CN105718956A - 基于支持向量机的超载判断方法 - Google Patents

Abstract

一种基于支持向量机的超载判断方法，包括如下步骤：步骤1，建立分类器；步骤2，获取GPS定位数据；步骤3，通过分类器判断车辆是否超载。步骤1包括：步骤1.1，建立训练样本；步骤1.2，选择支持向量机模型；步骤1.3，输入样本标准化；步骤1.4，处理样本数据；步骤1.5，完成训练。步骤1.2中，支持向量机模型包括训练模型和核函数。步骤1.4中，处理样本数据为根据对偶问题利用序贯最小优化算法求解拉格朗日乘子α_i，找出对应的支持向量以及分类超平面系数b，建立训练数据的最优决策超平面。步骤2中，GPS定位数据包括速度、里程、平均速度、平均加速度和启动加速度。本发明能根据GPS定位数据判断车辆是否超载。

Description

基于支持向量机的超载判断方法

技术领域

本发明涉及物理领域，尤其涉及GPS定位数据处理技术，特别是一种基于支持向量机的超载判断方法。

背景技术

车辆超载具有极大的危害性，主要表现在加速道路损坏和危害道路交通安全，所以，治理超载一直是公路监管部门的工作重点。现有的超载监测方法都是在固定的位置建立监测站，如在高速公路出口或交通流量大的路段设置装备有称重设备的监测站。该方法的缺点是：监测站必须有专人值班、建站成本高(称重设备昂贵)、称重设备维护成本高、占地面积大、监测覆盖车辆少、需要有人24小时监测(监测人力成本高)。

发明内容

本发明的目的在于提供一种提高工作效率的基于支持向量机的超载判断方法。

为解决上述技术问题，本发明基于支持向量机的超载判断方法，包括如下步骤：步骤1，建立分类器；步骤2，获取GPS定位数据；步骤3，通过分类器判断车辆是否超载。

步骤1包括：步骤1.1，建立训练样本；步骤1.2，选择支持向量机模型；步骤1.3，输入样本标准化；步骤1.4，处理样本数据；步骤1.5，完成训练。

步骤1.2中，支持向量机模型包括训练模型和核函数。

步骤1.4中，处理样本数据为根据对偶问题利用序贯最小优化算法求解拉格朗日乘子α_i，找出对应的支持向量以及分类超平面系数b，建立训练数据的最优决策超平面。

步骤2中，GPS定位数据包括速度、里程、平均速度、平均加速度和启动加速度。

本发明基于支持向量机的超载判断方法能根据GPS定位数据判断车辆是否超载。

附图说明

图1为本发明基于支持向量机的超载判断方法判断流程图；

图2为本发明基于支持向量机的超载判断方法支持向量机增量学习算法结构图；

图3为本发明基于支持向量机的超载判断方法三层并行支持向量机模型图；

图4为本发明基于支持向量机的超载判断方法并行支持向量机实现流程图。

具体实施方式

下面结合附图对本发明基于支持向量机的超载判断方法作进一步详细说明。

如图1～图4所示，本发明基于支持向量机的超载判断方法的支持向量机是处理两类分类问题，假定n个样本D＝{(x_i,y_i)|i＝1,2,…,n},x_i∈Rⁿ,y_i∈{-1,+1}，其中x_i表示第i个输入样本向量，y_i表示第i个输入样本的类标签，能被一个超平面H:w·x+b＝0正确地分开，支持向量机的目的就是采用下式构建分类超平面对所有样本进行正确分类

$min\frac{1}{2}\left|\right|w^2\left|\right|=min\frac{1}{2}{w}^{T}w---\left(1\right)$

s.t.y_i[(w·x_i)+b]-1≥0,i＝1,2,…,n(2)

式中：w是控制分类间隔的系数,x_i是输入样本向量，b是常数项。

这是一个凸二次规划优化问题，其解可以通过求解下面的拉格朗日函数获得，即

$L(w,b,\mathrm{\α})=\frac{1}{2}{w}^{T}w-\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i\{y_i\[(w\·x_i)+b\]-1\}---\left(3\right)$

式中：α_i≥0为拉格朗日乘子。

分别对w和b求偏导，并令它们为0，有

$\left\{\begin{array}{c}\frac{\∂L(w,b,\mathrm{\α})}{\∂w}=0\⇒w=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_i{x}_i\\ \frac{\∂L(w,b,\mathrm{\α})}{\∂b}=0\⇒\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_i=0\end{array}\right.---\left(4\right)$

