CN113887659A - 一种基于朴素贝叶斯的车辆类型分类算法 - Google Patents
一种基于朴素贝叶斯的车辆类型分类算法 Download PDFInfo
- Publication number
- CN113887659A CN113887659A CN202111233053.4A CN202111233053A CN113887659A CN 113887659 A CN113887659 A CN 113887659A CN 202111233053 A CN202111233053 A CN 202111233053A CN 113887659 A CN113887659 A CN 113887659A
- Authority
- CN
- China
- Prior art keywords
- link
- sdr
- distance
- vehicle
- speed
- 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.)
- Pending
Links
- 238000007635 classification algorithm Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- QUKGLNCXGVWCJX-UHFFFAOYSA-N 1,3,4-thiadiazol-2-amine Chemical compound NC1=NN=CS1 QUKGLNCXGVWCJX-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了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: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。本发明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,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。
Description
技术领域
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
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。
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。
发明内容
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。
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:
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;
进入时间:InTime=SDRStGpsTime (1)
退出时间:OutTime=SDREdGpsTime (2)
进入距离:InPositionToSNode=SDREnterDistance (3)
退出距离:OutPositionToSNode=SDRQuitDistance (4);
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:
进入时间:同公式InTime=SDRStGpsTime (1)
traceTime=(SDREdGpsTime-SDRStGpsTime-STwaitTime)*traLenRati (6)
lastOutTime=lastOutTime+traceTime (7)
由公式(5)(6)(7)推算出:OutTime=lastOutTime
进入距离:InPositionToSNode=SDREnterDistance (8)
退出距离:OutPositionToSNode=CurrLinkLen (9)
第2根到N-1根link:
进入时间:InTime=lastOutTime (10)
退出时间:
由公式(11)(6)(7)推算出:OutTime=lastOutTime
进入距离:InPositionToSNode=0 (12)
退出距离:同公式OutPositionToSNode=CurrLinkLen (9)
第N根link:进入时间:InTime=lastOutTime (13)
退出时间:同公式OutTime=SDREdGpsTime (2)
进入距离:同公式InPositionToSNode=0 (12)
退出距离:同公式OutPositionToSNode=SDRQuitDistance (4);
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:
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:
单车速度与限速下限速度差值:Vdi=Vc-Vm(min) (15)
限速上限速度与单车速度差值:Vda=Vm(mian)-Vc (16);
E:使用贝叶斯算法生成模型:
选取概率值最大的作为该车辆的最终类别。
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。
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。
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。
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。
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。
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。
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。
与现有技术相比,本发明的有益效果如下:
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。
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
图1为本发明计算流程图。
具体实施方式
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:
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;
进入时间:InTime=SDRStGpsTime (1)
退出时间:OutTime=SDREdGpsTime (2)
进入距离:InPositionToSNode=SDREnterDistance (3)
退出距离:OutPositionToSNode=SDRQuitDistance (4);
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:
进入时间:同公式InTime=SDRStGpsTime (1)
traceTime=(SDREdGpsTime-SDRStGpsTime-STwaitTime)*traLenRati (6)
lastOutTime=lastOutTime+traceTime (7)
由公式(5)(6)(7)推算出:OutTime=lastOutTime
进入距离:InPositionToSNode=SDREnterDistance (8)
退出距离:OutPositionToSNode=CurrLinkLen (9)
第2根到N-1根link:
进入时间:InTime=lastOutTime (10)
退出时间:
