CN106599916A - 一种基于决策树的小汽车出行路径选择模式辨识方法 - Google Patents

Abstract

本发明公开了一种基于决策树的小汽车出行路径选择模式辨识方法，包括确定小汽车路径选择模式、记录小汽车路径选择模式的属性参数、对小汽车出行路径选择模式的数据进行分类预处理以及分类预处理后的数据对辨识模型进行训练与辨识。本发明分析驾驶员出行路径选择模式的影响因素，建立驾驶员出行路径模式选择辨识模型，预测不同驾驶员出行路径选择行为，从而进行的路径诱导融合了驾驶员及路况的多源信息，能够针对不同驾驶员提供不同的诱导信息，能够简单实现决策树的构建、满足不同小汽车驾驶员的出行特性并提高辨识精度。

Description

一种基于决策树的小汽车出行路径选择模式辨识方法

技术领域

本发明涉及路径诱导，尤其是一种基于决策树的小汽车出行路径选择模式辨识方法。

背景技术

随着经济的快速发展，城市人口与机动车保有量也急剧增加，有限的城市空间与交通基础设施越来越不能满足快速增长的城市交通需求。动态路径诱导系统通过获得的实时交通信息利用车载定位装置和通信装置帮助车辆找到一条从出发点到目的地的最优路径，从而实现交通流在路网中各个路段上的合理分配，进而改善城市交通并避免交通拥堵。

然而普通的的诱导信息较为单一化，仅对所有小汽车提供普适性的路径诱导信息，而忽略单个小汽车驾驶员的个性出行需求，极易出现诱导效率低的情况。

并且现有技术中所采用的出行路径选择理论普遍为随机效用理论，然而并没有特别让人信服的证据证明效用的随机变化符合Weibull分布，因而在此基础上建立的随机效用理论自然可信度降低。也有较多的人工智能算法应用到分类决策中，如SVM，ANN，Native-Byes等，然而，经典的支持向量机算法只给出了二类分类的算法，在进行多分类决策时，较好的方法仍是与决策树相结合；ANN模型对数据平衡性要求较高，学习过程无法观察，尤其是在利用车载电脑进行面向驾驶员的分布式路径诱导中，对车载电脑要求较高，可移植性差；Native-Byes对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，并取最大值对应的分类项为最终分类结果。Native-Byes规则简单，但假设属性之间相互独立，而这个假设在实际应用中往往是不成立的，这给朴素贝叶斯模型的正确分类带来了一定影响。

发明内容

发明目的：针对上述现有技术存在的缺陷，本发明旨在提供一种基于决策树的小汽车出行路径选择模式辨识方法，辨识预测不同小汽车的出行路径选择模式。

技术方案：一种基于决策树的小汽车出行路径选择模式辨识方法，包括如下步骤：

(a)确定小汽车路径选择模式；

(b)选择小汽车路径选择模式的属性参数；

(c)对小汽车出行路径选择模式的数据进行分类预处理；

(d)利用步骤(c)中分类预处理后的数据对辨识模型进行训练与辨识。

进一步的，步骤(a)中所述路径选择模式包括以下3种：

(a1)出行前即确定出行路径，并不再更改；

(a2)出行前确定出行路径，在行驶途中根据兴趣点提供的动态诱导信息更改路径，但更改依赖于前一兴趣点做出的路径选择；

(a3)出行前确定出行路径，在行驶途中根据兴趣点提供的动态诱导信息更改路径，且不依赖于前一兴趣点做出的路径选择。

进一步的，步骤(b)中所述属性参数包括驾驶员性别、驾驶员年龄、出行距离和道路拥挤程度。

进一步的，步骤(c)中所述对小汽车出行路径选择模式的数据进行分类预处理具体为：对步骤(b)中每个属性参数内包含的类别分别赋予分类值。

进一步的，步骤(d)具体为：将步骤(c)中分类预处理后的数据及其与路径选择模式的对应关系作为辨识模型的输入，构建决策树：

(d1)随机选取50％的样本数据作为训练样本；

(d2)首先根据最高信息增益率选取根节点，并对根节点进行分裂，然后根据根节点所确定的新的数据子集重复叶节点的生成；

属性V的信息增益率为：

gain(V)＝Info(T)-Info(V)

