CN112507624B - 一种城际公路出行方式识别模型构建、识别方法及装置 - Google Patents
一种城际公路出行方式识别模型构建、识别方法及装置 Download PDFInfo
- Publication number
- CN112507624B CN112507624B CN202011484307.5A CN202011484307A CN112507624B CN 112507624 B CN112507624 B CN 112507624B CN 202011484307 A CN202011484307 A CN 202011484307A CN 112507624 B CN112507624 B CN 112507624B
- Authority
- CN
- China
- Prior art keywords
- inter
- parameters
- identification model
- city road
- travel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000010276 construction Methods 0.000 title claims description 18
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 15
- 238000003909 pattern recognition Methods 0.000 claims description 14
- 238000012567 pattern recognition method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 27
- 238000012795 verification Methods 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000011664 signaling Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种城际公路出行方式识别模型构建、识别方法及装置,其中,城际公路出行方式识别模型构建方法包括:获取多组训练数据;分别利用各组训练数据对预设的神经网络识别模型进行训练,得到多组参数;采用遗传算法对多组参数进行优化处理,得到优化参数;根据优化参数和预设的神经网络识别模型构建城际公路出行方式识别模型。在本发明中,在对预设的神经网络模型进行训练后,会通过遗传算法对训练后得到的参数进行优化处理,最后根据优化参数构建用于识别城际公路出行方式的识别模型,通过实施本发明构建的城际公路出行方式识别模型中的参数更优,通过本发明构建的城际公路出行方式识别模型识别得到的城际公路出行方式更准确。
Description
技术领域
本发明涉及交通运输技术领域,具体涉及一种城际公路出行方式识别模型构建、识别方法及装置。
背景技术
交通运输行业长期开展公路旅客运输量、公路客运周转量、载客汽车流量等统计工作,通常采用各省市逐级上报模式进行汇总统计,因各省市统计人员对数据上报的统计口径及需上报的数据类型理解存在差异,且基于客票数据对于营业性客运中途上下客的统计较为困难,统计结果的准确性与真实性受到一定的限制,另外,逐级上报模式的时效性也受到一定的限制。随着综合运输体系的快速发展与新业态的不断涌现,特别是私家车出行量的迅猛增长,非营业性公路客运出行数据的科学统计方法尚待开展。而随着手机信令数据、手机定位数据的应用普及以及神经网络的快速发展,通过神经网络模型对手机信令数据进行运算,从而识别城市内出行者的轨道、公交等出行方式已经成为了主流,而应用于公路出行中的营运班线客运、农村客运以及自驾车等出行方式识别较为罕见,且由于城际出行中尤其是城际公路出行的数据特征与城市内数据特征存在较大差异,因此现有技术中应用于识别城市内出行者的出行方式的方式并不适用于识别城际公路出行方式,目前所采用的用于识别城际公路出行方式的神经网络模型,其输出结果的准确性仍然需要进一步提升。
发明内容
因此,本发明要解决的技术问题在于填补城际公路出行方式自动精准识别上的空白,并克服现有技术中的所采用的进行城际公路出行方式识别的神经网络模型的输出结果的准确性较差的缺陷,从而提供一种城际公路出行方式识别模型构建、识别方法及装置。
本发明第一方面提供了一种城际公路出行方式识别模型构建方法,包括:获取多组训练数据;分别利用各组训练数据对预设的神经网络识别模型进行训练,得到多组参数;采用遗传算法对多组参数进行优化处理,得到优化参数;根据优化参数和预设的神经网络识别模型构建城际公路出行方式识别模型。
可选地,在本发明提供的城际公路出行方式识别模型构建方法中,采用遗传算法对多组参数进行优化处理,得到优化参数的步骤,包括:根据多组参数组建参数集合;从参数集合中选取多组迭代参数;分别对各组迭代参数进行编码,对编码后的迭代参数进行交叉运算,得到多组备选参数;分别根据参数集合中未进行交叉运算的参数、各备选参数及预设的神经网络识别模型构建初始城际公路出行方式识别模型;计算各初始城际公路出行方式识别模型的适应度的平均值;若各初始城际公路出行方式识别模型的适应度的平均值大于或等于预设阈值,将适应度最大的初始城际公路出行方式识别模型对应的参数确定为优化参数。