由公式(11)(6)(7)推算出:OutTime=lastOutTime
进入距离:InPositionToSNode=0 (12)
退出距离:同公式OutPositionToSNode=CurrLinkLen (9)
第N根link:进入时间:InTime=lastOutTime (13)
退出时间:同公式OutTime=SDREdGpsTime (2)
进入距离:同公式InPositionToSNode=0 (12)
退出距离:同公式OutPositionToSNode=SDRQuitDistance (4);
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:
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:
单车速度与限速下限速度差值:Vdi=Vc-Vm(min) (15)
限速上限速度与单车速度差值:Vda=Vm(mian)-Vc (16);
E:使用贝叶斯算法生成模型:
选取概率值最大的作为该车辆的最终类别。
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。
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。
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。
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。
步骤D中Vm(min)—Link限速下限速度,Vm(man)—Link限速上限速度。
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。
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。
实施例一:
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:
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;
进入时间:InTime=SDRStGpsTime (1)
退出时间:OutTime=SDREdGpsTime (2)
进入距离:InPositionToSNode=SDREnterDistance (3)
退出距离:OutPositionToSNode=SDRQuitDistance (4);
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:
进入时间:同公式InTime=SDRStGpsTime (1)
traceTime=(SDREdGpsTime-SDRStGpsTime-STwaitTime)*traLenRati (6)
lastOutTime=lastOutTime+traceTime (7)
由公式(5)(6)(7)推算出:OutTime=lastOutTime
进入距离:InPositionToSNode=SDREnterDistance (8)
退出距离:OutPositionToSNode=CurrLinkLen (9)
第2根到N-1根link:
进入时间:InTime=lastOutTime (10)
退出时间:
由公式(11)(6)(7)推算出:OutTime=lastOutTime
进入距离:InPositionToSNode=0 (12)
退出距离:同公式OutPositionToSNode=CurrLinkLen (9)
第N根link:进入时间:InTime=lastOutTime (13)
退出时间:同公式OutTime=SDREdGpsTime (2)
进入距离:同公式InPositionToSNode=0 (12)
退出距离:同公式OutPositionToSNode=SDRQuitDistance (4);
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:
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:
单车速度与限速下限速度差值:Vdi=Vc-Vm(min) (15)
限速上限速度与单车速度差值:Vda=Vm(mian)-Vc (16);
E:使用贝叶斯算法生成模型:
选取概率值最大的作为该车辆的最终类别。
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。
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。
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。
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。
步骤D中Vm(min)—Link限速下限速度,Vm(man)—Link限速上限速度。
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。
实施例二:
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:
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;
进入时间:InTime=SDRStGpsTime (1)
退出时间:OutTime=SDREdGpsTime (2)
进入距离:InPositionToSNode=SDREnterDistance (3)
退出距离:OutPositionToSNode=SDRQuitDistance (4);
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:
进入时间:同公式InTime=SDRStGpsTime (1)
traceTime=(SDREdGpsTime-SDRStGpsTime-STwaitTime)*traLenRati (6)
lastOutTime=lastOutTime+traceTime (7)
由公式(5)(6)(7)推算出:OutTime=lastOutTime
进入距离:InPositionToSNode=SDREnterDistance (8)
退出距离:OutPositionToSNode=CurrLinkLen (9)
第2根到N-1根link:
进入时间:InTime=lastOutTime (10)
退出时间:
由公式(11)(6)(7)推算出:OutTime=lastOutTime
进入距离:InPositionToSNode=0 (12)
退出距离:同公式OutPositionToSNode=CurrLinkLen (9)
第N根link:进入时间:InTime=lastOutTime (13)
退出时间:同公式OutTime=SDREdGpsTime (2)
进入距离:同公式InPositionToSNode=0 (12)
退出距离:同公式OutPositionToSNode=SDRQuitDistance (4);
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:
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:
单车速度与限速下限速度差值:Vdi=Vc-Vm(min) (15)
限速上限速度与单车速度差值:Vda=Vm(mian)-Vc (16);
E:使用贝叶斯算法生成模型:
选取概率值最大的作为该车辆的最终类别。
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。
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。