其中，T为样本数据集，T的类别集合为{C₁,C₂…C_m}，选择T的其中一个属性V把T分为多个子集。V有互不重合的n个取值{v₁,v₂…v_n}，则T被分为n个子集{T₁,T₂…T_n}，|T|为数据集T的样本个数，|T_i|为V＝v_i的样本个数，|C_j|为第j类样本个数，|C_ij|为当V＝v_i时，属于第j类样本的个数；

(d3)决策树构建结束后，利用构建好的决策树对剩余样本进行路径选择模式的辨识。

有益效果：本发明分析驾驶员出行路径选择模式的影响因素，建立驾驶员出行路径模式选择辨识模型，预测不同驾驶员出行路径选择行为，从而进行的路径诱导融合了驾驶员及路况的多源信息，能够针对不同驾驶员提供不同的诱导信息(如针对不愿意中途改变行驶路径的驾驶员，在兴趣点更多地提供建议的行驶速度；而对于更愿意中途改变行驶路径的驾驶员，则在兴趣点更多地提供前方路网的道路拥挤情况)，本发明能够简单实现决策树的构建、满足不同小汽车驾驶员的出行特性并提高辨识精度。

附图说明

图1是本发明的方法流程图。

具体实施方式

下面通过一个最佳实施例并结合附图对本技术方案进行详细说明。

如图1所示，一种基于决策树的小汽车出行路径选择模式辨识方法，包括如下步骤：

(a)确定小汽车路径选择模式，路径选择模式包括以下3种：

(a1)出行前即确定出行路径，并不再更改；

(a2)出行前确定出行路径，在行驶途中根据兴趣点提供的动态诱导信息更改路径，但更改依赖于前一兴趣点做出的路径选择，其中兴趣点是指交叉口、商场、加油站、交通枢纽等以及其它驾驶员可能会短暂停留的地方；

(a3)出行前确定出行路径，在行驶途中根据兴趣点提供的动态诱导信息更改路径，且不依赖于前一兴趣点做出的路径选择。

(b)记录小汽车路径选择模式的属性参数，包括驾驶员性别、驾驶员年龄、出行距离和道路拥挤程度；

(c)对小汽车出行路径选择模式的数据进行分类预处理，具体为：对步骤(b)中每个属性参数内包含的类别分别赋予分类值，具体的赋值如表1所示：

表1不同属性的分类一览表

表2不同路径选择模式与属性对应一览表

本实施例对800个数据进行分类预处理，得到分类预处理数据汇总如表2所示；

(d)利用步骤(c)中分类预处理后的数据对辨识模型进行训练与辨识，具体为：将步骤(c)中分类预处理后的数据及其与路径选择模式的对应关系作为辨识模型的输入，构建决策树：

(d1)随机选取50％的样本数据作为训练样本；

(d2)首先根据最高信息增益率选取根节点，并对根节点进行分裂，然后根据根节点所确定的新的数据子集重复叶节点的生成；

属性V的信息增益率为：

gain(V)＝Info(T)-Info(V)

其中，T为样本数据集，T的类别集合为{C₁,C₂…C_m}，选择T的其中一个属性V把T分为多个子集。V有互不重合的n个取值{v₁,v₂…v_n}，则T被分为n个子集{T₁,T₂…T_n}，|T|为数据集T的样本个数，|T_i|为V＝v_i的样本个数，|C_j|为第j类样本个数，|C_ij|为当V＝v_i时，属于第j类样本的个数；

(d3)决策树构建结束后，利用构建好的决策树对剩余样本进行路径选择模式的辨识。

本实施例中共进行5轮辨识实验，在每轮辨识中，首先随机抽取50％样本作为训练样本，剩余50％样本作为测试样本，然后交换训练和测试样本，进行交叉验证，故本文获得10组实验数据。实验数据如表3所示。

表35轮交叉验证结果

通过对表3的数据分析，可得出在5轮交叉验证中，决策树的总平均辨识正确率为0.95，其中，模式2的识别准确率最高，平均识别正确率为0.98；模式1的平均识别率为0.92；模式3的平均识别率最低，为0.9。

进一步分析可得每一种模式错误辨识成另外一种模式的比例，将模式1错误辨识为模式2的样本数占模式1样本总数的7％，将模式2错误辨识为模式3的样本数占模式2样本总数的1％，而将模式3的错误辨识为模式2的样本数占模式3样本总数的9％。