可选地,在本发明提供的城际公路出行方式识别模型构建方法中,若各初始城际公路出行方式识别模型的适应度的平均值小于预设阈值,根据备选参数和参数集合中未经过交叉运算的参数组建新的参数集合,用新的参数集合替换原参数集合,并重复执行从参数集合中选取多组迭代参数的步骤至计算各初始城际公路出行方式识别模型的适应度的平均值的步骤,直至各初始城际公路出行方式识别模型的适应度的平均值大于或等于预设阈值,将适应度最大的初始城际公路出行方式识别模型对应的参数确定为优化参数。
可选地,在本发明提供的城际公路出行方式识别模型构建方法中,从参数集合中选取多组迭代参数的步骤,包括:分别计算与参数集合中各参数相对应的初始城际公路出行方式识别模型的适应度;按照适应度依次增大的次序选取预设比例的初始城际公路出行方式识别模型对应的参数作为迭代参数。
本发明第二方面提供了一种城际公路出行方式识别方法,包括:获取目标对象的出行数据以及目标对象的信息数据;根据出行数据和信息数据提取出行特征;根据出行特征和预设城际公路出行方式识别模型识别目标对象的出行方式,预设城际公路出行方式识别模型通过本发明第一方面提供的城际公路出行方式识别模型构建方法构建。
本发明第三方面提供了一种城际公路出行方式识别模型构建装置,包括:数据获取模块,用于获取多组训练数据;参数获取模块,用于分别利用各组训练数据对预设的神经网络识别模型进行训练,得到多组参数;参数优化模块,用于采用遗传算法对多组参数进行优化处理,得到优化参数;城际公路出行方式识别模型构建模块,用于根据优化参数和预设的神经网络识别模型构建城际公路出行方式识别模型。
本发明第四方面提供了一种城际公路出行方式识别装置,包括:数据采集模块,用于获取目标对象的出行数据以及目标对象的信息数据;特征提取模块,用于根据出行数据和信息数据提取出行特征;城际公路出行方式识别模块,用于根据出行特征和预设城际公路出行方式识别模型识别目标对象的出行方式,预设城际公路出行方式识别模型通过本发明第三方面提供的城际公路出行方式识别模型构建装置构建。
本发明第五方面提供了一种计算机设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,从而执行如本发明第一方面提供的城际公路出行方式识别模型构建方法,或,如本发明第二方面提供的城际公路出行方式识别方法。
本发明第六方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行如本发明第一方面提供的城际公路出行方式识别模型构建方法,或,如本发明第二方面提供的城际公路出行方式识别方法。
本发明技术方案,具有如下优点:
1.本发明提供的城际公路出行方式识别模型构建方法及装置,在构建用于识别出行方式的城际公路出行方式识别模型时,先分别利用多组训练数据对预设的神经网络模型进行训练,得到多组参数,再采用遗传算法对多组参数进行优化处理,得到优化参数,最后根据优化参数和预设的神经网络模型构建城际公路出行方式识别模型,在传统的模型构建方法中,利用训练数据对预设的神经网络模型进行训练后得到的模型会作为最终用于识别出行方式的模型,但是在本发明中,在根据训练数据对预设的神经网络模型进行训练后,会再次通过遗传算法对训练后得到的参数进行优化处理,从而根据优化参数和预设的神经网络模型构建用于识别出行方式的城际公路出行方式识别模型,由此可见,相较于传统建模方法,通过实施本发明构建的城际公路出行方式识别模型中的参数更优,从而通过实施本发明构建的城际公路出行方式识别模型识别得到的出行方式更准确。
2.本发明提供的城际公路出行方式识别方法及装置,在对目标对象的出行方式进行识别时,先获取目标对象的出行数据和信息数据,然后基于目标对象的出行数据和出行数据对目标对象的出行方式进行识别,由于目标对象对出行方式的选取会受到目标对象自身特征的影响,通过实施本发明对目标对象的出行方式进行识别时,从出行数据以及目标对象的信息数据两个不同的角度进行分析,能够得到更准确的识别结果。并且,在发明提供的城际公路出行方式识别方法及装置中,对目标对象的出行方式进行识别时,所采用的预设城际公路出行方式识别模型是通过本发明提供的城际公路出行方式识别模型构建方法或装置构建的,在本发明提供的城际公路出行方式识别模型构建方法和装置中,在根据训练数据对预设的神经网络模型进行训练后,会再次通过遗传算法对训练后得到的参数进行优化处理,从而根据优化参数和预设的神经网络模型构建用于识别出行方式的城际公路出行方式识别模型,因此本发明提供的城际公路出行方式识别方法及装置识别得到的出行方式更准确。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中城际公路出行方式识别模型构建方法的一个具体示例的流程图;
图2为本发明实施例中城际公路出行方式识别模型构建方法的另一具体示例的流程图;
图3为本发明实施例中编码后的参数的结构示意图;
图4为本发明实施例中将T-S模型和遗传算法结合时的示意图;
图5为本发明实施例中城际公路出行方式识别方法的一个具体示例的流程图;
图6为本发明实施例中城际公路出行方式识别模型构建装置的一个具体示例的原理框图;