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。
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。
步骤D中Vm(min)—Link限速下限速度,Vm(man)—Link限速上限速度。
实施例三:
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:
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;
进入时间:InTime=SDRStGpsTime (1)
退出时间:OutTime=SDREdGpsTime (2)
进入距离:InPositionToSNode=SDREnterDistance (3)
退出距离:OutPositionToSNode=SDRQuitDistance (4);
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:
进入时间:同公式InTime=SDRStGpsTime (1)
traceTime=(SDREdGpsTime-SDRStGpsTime-STwaitTime)*traLenRati (6)
lastOutTime=lastOutTime+traceTime (7)
由公式(5)(6)(7)推算出:OutTime=lastOutTime
进入距离:InPositionToSNode=SDREnterDistance (8)
退出距离:OutPositionToSNode=CurrLinkLen (9)
第2根到N-1根link:
进入时间:InTime=lastOutTime (10)
退出时间:
由公式(11)(6)(7)推算出:OutTime=lastOutTime
进入距离:InPositionToSNode=0 (12)
退出距离:同公式OutPositionToSNode=CurrLinkLen (9)
第N根link:进入时间:InTime=lastOutTime (13)
退出时间:同公式OutTime=SDREdGpsTime (2)
进入距离:同公式InPositionToSNode=0 (12)
退出距离:同公式OutPositionToSNode=SDRQuitDistance (4);
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:
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:
单车速度与限速下限速度差值:Vdi=Vc-Vm(min) (15)
限速上限速度与单车速度差值:Vda=Vm(mian)-Vc (16);
E:使用贝叶斯算法生成模型:
选取概率值最大的作为该车辆的最终类别。
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。
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。
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。
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
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。
Claims (8)
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:
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;
进入时间:InTime=SDRStGpsTime (1)
退出时间:OutTime=SDREdGpsTime (2)
进入距离:InPositionToSNode=SDREnterDistance (3)
退出距离:OutPositionToSNode=SDRQuitDistance (4);
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:
进入时间:同公式InTime=SDRStGpsTime (1)
traceTime=(SDREdGpsTime-SDRStGpsTime-STwaitTime)*traLenRati (6)
lastOutTime=lastOutTime+traceTime (7)
由公式(5)(6)(7)推算出:OutTime=lastOutTime
进入距离:InPositionToSNode=SDREnterDistance (8)
退出距离:OutPositionToSNode=CurrLinkLen (9)
第2根到N-1根link:
进入时间:InTime=lastOutTime (10)
退出时间:
由公式(11)(6)(7)推算出:OutTime=lastOutTime
进入距离:InPositionToSNode=0 (12)
退出距离:同公式OutPositionToSNode=CurrLinkLen (9)
第N根link:进入时间:InTime=lastOutTime (13)
退出时间:同公式OutTime=SDREdGpsTime (2)
进入距离:同公式InPositionToSNode=0 (12)
退出距离:同公式OutPositionToSNode=SDRQuitDistance (4);
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:
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:
单车速度与限速下限速度差值:Vdi=Vc-Vm(min) (15)
限速上限速度与单车速度差值:Vda=Vm(mian)-Vc (16);
E:使用贝叶斯算法生成模型:
选取概率值最大的作为该车辆的最终类别。
2.根据权利要求1所述的一种基于朴素贝叶斯的车辆类型分类算法,其特征在于: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。
3.根据权利要求1所述的一种基于朴素贝叶斯的车辆类型分类算法,其特征在于: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。
4.根据权利要求1所述的一种基于朴素贝叶斯的车辆类型分类算法,其特征在于: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。
5.根据权利要求1所述的一种基于朴素贝叶斯的车辆类型分类算法,其特征在于: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。
6.根据权利要求1所述的一种基于朴素贝叶斯的车辆类型分类算法,其特征在于:所述步骤D中Vm(min)—Link限速下限速度,Vm(man)—Link限速上限速度。
7.根据权利要求1所述的一种基于朴素贝叶斯的车辆类型分类算法,其特征在于: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。
8.根据权利要求1所述的一种基于朴素贝叶斯的车辆类型分类算法,其特征在于: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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111233053.4A CN113887659A (zh) | 2021-10-22 | 2021-10-22 | 一种基于朴素贝叶斯的车辆类型分类算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111233053.4A CN113887659A (zh) | 2021-10-22 | 2021-10-22 | 一种基于朴素贝叶斯的车辆类型分类算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887659A true CN113887659A (zh) | 2022-01-04 |