将(4)式代入(3)式有

$L(w,b,\mathrm{\α})=\frac{1}{2}\underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j\left(x_i{x}_j\right)-\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_j---\left(5\right)$

则原始的优化问题转化为如下的对偶问题

$\underset{\mathrm{\α}}{min}\frac{1}{2}\underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j\left(x_i{x}_j\right)-\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_j$

$s.t.\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\Σ}}{y}_i{\mathrm{\α}}_i=0\\ {\mathrm{\α}}_i\≥0,i=1,2,...,n\end{array}\right.---\left(6\right)$

求解问题(6)，若为最优解，则

$w^{*}=\underset{i=1}{\overset{n}{\Σ}}{{\mathrm{\α}}_i}^{*}{y}_i{x}_i---\left(7\right)$

$b^{*}=-(w^{*}\·\underset{i=1}{\overset{n}{\Σ}}{{\mathrm{\α}}_i}^{*}{x}_i)/\left(2\underset{i=1}{\overset{n}{\Σ}}{{\mathrm{\α}}_i}^{*}\right)---\left(8\right)$

式中，是不为零的样本，即支持向量，因此，最优分类平面的权系数向量是支持向量的线性组合。

b^*是分类阈值，通过上述方程解出得到最优的分类平面函数为

$f\left(x\right)=sgn\left(\underset{i=1}{\overset{n}{\Σ}}{{\mathrm{\α}}_i}^{*}{y}_i\right(x\·x_i)+b^{*})---\left(9\right)$

式中：sgn是符号函数。

通过这个判别式，就可以得出新输入的数据类别。

对于线性不可分的情况，对于训练集D不存在这样的超平面，使训练集关于该超平面的几何间隔取正值，如果要用超平面来划分的话，必然有错分的点。这时应引入松弛变量ξ_i≥0。其原始问题优化问题为：

$\underset{w,b,\mathrm{\ξ}}{min}\frac{1}{2}\left|\right|w|{|}^2+C\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i$

$s.t.\left\{\begin{array}{c}{y}_i\left(\right(w\·x_i)+b)\≥1-{\mathrm{\ξ}}_i,i=1,2,...,n\\ {\mathrm{\ξ}}_i\≥0,i=1,2,...,n\end{array}\right.---\left(10\right)$

式中：C是惩罚参数。

问题(10)对应的对偶问题为：

$\underset{\mathrm{\α}}{min}\frac{1}{2}\underset{i=1}{\overset{n}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i\·x_j)-\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_j$

$s.t.\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\Σ}}{y}_i{\mathrm{\α}}_i=0\\ C\≥{\mathrm{\α}}_i\≥0,i=1,2,...,n\end{array}\right.---\left(11\right)$

式中：K(x_i·x_j)为多项式核函数。

求解对偶问题(11)，可以得到如下的决策函数：

$f\left(x\right)=\mathrm{sgn}\left(\underset{i=1}{\overset{n}{\Σ}}{{\mathrm{\α}}_i}^{*}{y}_{i}K\right(x\·x_i)+b^{*})---\left(12\right)$

在超载判断分析过程中，我们选取的核函数为多项式核函数：

K(x·x_i)＝((x·x′)+c)^d(13)

式中：c是常数项。

预测判断,对GPS定位产生的数据进行清洗，选取其中的速度、里程，根据时间间隔，计算出平均速度、平均加速度，启动加速度，将提取出的数据进行标准化，利用支持向量机模型进行判断，如果输出y＝+1，则车辆为未超载，否则输出y＝-1，表示车辆超载。从而达到对车辆是否超载的判断。

2)实施步骤

数据清洗方法，首先对速度值进行聚类，去除数据集中异常的一些数据，然后设x_ij表示第i(i＝1,2,…,n)个目标第j(j＝1,2,…,m)个指标的指示值，则x_ij的标准化值为 ${x_{ij}}^{*}=\frac{x_{ij}-{\stackrel{\‾}{x}}_j}{{\mathrm{\σ}}_j},$ 其中 ${\stackrel{\‾}{x}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{x}_{ij},{\mathrm{\σ}}_j=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\Σ}}{(x_{ij}-{\stackrel{\‾}{x}}_j)}^2}.$

基于SVM进行车辆超载判断，其训练算法分为两个阶段。首先，通过已知的未超载和各种超载状态下的样本对SVM进行训练，找到样本中的支持向量，据此确定最优分类超平面。然后，测试集样本根据最优分类面作出判断决策，算法的基本步骤包括：