图7为本发明实施例中城际公路出行方式识别装置的一个具体示例的原理框图;
图8为本发明实施例中提供的计算机设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
随着手机信令数据、手机定位数据的快速发展与应用普及,以手机数据为基础的个体出行链识别方法逐渐引起关注,目前针对城市内轨道、公交等多方式出行的识别方法已有一定的研究基础,针对城市间航空、铁路、自驾车等方式的识别方法也逐步开始了相关的研究并有了初步的成果,然而,针对包括公路营业性客运、非营业性私家车出行等方式的公路出行识别与统计方法尚属空白,且由于公路营业性客运和非营业性私家车出行等公路出行的手机信令数据相似性较高,难以准确识别。
本发明实施例提供了一种城际公路出行方式识别模型构建方法,如图1所示,包括:
步骤S11:获取多组训练数据。
在一具体实施例中,训练数据是通过对多个出行对象的真实出行数据采集得到的,其中包括出行对象的信息数据、出行数据、出行方式,出行方式主要包括公路营业性客运出行和非营业性私家车出行两类,具体包括长途班线客运、城乡公交、农村客运、私家车出行等。
具体地,出行对象的信息数据包括出行对象的年龄和性别,因为出行对象所选择的出行方式,以及出行过程中产生的出行数据与出行对象的年龄和性别有一定的关联,例如,老年人可能会更多倾向于非自驾的出行方式,男性在自驾过程中的平均速度可能会略高于女性等,因此获取训练数据时,加入出行对象的信息数据有助于训练得到能够准确识别用户出行方式的城际公路出行方式识别模型。
具体地,出行对象的出行数据可以是通过出行对象的手机信令数据得到的,手机信令数据中包括构成出行对象的出行链的多个轨迹点,以及各轨迹点的位置、形成轨迹点的时间等数据,在对预设的神经网络模型进行训练时,需要根据出行数据计算多个特征值,其中,特征值包括出行数据包括出行距离、平均出行速度、平均加速度、速度方差、加速度方差、出发时刻、起点行政级别、终点行政级别等中的一项或多项。
出行距离为一条出行链中所有相邻轨迹点之间的距离的累加和。由于长途班线客运、城乡公交、农村客运等受运营许可的限制,运营线路长度有限,且不同的营业性出行方式的运营路线长度不同,私家车出行不受此限制,由此可见,出行距离可以区分不同的出行方式,因此出行距离可作为训练城际公路出行方式识别模型的特征之一。
平均出行速度为一次出行中,每两个相邻轨迹点间的速度之和的平均值。小汽车、长途班线客运在出行路线上,选择高速公路出行的概率更大,平均速度相对较高,城乡公交线路受站点位置与数量的限制,需较频繁的进出站等对平均速度影响较大,农村客运在出行路径上多为国省道,平均速度相对较低,由此可见,选择不同的出行方式出行时,平均出行速度有所不同,因此平均出行速度可作为训练城际公路出行方式识别模型的特征之一。
平均加速度为一次出行中,每两个相邻轨迹点间的加速度之和的平均值,城乡公交的频繁进出站会在加速度上与其他方式产生较为明显的差别,因此平均加速度可作为训练城际公路出行方式识别模型的特征之一。
速度方差可以反映速度的离散程度,长途客运班线、小汽车在整体出行过程中的速度分布相对于城乡公交与农村客运的频繁启停更加稳定,因此速度方差可作为训练城际公路出行方式识别模型的特征之一。
加速度方差可以反映加速度的离散程度。
出发时刻为出行链的起点时间,由于农村客运、城乡公交等出行方式只可以在其运营时间内选择,而私家车出行不受此限制,因此出发时刻可作为训练城际公路出行方式识别模型的特征之一。
起点行政级别为手机信令数据记录的出行链起点位置所在行政区域级别,可以是市区,也可以是县,由于农村客运出行方式的起点行政级别均为县乡一级,而私家车出行不受此限制,因此起点行政级别可作为训练城际公路出行方式识别模型的特征之一。
终点行政级别为手机信令数据记录的出行链终点位置所在行政区域级别,可以是市区,也可以是县,农村客运出行方式的终点行政级别均为县乡一级,而私家车出行不受此限制,因此起点行政级别可作为训练城际公路出行方式识别模型的特征之一。
步骤S12:分别利用各组训练数据对预设的神经网络识别模型进行训练,得到多组参数。
在本发明实施例中,由于后续需要采用遗传算法对参数进行优化处理,因此本发明实施例中在获取参数时,分别采用多组训练数据对预设的神经网络模型进行了训练,每组训练数据用于训练一个预设的神经网络模型,最后根据训练得到的多个模型获取参数,每组参数中包括至少一个参数项。预设的神经网络模型可以是任意的神经网络模型,示例性地,在本发明实施例中,所采用的预设的神经网络模型为模糊模型(Takagi-Sugeno,T-S),当预设的神经网络模型为模糊模型时,每组参数中可以包括模糊模型的前件网络中各层隶属度函数的中心和宽度,以及后件网络的连接权值等中的一项或多项。
步骤S13:采用遗传算法对多组参数进行优化处理,得到优化参数。
利用训练数据对预设的神经网络模型进行训练后,得到的模型会因为训练时所使用的训练数据不够全面,或预设的神经网络本身的弊端等原因导致参数选取不合理的问题,例如,传统T-S模糊神经网络模型利用相同隶属度函数的隐层神经元导致非线性表达能力较差,采用遗传算法对参数进行优化处理得到最优参数,能够提升T-S模糊神经网络模型的非线性表达能力,从而提高城际公路出行方式识别的精度。