Family
ID=79004189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111233053.4A Pending CN113887659A (zh) | 2021-10-22 | 2021-10-22 | 一种基于朴素贝叶斯的车辆类型分类算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887659A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092037A (zh) * | 2023-02-13 | 2023-05-09 | 长沙理工大学 | 融合轨迹空间-语义特征的车辆类型识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102278995A (zh) * | 2011-04-27 | 2011-12-14 | 中国石油大学(华东) | 基于gps探测的贝叶斯路径规划装置及方法 |
CN108882326A (zh) * | 2018-06-29 | 2018-11-23 | 吉林大学 | 车联网环境下基于隐朴素贝叶斯分类方法的垂直切换算法 |
CN109005173A (zh) * | 2018-08-02 | 2018-12-14 | 北京航空航天大学 | 一种基于交通流密度差异的车联网异常入侵检测方法 |
US20200167934A1 (en) * | 2018-11-27 | 2020-05-28 | GM Global Technology Operations LLC | Systems and methods for applying maps to improve object tracking, lane-assignment and classification |
CN113053109A (zh) * | 2020-12-23 | 2021-06-29 | 沈阳世纪高通科技有限公司 | 一种用于绿波评价的轨迹生成方法 |
-
2021
- 2021-10-22 CN CN202111233053.4A patent/CN113887659A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102278995A (zh) * | 2011-04-27 | 2011-12-14 | 中国石油大学(华东) | 基于gps探测的贝叶斯路径规划装置及方法 |
CN108882326A (zh) * | 2018-06-29 | 2018-11-23 | 吉林大学 | 车联网环境下基于隐朴素贝叶斯分类方法的垂直切换算法 |
CN109005173A (zh) * | 2018-08-02 | 2018-12-14 | 北京航空航天大学 | 一种基于交通流密度差异的车联网异常入侵检测方法 |
US20200167934A1 (en) * | 2018-11-27 | 2020-05-28 | GM Global Technology Operations LLC | Systems and methods for applying maps to improve object tracking, lane-assignment and classification |
CN113053109A (zh) * | 2020-12-23 | 2021-06-29 | 沈阳世纪高通科技有限公司 | 一种用于绿波评价的轨迹生成方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092037A (zh) * | 2023-02-13 | 2023-05-09 | 长沙理工大学 | 融合轨迹空间-语义特征的车辆类型识别方法 |
CN116092037B (zh) * | 2023-02-13 | 2023-07-28 | 长沙理工大学 | 融合轨迹空间-语义特征的车辆类型识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN103839409A (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
CN111949896B (zh) | 基于轨迹大数据的轨迹异常检测方法 | |
CN110807924A (zh) | 基于全量全样实时交通数据的多参数融合方法及系统 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN113436433B (zh) | 一种高效的城市交通离群值检测方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN106956680A (zh) | 一种电动汽车驾驶行为识别分析方法 | |
CN110889444A (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
CN113887659A (zh) | 一种基于朴素贝叶斯的车辆类型分类算法 | |
Wang et al. | ARIMA Model and Few‐Shot Learning for Vehicle Speed Time Series Analysis and Prediction | |
CN114912689A (zh) | 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统 | |
CN113674525B (zh) | 基于稀疏数据的信号交叉口车辆排队长度预测方法 | |
CN114596709A (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN112926630B (zh) | 路线规划方法、装置、电子设备以及计算机可读介质 | |
CN116092037B (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
Das et al. | Why slammed the brakes on? auto-annotating driving behaviors from adaptive causal modeling | |
CN115565376A (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
CN113470343B (zh) | 阻断道路的开通检测方法、装置、设备及存储介质 | |
Kyaw et al. | Estimating travel speed of yangon road network using gps data and machine learning techniques | |
Anil et al. | Driver behavior analysis using K-means algorithm | |
CN115456036A (zh) | 基于北斗数据的营运车辆异常驾驶行为识别方法及系统 | |
Wen et al. | Analysis of vehicle driving styles at freeway merging areas using trajectory data |
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 |