(1)学习阶段。

第一步：建立训练样本集{x_i,y_i}(i＝1,2,…,M)。

第二步：选择SVM模型，包括选择合适的核函数H(x,x_i)及有关参数。

第三步：输入样本标准化。目的是为了将输入数据标定在核函数要求的范围之内。

第四步：根据对偶问题利用序贯最小优化算法求解拉格朗日乘子α_i，找出对应的支持向量SV以及分类超平面系数b。

第五步：建立训练数据的最优决策超平面，完成训练过程。

(2)超载模式的识别阶段。

第一步：装入SVM学习阶段的有关数据。

第二步：输入待判断数据，利用最优决策函数计算其输出值，作出分类决策。

3)实现方法

针对GPS定位数据的数据量巨大的问题，本发明采用一种基于分块法的增量学习方法，在待学习的样本集中选择一部分样本构成训练样本集进行训练，去除其中的非支持向量；用训练结果对剩余样本进行检验，将不符合训练结果的样本与第一步中保留支持向量合并成一个新的训练样本集，然后重新训练；重复这两个步骤，直到获得最优结果。具体实现过程为：先将需要训练的样本集划分成若干不相交的子集，每次只使用其中一个子集进行训练，保留可以代表整个特征的支持向量，并将其加入到下一个子集中再次训练，以此类推，直到所有的样本子集都训练完毕，最终得到支持向量集和分类超平面。

为了提高超载判别的精度，需要大量的数据进行训练，本发明采用一种基于hadoopMapReduce的并行支持向量机的方法，该方法采用类似级联的方法，基于MapReduce模型将数据分成多个子训练集，并分层级联，对每个字数据集进行并行训练，得到支持向量集，从而得出分类模型。并在训练过程中，为了减少训练样本的分布差异过大而对分类产生的潜在影响，该算法还采用了反馈的方法对得到的分类器进行优化。

根据HadoopMapReduce平台的实现机制，本发明提出了并行支持向量机算法。首先将样本集均匀且随机地分为若干组，分别对这些小数据块进行训练优化，得到各个小数据块的支持向量，然后再进行合并，重复上述过程。

以三层并行支持向量机为例，模型如图3所示。在第一层，首先通过Map过程将车辆定位数据集进行分块，然后在Reduce过程中，将每一个小数据集进行训练，输出相应的支持向量，将其整合在一起。在整合的过程中，本发明采用一个反馈优化的方法。第二层重复第一层的操作。最后一层不需要再对数据集进行分块，即不需要再进行Map操作，只要在Reduce过程中训练数据，得到其支持向量，并输出所得到的训练模型。

并行支持向量机实现过程如下，其流程图如图4所示：

(1)对当前迭代层数进行判断。

(2)如果迭代层数i∈[1,n]，则Map过程将数据集均匀且随机地分成2^n-i个小数据块，Reduce过程对每个小数据块分别进行独立地训练，得到支持向量并反馈优化输出，此时迭代的层数减去1。

(3)否则，算法迭代运行结束，输出训练模型。

通过训练出来的模型，对未知车辆定位数据进行判断是否超载，输出判断结果。以上已对本发明创造的较佳实施例进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明创造精神的前提下还可作出种种的等同的变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (5)

1.一种基于支持向量机的超载判断方法，其特征在于，包括如下步骤：步骤1，建立分类器；步骤2，获取GPS定位数据；步骤3，通过分类器判断车辆是否超载；其中，

步骤1包括：步骤1.1，建立训练样本；步骤1.2，选择支持向量机模型；步骤1.3，输入样本标准化；步骤1.4，处理样本数据；步骤1.5，完成训练。

2.根据权利要求1所述的基于支持向量机的超载判断方法，其特征在于，步骤1采用分块支持向量训练方法。

3.根据权利要求2所述的基于支持向量机的超载判断方法，其特征在于，步骤1.2中，支持向量机模型包括训练模型和核函数。

4.根据权利要求2所述的基于支持向量机的超载判断方法，其特征在于，步骤1.4中，处理样本数据为根据对偶问题利用序贯最小优化算法求解拉格朗日乘子α_i，找出对应的支持向量以及分类超平面系数b，建立训练数据的最优决策超平面。

5.根据权利要求1所述的基于支持向量机的超载判断方法，其特征在于，步骤2中，GPS定位数据包括速度、里程、平均速度、平均加速度和启动加速度。