步骤S14:根据优化参数和预设的神经网络识别模型构建城际公路出行方式识别模型。
本发明实施例提供的城际公路出行方式识别模型构建方法,在构建用于识别出行方式的城际公路出行方式识别模型时,先分别利用多组训练数据对预设的神经网络模型进行训练,得到多组参数,再采用遗传算法对多组参数进行优化处理,得到优化参数,最后根据优化参数和预设的神经网络模型构建城际公路出行方式识别模型,在传统的模型构建方法中,利用训练数据对预设的神经网络模型进行训练后得到的模型会作为最终用于识别出行方式的模型,但是在本发明中,在根据训练数据对预设的神经网络模型进行训练后,会再次通过遗传算法对训练后得到的参数进行优化处理,从而根据优化参数和预设的神经网络模型构建用于识别出行方式的城际公路出行方式识别模型,由此可见,相较于传统建模方法,通过实施本发明实施例构建的城际公路出行方式识别模型中的参数更优,从而通过实施本发明实施例构建的城际公路出行方式识别模型识别得到的出行方式更准确。
在一可选实施例中,如图2所示,上述步骤S13具体包括:
步骤S131:根据多组参数组建参数集合。参数集合中的参数是根据步骤S12中对预设的神经网络识别模型进行训练后得到的参数组建的。并且,步骤S12中采用多组训练数据分别对预设的神经网络模型进行了训练,得到了多个训练好的模型,每个模型对应有一组参数,参数集合中包括所有训练好的模型的参数。
步骤S132:从参数集合中选取多组迭代参数。
在具体实施例中,从参数集合中选取多组迭代参数的步骤具体包括:
首先,分别计算与参数集合中各参数相对应的初始城际公路出行方式识别模型的适应度,计算初始城际公路出行方式识别模型的适应度的方式见上述实施例中对步骤S135的描述。
然后,按照适应度依次增大的次序选取预设比例的初始城际公路出行方式识别模型对应的参数作为迭代参数。在一可选实施例中,可以按照适应度依次增大的次序将初始城际公路出行方式识别模型进行排序,然后选取占所有初始城际公路出行方式识别模型95%的适应度较小的初始城际公路出行方式识别模型对应的参数作为迭代参数。
步骤S133:分别对各组迭代参数进行编码,对编码后的迭代参数进行交叉运算,得到多组备选参数。
当每组参数中包括前件网络中各层隶属度函数的中心和宽度/>以及后件网络的连接权值pj时,经过编码后的其中一组参数如图3所示。
在对迭代参数进行交叉运算时,先随机选取两组迭代参数,然后随机选取交叉点将两个迭代参数对应部分进行交换,得到备选参数。
步骤S134:分别根据参数集合中未进行交叉运算的参数、各备选参数及预设的神经网络识别模型构建初始城际公路出行方式识别模型。
步骤S135:计算各初始城际公路出行方式识别模型的适应度的平均值。
在具体实施例中,在计算各初始城际公路出行方式识别模型的适应度时,需要根据验证数据对初始城际公路出行方式识别模型进行验证,验证数据中包括验证特征数据和实际出行方式,将验证特征数据输入至各初始城际公路出行方式识别模型中,得到预测出行方式,然后根据预测出行方式、实际出行方式、验证数据组数分别计算各初始城际公路出行方式识别模型的适应度,具体地,计算初始城际公路出行方式识别模型的适应度的公式为:
其中,T表示验证数据组数,yd(t)表示第t组验证数据中的实际出行方式,yc(t)表示通过第t组验证数据中的验证特征数据预测得到的预测出行方式。
步骤S136:判断初始城际公路出行方式识别模型的适应度的平均值是否大于或等于预设阈值,若各初始城际公路出行方式识别模型的适应度的平均值大于或等于预设阈值,执行步骤S136。若各初始城际公路出行方式识别模型的适应度的平均值小于预设阈值,根据备选参数和参数集合中未经过交叉运算的参数组建新的参数集合,并利用新的参数集合代替上述步骤S131中的参数集合,重复执行上述步骤S132-步骤S136,直至各初始城际公路出行方式识别模型的适应度的平均值大于或等于预设阈值,执行步骤S137。
步骤S137:将适应度最大的初始城际公路出行方式识别模型对应的参数确定为优化参数。适应度越大,则表示通过该模型识别得到的出行方式越准确,因此,可以将适应度最大的初始城际公路出行方式识别模型对应的参数确定为优化参数。
在具体实施例中,当预设的神经网络识别模型选用T-S模型时,如图4所示为将T-S模型与遗传算法进行结合构建城际公路出行方式识别模型时的示意图。基于T-S模型与遗传算法构建城际公路出行方式识别模型的步骤包括:
第一,构建T-S模型的前件网络,构建前件网络的步骤具体包括:
首选,构建第一层输入层,出行特征从输入层输入T-S模型,输入层将每条出行链的每出行特征取值传送至下一层,x=[x1,x2,…,xn]T为出行特征中的各特征值,xn表示第n个特征值,n为出行特征中的特征值数量。
其次,构建第二层模糊化层,模糊化层用于计算各特征值对出行方式辨识的隶属度函数,可用高斯隶属函数表示。
其中,xi表示第i个特征值,mi是xi的模糊分隔数;分别为隶属度函数的中心和宽度,/> e为误差,e=yd-yc,即真实出行方式编号与模型计算得到的出行方式编号之差。
是T-S模型中训练得到的待优化的参数,在具体优化过程中,可以将根据和/>计算得到的参数值作为初始值。
然后,构建第三层模糊规则层,模糊规则层用于计算每条规则前件的适用度,
其中,i1∈{1,2,…,m1},i2∈{1,2,…,m2},…,in∈{1,2,…,mn},j=1,2,…,m,
