‑
vm(min)
ꢀꢀ
(15)
[0165]
限速上限速度与单车速度差值：vda＝vm(mian)
‑
vc
ꢀꢀ
(16)；
[0166]
e：使用贝叶斯算法生成模型：
[0167]
求每种车辆类型的先验概率：
[0168]
计算条件概率：结合公式(17)结合特征推算出：
[0169]
计算属于各个类别的概率：
[0170]
选取概率值最大的作为该车辆的最终类别。
[0171]
步骤a中sdrstgpstime—sdr起始点gps时间，sdredgpstime—sdr结束点gps时间，sdrenterdistance—sdr起始点垂足点距离link起点距离，sdrquitdistance—sdr结束垂足点距离link起点距离。
[0172]
步骤b中tralenrati1—第1根link占整个sdr两个gps点路径实际距离的占比，
stwaittime—sdr起始点gps等待时间—当前计算link的长度。
[0173]
步骤b中lastouttime—前一根link的退出时间，tralenrati(2
‑
(n
‑
1)))—sdr路径中第2根到n
‑
1根link占整个sdr两个gps点路径实际距离的占比。
[0174]
步骤c中l—jlink中的实际路径长度，t—jlink中的实际走行时间，n—单车在单link上的jlink数。
[0175]
步骤d中vm(min)—link限速下限速度，vm(man)—link限速上限速度。
[0176]
实施例三：
[0177]
一种基于朴素贝叶斯的车辆类型分类算法，其分类算法包括以下步骤：
[0178]
a：分类算法，将单车的sdr点对的轨迹信息转换为基于link轨迹信息jlink，先根据gps点垂足位置或link的边界将sdr轨迹路径打断，然后计算每个虚拟点在该link的进入、退出时间及距离；
[0179]
进入时间：intime＝sdrstgpstime
ꢀꢀ
(1)
[0180]
退出时间：outtime＝sdredgpstime
ꢀꢀ
(2)
[0181]
进入距离：inpositiontosnode＝sdrenterdistance
ꢀꢀ
(3)
[0182]
退出距离：outpositiontosnode＝sdrquitdistance
ꢀꢀ
(4)；
[0183]
b：如果该sdr点对只包含n根link，只会生成n条jlink数据，第1根link：
[0184]
进入时间：同公式intime＝sdrstgpstime
ꢀꢀ
(1)
[0185]
退出时间：退出时间：
[0186]
tracetime＝(sdredgpstime
‑
sdrstgpstime
‑
stwaittime)*tralenrati
ꢀꢀ
(6)
[0187]
lastouttime＝lastouttime tracetime
ꢀꢀ
(7)
[0188]
由公式(5)(6)(7)推算出：outtime＝lastouttime
[0189]
进入距离：inpositiontosnode＝sdrenterdistance
ꢀꢀ
(8)
[0190]
退出距离：outpositiontosnode＝currlinklen
ꢀꢀ
(9)
[0191]
第2根到n
‑
1根link：
[0192]
进入时间：intime＝lastouttime
ꢀꢀ
(10)
[0193]
退出时间：
[0194][0195]
由公式(11)(6)(7)推算出：outtime＝lastouttime
[0196]
进入距离：inpositiontosnode＝0
ꢀꢀ
(12)
[0197]
退出距离：同公式outpositiontosnode＝currlinklen
ꢀꢀ
(9)
[0198]
第n根link：进入时间：intime＝lastouttime
ꢀꢀ
(13)
[0199]
退出时间：同公式outtime＝sdredgpstime
ꢀꢀ
(2)
[0200]
进入距离：同公式inpositiontosnode＝0
ꢀꢀ
(12)
[0201]
退出距离：同公式outpositiontosnode＝sdrquitdistance
ꢀꢀ
(4)；
[0202]
c：对jlink进行处理，生成slink中的速度v，将jlink数据按照车辆、link进行分组，使用速度平均算法，计算出slink，单车速度vc：
[0203][0204]
d：根据link和车辆信息及路网特征做关联，并生成标签，单车速度特征算法：
[0205]
单车速度与限速下限速度差值：vdi＝vc
‑
vm(min)
ꢀꢀ
(15)
[0206]
限速上限速度与单车速度差值：vda＝vm(mian)
‑
vc
ꢀꢀ
(16)；
[0207]
e：使用贝叶斯算法生成模型：
[0208]
求每种车辆类型的先验概率：
[0209]
计算条件概率：结合公式(17)结合特征推算出：
[0210]
计算属于各个类别的概率：
[0211]
选取概率值最大的作为该车辆的最终类别。
[0212]
步骤a中sdrstgpstime—sdr起始点gps时间，sdredgpstime—sdr结束点gps时间，sdrenterdistance—sdr起始点垂足点距离link起点距离，sdrquitdistance—sdr结束垂足点距离link起点距离。
[0213]
步骤b中tralenrati1—第1根link占整个sdr两个gps点路径实际距离的占比，stwaittime—sdr起始点gps等待时间—当前计算link的长度。
[0214]
步骤b中lastouttime—前一根link的退出时间，tralenrati(2
‑
(n
‑
1)))—sdr路径中第2根到n
‑
1根link占整个sdr两个gps点路径实际距离的占比。
[0215]
各车辆类型与上下限速、坡度、曲率及道路属性信息速度分类标签
[0216][0217]
综上所述：该基于朴素贝叶斯的车辆类型分类算法，解决了由于实时道路环境特别复杂，不同的车辆类型在不同的道路场景对实时路况的影响因素各不相同，为了更准确率的计算出实时路况速度及状态，对车辆类型的依赖程度很高的问题。