本实施例与其它辨识方法对比分析：

将本方法与Naive Bayes方法及MNL方法进行对比验证，其结果如表4所示。

表4不同方法辨识精度对比

在对比的三种分类方法中，决策树对于训练样本和测试样本的整体分类正确率均为95％，分类正确率最高，而Naive Bayes的整体正确率最低。具体到针对每一种类别的分类，决策树尤其擅长针对第二种类别的分类，其针对训练样本和测试样本的分类正确率分别为99％和97％，而Naive Bayes针对该类的分类正确率仅为85％和74％。由此可看出决策树相对于Naive Bayes和MNL具有较大的优势。

以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于决策树的小汽车出行路径选择模式辨识方法，其特征在于，包括如下步骤：

(a)确定小汽车路径选择模式；

(b)选择小汽车路径选择模式的属性参数；

(c)对小汽车出行路径选择模式的数据进行分类预处理；

(d)利用步骤(c)中分类预处理后的数据对辨识模型进行训练与辨识。

2.根据权利要求1所述的一种基于决策树的小汽车出行路径选择模式辨识方法，其特征在于，步骤(a)中所述路径选择模式包括以下3种：

(a1)出行前即确定出行路径，并不再更改；

(a2)出行前确定出行路径，在行驶途中根据兴趣点提供的动态诱导信息更改路径，但更改依赖于前一兴趣点做出的路径选择；

(a3)出行前确定出行路径，在行驶途中根据兴趣点提供的动态诱导信息更改路径，且不依赖于前一兴趣点做出的路径选择。

3.根据权利要求1所述的一种基于决策树的小汽车出行路径选择模式辨识方法，其特征在于，步骤(b)中所述属性参数包括驾驶员性别、驾驶员年龄、出行距离和道路拥挤程度。

4.根据权利要求1所述的一种基于决策树的小汽车出行路径选择模式辨识方法，其特征在于，步骤(c)中所述对小汽车出行路径选择模式的数据进行分类预处理具体为：对步骤(b)中每个属性参数内包含的类别分别赋予分类值。

5.根据权利要求1所述的一种基于决策树的小汽车出行路径选择模式辨识方法，其特征在于，步骤(d)具体为：将步骤(c)中分类预处理后的数据及其与路径选择模式的对应关系作为辨识模型的输入，构建决策树：

(d1)随机选取50％的样本数据作为训练样本；

(d2)首先根据最高信息增益率选取根节点，并对根节点进行分裂，然后根据根节点所确定的新的数据子集重复叶节点的生成；

属性V的信息增益率为：

$gain\_ratio\left(V\right)=\frac{gain\left(V\right)}{split\_Info}$

$split\_Info=-\underset{i=1}{\overset{n}{\Σ}}P\left(v_i\right){\log }_{2}P\left(v_i\right)$

gain(V)＝Info(T)-Info(V)

$Info\left(T\right)=-\underset{j=1}{\overset{k}{\Σ}}P\left(C_j\right){\log }_{2}P\left(C_j\right)$

$Info\left(V\right)=-\underset{i=1}{\overset{n}{\Σ}}P\left(v_i\right)\underset{j=1}{\overset{m}{\Σ}}P\left(C_{ij}\right){\log }_{2}P\left(C_{ij}\right)$

$P\left(v_i\right)=\frac{\left|T_i\right|}{\left|T\right|}$

$P\left(C_j\right)=\frac{\left|C_j\right|}{\left|T\right|}$

$P\left(C_{ij}\right)=\frac{\left|C_{ij}\right|}{\left|v_i\right|}$

其中，T为样本数据集，T的类别集合为{C₁,C₂…C_m}，选择T的其中一个属性V把T分为多个子集。V有互不重合的n个取值{v₁,v₂…v_n}，则T被分为n个子集{T₁,T₂…T_n}，|T|为数据集T的样本个数，|T_i|为V＝v_i的样本个数，|C_j|为第j类样本个数，|C_ij|为当V＝v_i时，属于第j类样本的个数；

(d3)决策树构建结束后，利用构建好的决策树对剩余样本进行路径选择模式的辨识。