最后,构建第四层归一化层,归一化层用以避免因各特征指标计算结果在数量级上差别产生的模型震荡,
第二,构建后件网络,构建后件网络的步骤具体包括:
首先,构建第一层输入层,在输入层中,第0个节点的输入值为1,用于提供出行方式判别结果中的常数项。
其次,构建第二层模糊规则层,模糊规则层用于计算每一条模糊规则的后件:
其中,k=1,2,…,n,表示后件网络层数,j=1,2,…,m, 表示后件网络的第k层的连接权值,pji是T-S模型中训练得到的待优化的参数,在具体优化过程中,可以将根据/> 计算得到的参数值作为初始值。
然后,构建第三层输出层,输出层用于输出清晰化后的城际公路出行方式识别类型结果。
第三,通过执行上述步骤S12-步骤S14对T-S模型中的参数进行优化,从而得到城际公路出行方式识别模型。
通过实施上述任一实施例构建得到的城际公路出行方式识别模型都可以对目标对象的出行方式进行准确识别。
本发明实施例还提供了一种城际公路出行方式识别方法,如图5所示,包括:
步骤S21:获取目标对象的出行数据以及目标对象的信息数据,对出行数据以及信息数据的详细描述见上述步骤S11中的描述。
步骤S22:根据出行数据和信息数据提取出行特征,对出行数据以及信息数据提取出的出行特征的详细描述可见上述步骤S11中的描述。
步骤S23:根据出行特征和预设城际公路出行方式识别模型识别目标对象的出行方式,预设城际公路出行方式识别模型通过上述任意实施例中提供的城际公路出行方式识别模型构建方法构建。
本发明提供的城际公路出行方式识别方法,在对目标对象的出行方式进行识别时,先获取目标对象的出行数据和信息数据,然后基于目标对象的出行数据和出行数据对目标对象的出行方式进行识别,由于目标对象对出行方式的选取会受到目标对象自身特征的影响,通过实施本发明对目标对象的出行方式进行识别时,从出行数据以及目标对象的信息数据两个不同的角度进行分析,能够得到更准确的识别结果。并且,在发明提供的城际公路出行方式识别方法中,对目标对象的出行方式进行识别时,所采用的预设城际公路出行方式识别模型是通过本发明提供的城际公路出行方式识别模型构建方法构建的,在本发明提供的城际公路出行方式识别模型构建方法中,在根据训练数据对预设的神经网络模型进行训练后,会再次通过遗传算法对训练后得到的参数进行优化处理,从而根据优化参数和预设的神经网络模型构建用于识别出行方式的城际公路出行方式识别模型,因此本发明提供的城际公路出行方式识别方法识别得到的出行方式更准确。
本发明实施例还提供了一种城际公路出行方式识别模型构建装置,如图6所示,包括:
数据获取模块11,用于获取多组训练数据,详细内容见上述方法实施例中对步骤S11的描述,在此不再赘述。
参数获取模块12,用于分别利用各组训练数据对预设的神经网络识别模型进行训练,得到多组参数,详细内容见上述方法实施例中对步骤S12的描述,在此不再赘述。
参数优化模块13,用于采用遗传算法对多组参数进行优化处理,得到优化参数,详细内容见上述方法实施例中对步骤S13的描述,在此不再赘述。
城际公路出行方式识别模型构建模块14,用于根据优化参数和预设的神经网络识别模型构建城际公路出行方式识别模型,详细内容见上述方法实施例中对步骤S14的描述,在此不再赘述。
本发明实施例提供的城际公路出行方式识别模型构建装置,在构建用于识别出行方式的城际公路出行方式识别模型时,先分别利用多组训练数据对预设的神经网络模型进行训练,得到多组参数,再采用遗传算法对多组参数进行优化处理,得到优化参数,最后根据优化参数和预设的神经网络模型构建城际公路出行方式识别模型,在传统的模型构建方法中,利用训练数据对预设的神经网络模型进行训练后得到的模型会作为最终用于识别出行方式的模型,但是在本发明中,在根据训练数据对预设的神经网络模型进行训练后,会再次通过遗传算法对训练后得到的参数进行优化处理,从而根据优化参数和预设的神经网络模型构建用于识别出行方式的城际公路出行方式识别模型,由此可见,相较于传统建模方法,通过实施本发明构建的城际公路出行方式识别模型中的参数更优,从而通过实施本发明构建的城际公路出行方式识别模型识别得到的出行方式更准确。
本发明实施例还提供了一种城际公路出行方式识别装置,如图7所示,包括:
数据采集模块21,用于获取目标对象的出行数据以及目标对象的信息数据,详细内容见上述方法实施例中对步骤S21的描述,在此不再赘述。
特征提取模块22,用于根据出行数据和信息数据提取出行特征,详细内容见上述方法实施例中对步骤S22的描述,在此不再赘述。
城际公路出行方式识别模块23,用于根据出行特征和预设城际公路出行方式识别模型识别目标对象的出行方式,预设城际公路出行方式识别模型通过上述实施例中提供的城际公路出行方式识别模型构建方法构建。
本发明实施例提供的城际公路出行方式识别装置,在对目标对象的出行方式进行识别时,先获取目标对象的出行数据和信息数据,然后基于目标对象的出行数据和出行数据对目标对象的出行方式进行识别,由于目标对象对出行方式的选取会受到目标对象自身特征的影响,通过实施本发明对目标对象的出行方式进行识别时,从出行数据以及目标对象的信息数据两个不同的角度进行分析,能够得到更准确的识别结果。并且,在发明提供的城际公路出行方式识别装置中,对目标对象的出行方式进行识别时,所采用的预设城际公路出行方式识别模型是通过本发明提供的城际公路出行方式识别模型构建装置构建的,在本发明提供的城际公路出行方式识别模型构建装置中,在根据训练数据对预设的神经网络模型进行训练后,会再次通过遗传算法对训练后得到的参数进行优化处理,从而根据优化参数和预设的神经网络模型构建用于识别出行方式的城际公路出行方式识别模型,因此本发明提供的城际公路出行方式识别装置识别得到的出行方式更准确。
本发明实施例还提供了一种计算机设备,如图8所示,该计算机设备主要包括一个或多个处理器31以及存储器32,图8中以一个处理器31为例。
该计算机设备还可以包括:输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接,图8中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit,CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器32可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据城际公路出行方式识别模型构建装置,或,城际公路出行方式识别装置的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器32可选包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至城际公路出行方式识别模型构建装置,或,城际公路出行方式识别装置。输入装置33可接收用户输入的计算请求(或其他数字或字符信息),以及产生与城际公路出行方式识别模型构建装置,或,城际公路出行方式识别装置有关的键信号输入。输出装置34可包括显示屏等显示设备,用以输出计算结果。
本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储计算机指令,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的城际公路出行方式识别模型构建方法,或,城际公路出行方式识别方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (7)
1.一种城际公路出行方式识别模型构建方法,其特征在于,包括:
获取多组训练数据,所述训练数据是通过对多个出行对象的真实出行数据采集得到的,其中包括出行对象的信息数据、出行数据、出行方式;
分别利用各组训练数据对预设的神经网络识别模型进行训练,得到多组参数;
采用遗传算法对所述多组参数进行优化处理,得到优化参数;
根据所述优化参数和所述预设的神经网络识别模型构建城际公路出行方式识别模型,所述城际公路出行方式识别模型用于识别用户出行方式;
采用遗传算法对所述多组参数进行优化处理,得到优化参数的步骤,包括:
根据所述多组参数组建参数集合;
从所述参数集合中选取多组迭代参数;
分别对各组所述迭代参数进行编码,对编码后的迭代参数进行交叉运算,得到多组备选参数;
分别根据所述参数集合中未进行交叉运算的参数、各所述备选参数及所述预设的神经网络识别模型构建初始城际公路出行方式识别模型;
计算各所述初始城际公路出行方式识别模型的适应度的平均值;
若所述各所述初始城际公路出行方式识别模型的适应度的平均值大于或等于预设阈值,将适应度最大的初始城际公路出行方式识别模型对应的参数确定为所述优化参数;
若各所述初始城际公路出行方式识别模型的适应度的平均值小于所述预设阈值,根据所述备选参数和所述参数集合中未经过交叉运算的参数组建新的参数集合,用新的参数集合替换原参数集合,并重复执行从所述参数集合中选取多组迭代参数的步骤至计算各初始城际公路出行方式识别模型的适应度的平均值的步骤,直至各所述初始城际公路出行方式识别模型的适应度的平均值大于或等于预设阈值,将适应度最大的初始城际公路出行方式识别模型对应的参数确定为所述优化参数。
2.根据权利要求1所述的城际公路出行方式识别模型构建方法,其特征在于,从所述参数集合中选取多组迭代参数的步骤,包括:
分别计算与所述参数集合中各参数相对应的初始城际公路出行方式识别模型的适应度;
按照适应度依次增大的次序选取预设比例的初始城际公路出行方式识别模型对应的参数作为所述迭代参数。
3.一种城际公路出行方式识别方法,其特征在于,包括:
获取目标对象的出行数据以及所述目标对象的信息数据;
根据所述出行数据和信息数据提取出行特征;
根据所述出行特征和预设城际公路出行方式识别模型识别所述目标对象的出行方式,所述预设城际公路出行方式识别模型通过权利要求1或2所述的城际公路出行方式识别模型构建方法构建。
4.一种城际公路出行方式识别模型构建装置,其特征在于,包括:
数据获取模块,用于获取多组训练数据,所述训练数据是通过对多个出行对象的真实出行数据采集得到的,其中包括出行对象的信息数据、出行数据、出行方式;
参数获取模块, 用于分别利用各组训练数据对预设的神经网络识别模型进行训练,得到多组参数;
参数优化模块,用于采用遗传算法对所述多组参数进行优化处理,得到优化参数;
城际公路出行方式识别模型构建模块,用于根据所述优化参数和所述预设的神经网络识别模型构建城际公路出行方式识别模型,所述城际公路出行方式识别模型用于识别用户出行方式;
采用遗传算法对所述多组参数进行优化处理,得到优化参数的步骤,包括:
根据所述多组参数组建参数集合;
从所述参数集合中选取多组迭代参数;
分别对各组所述迭代参数进行编码,对编码后的迭代参数进行交叉运算,得到多组备选参数;
分别根据所述参数集合中未进行交叉运算的参数、各所述备选参数及所述预设的神经网络识别模型构建初始城际公路出行方式识别模型;
计算各所述初始城际公路出行方式识别模型的适应度的平均值;
若所述各所述初始城际公路出行方式识别模型的适应度的平均值大于或等于预设阈值,将适应度最大的初始城际公路出行方式识别模型对应的参数确定为所述优化参数;
若各所述初始城际公路出行方式识别模型的适应度的平均值小于所述预设阈值,根据所述备选参数和所述参数集合中未经过交叉运算的参数组建新的参数集合,用新的参数集合替换原参数集合,并重复执行从所述参数集合中选取多组迭代参数的步骤至计算各初始城际公路出行方式识别模型的适应度的平均值的步骤,直至各所述初始城际公路出行方式识别模型的适应度的平均值大于或等于预设阈值,将适应度最大的初始城际公路出行方式识别模型对应的参数确定为所述优化参数。
5.一种城际公路出行方式识别装置,其特征在于,包括:
数据采集模块,用于获取目标对象的出行数据以及所述目标对象的信息数据;
特征提取模块,用于根据所述出行数据和信息数据提取出行特征;
城际公路出行方式识别模块,用于根据所述出行特征和预设城际公路出行方式识别模型识别所述目标对象的出行方式,所述预设城际公路出行方式识别模型通过权利要求4所述的城际公路出行方式识别模型构建装置构建。
6.一种计算机设备,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,从而执行如权利要求1或2所述的城际公路出行方式识别模型构建方法,或,如权利要求3所述的城际公路出行方式识别方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1或2所述的城际公路出行方式识别模型构建方法,或,如权利要求3所述的城际公路出行方式识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011484307.5A CN112507624B (zh) | 2020-12-15 | 2020-12-15 | 一种城际公路出行方式识别模型构建、识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011484307.5A CN112507624B (zh) | 2020-12-15 | 2020-12-15 | 一种城际公路出行方式识别模型构建、识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507624A CN112507624A (zh) | 2021-03-16 |
CN112507624B true CN112507624B (zh) | 2023-11-10 |
Family
ID=74972456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011484307.5A Active CN112507624B (zh) | 2020-12-15 | 2020-12-15 | 一种城际公路出行方式识别模型构建、识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507624B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536942B (zh) * | 2021-06-21 | 2024-04-12 | 上海赫千电子科技有限公司 | 一种基于神经网络的道路交通标志识别方法 |
CN115967950B (zh) * | 2023-02-17 | 2023-06-20 | 东南大学 | 基于手机数据的特征与时序双驱动城际出行模式辨识方法 |
CN117557011B (zh) * | 2024-01-12 | 2024-04-16 | 交通运输部科学研究院 | 公路出行平均运距的测算方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2050686A1 (en) * | 1989-03-28 | 1990-09-29 | Aloke Guha | Genetic synthesis of neural networks |
CN102222267A (zh) * | 2010-04-14 | 2011-10-19 | 同济大学 | 一种遗传算法改进神经网络遥感分类处理方法 |
CN110008914A (zh) * | 2019-04-11 | 2019-07-12 | 杨勇 | 一种基于神经网络的模式识别系统及识别方法 |
CN110836783A (zh) * | 2019-10-29 | 2020-02-25 | 杭州电子科技大学 | 基于阈值判断的ga-bp的磁悬浮列车故障检测方法 |
CN111260118A (zh) * | 2020-01-10 | 2020-06-09 | 天津理工大学 | 一种基于量子粒子群优化策略的车联网交通流量预测方法 |
WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10252145B2 (en) * | 2016-05-02 | 2019-04-09 | Bao Tran | Smart device |
-
2020
- 2020-12-15 CN CN202011484307.5A patent/CN112507624B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2050686A1 (en) * | 1989-03-28 | 1990-09-29 | Aloke Guha | Genetic synthesis of neural networks |
CN102222267A (zh) * | 2010-04-14 | 2011-10-19 | 同济大学 | 一种遗传算法改进神经网络遥感分类处理方法 |
CN110008914A (zh) * | 2019-04-11 | 2019-07-12 | 杨勇 | 一种基于神经网络的模式识别系统及识别方法 |
WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
CN110836783A (zh) * | 2019-10-29 | 2020-02-25 | 杭州电子科技大学 | 基于阈值判断的ga-bp的磁悬浮列车故障检测方法 |
CN111260118A (zh) * | 2020-01-10 | 2020-06-09 | 天津理工大学 | 一种基于量子粒子群优化策略的车联网交通流量预测方法 |
Non-Patent Citations (1)
Title |
---|
基于GPS轨迹数据的不同交通状态下交通方式识别流程优化方法;杨飞;姜海航;刘好德;姚振兴;霍娅敏;周子一;;交通运输系统工程与信息(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112507624A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507624B (zh) | 一种城际公路出行方式识别模型构建、识别方法及装置 | |
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
CN111832225B (zh) | 一种构建汽车行驶工况的方法 | |
CN105788260B (zh) | 一种基于智能公交系统数据的公交乘客od推算方法 | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN108764375B (zh) | 高速公路货运车辆跨省匹配方法及装置 | |
JP2016522526A (ja) | 駐車場探し開始特定のために車両の測定データを処理する方法 | |
CN109272168A (zh) | 一种城市轨道交通客流变化趋势预测方法 | |
CN116504076A (zh) | 基于etc门架数据的高速公路车流量预测方法 | |
CN109887279B (zh) | 一种交通拥堵预测方法及系统 | |
CN112598192B (zh) | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 | |
CN111144446B (zh) | 一种基于时空网格的司机身份识别方法和系统 | |
CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN110969861A (zh) | 一种车辆识别方法、装置、设备及计算机存储介质 | |
CN114757447B (zh) | 一种多模型混合的客运枢纽站客流量预测方法及系统 | |
CN116564551B (zh) | 一种数据-知识驱动的城市轨道交通风险辨识方法 | |
CN110796301B (zh) | 一种基于ic卡数据的乘客流量预测方法及装置 | |
CN111723871B (zh) | 一种公交车实时车厢满载率的估算方法 | |
CN113408833A (zh) | 一种公共交通重点区域识别方法、装置及电子设备 | |
CN116128160B (zh) | 一种铁路车站高峰客流预测方法、系统及设备和介质 | |
CN117172461A (zh) | 自动驾驶公交调度系统及基于客流预测的公交调度方法 | |
CN115713206A (zh) | 一种公交个体出行决策模型 | |
CN113536493A (zh) | 基于聚类反推的有效路径生成方法及断面客流估算方法 | |
CN111489171B (zh) | 基于二维码的乘车行程匹配方法、装置、电子设备及介质 | |
CN111931968B (zh) | 一种应用手机gps数据来优化公共自行车站点布局的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |