[发明专利]基于马尔可夫链的重型车辆坡道爬行行为识别方法

权利要求书

1.基于马尔可夫链的重型车辆坡道爬行行为识别方法，其特征在于，包括如下步骤：

步骤1：获取重型车辆的行驶数据，对行驶数据进行数据清洗，获得样本行驶数据，所述样本行驶数据包括位置数据、高度观测数据、车速数据与时间数据；

步骤2：对步骤1得到的样本行驶数据进行真实地图匹配与日期分段，并将分段后的样本行驶数据划分为训练集和测试集，建立高度预测模型，将训练集的高度观测数据输入高度预测模型，得到训练集的高度数据的最优预测值；

步骤3：获取步骤2得到训练集的高度数据的最优预测值与高度观测数据之间的误差阈值，根据误差阈值标记训练集的高度数据的最优预测值获得基准数据，将基准数据与步骤2得到的训练集的高度数据的最优预测值进行匹配，获得标高轨迹；

步骤4：对步骤3获得的标高轨迹进行特征提取，建立基于马尔科夫链的重型车辆爬坡行为模型，将步骤2获得的测试集的样本行驶数据输入重型车辆爬坡行为模型，识别出测试集中重型车辆的爬行行为；

步骤2包括以下子步骤：

步骤2.1：对步骤1得到的样本行驶数据进行真实地图匹配并采用语义分割方法进行日期分段，将具有相似特征的行驶数据分为一段，并将分段后的样本行驶数据划分为训练集和测试集；

步骤2.2：利用式Ⅰ建立高度预测模型：

H(k|k-1)＝P(k|k-1)+Kg(k)[Y(k)-H(k|k-1)] 式Ⅰ

其中，H为车辆行驶的海拔高度数据，Kg(k)为k时刻的卡尔曼增益，Y(k)为k时刻的高度观测矩阵，H(k|k-1)为卡尔曼滤波后k时刻高度数据的最优预测值，P(k|k-1)为卡尔曼滤波后k时刻高度数据的协方差矩阵，k-1时刻为观测时刻，k时刻为预测时刻；

步骤2.3：将训练集的高度观测数据输入高度预测模型，得到训练集的高度数据的最优预测值；

步骤4包括如下子步骤：

步骤4.1：对步骤3获得的标高轨迹进行特征提取，所述特征为高度差与连续高度差和；

步骤4.2：利用式Ⅲ建立基于马尔科夫链的重型车辆爬坡行为模型，

P(D|HD)表示通过高度差来判断车辆行驶模式的概率，D表示行驶模式，D＝0表示平路，D＝1表示上坡，HD表示高度差，α和β是优化参数；

步骤4.3：将步骤2获得的测试集的样本行驶数据输入重型车辆爬坡行为模型，识别出测试集中重型车辆的爬行行为。

2.如权利要求1所述的基于马尔可夫链的重型车辆坡道爬行行为识别方法，其特征在于，步骤1中的数据清洗包括：

(1)对于数据出发时间、接收时间以及经纬度其中任一项相同的重复的行驶数据进行剔除；

(2)对时间连续、经纬度差异精确到小数点后四位相同却出现高度值明显异常的行驶数据进行中值处理；

(3)对缺失的行驶数据，采取前后值做均值的方法进行插值处理；

(4)对时序混乱的行驶数据进行重新排序处理。

3.如权利要求1所述的基于马尔可夫链的重型车辆坡道爬行行为识别方法，其特征在于，步骤3包括如下子步骤：

步骤3.1：获取步骤2得到训练集的高度数据的最优预测值与高度观测数据，利用式Ⅱ得到二者之间的误差阈值AT，

其中，n为分段得到的时间段数，SSP_K为k时刻的短期停留点，短期停留点代表在一定时间间隔内重型车辆以0m/s速度行驶的一段地理数据；

步骤3.2：根据步骤3.1得到的误差阈值AT对训练集的高度数据的最优预测值进行标记，若相邻两个时刻的高度数据差大于误差阈值AT则标记为1，否则标记为0，将标记后的训练集的高度数据的最优预测值记为基准数据；

步骤3.3：将步骤3.2得到的基准数据和步骤2得到的训练集的高度数据的最优预测值进行匹配，获得标高轨迹。

4.如权利要求1所述的基于马尔可夫链的重型车辆坡道爬行行为识别方法，其特征在于，步骤4.2中优化参数α和β的选取具体为：

(1)采用高斯分布构造参数α和β的先验概率分布；

(2)建立基于伯努利变量的爬行概率P(HD_i)与参数α和β映射关系；

(3)采用先验高斯分布N(μ,σ²)构造目标分布为P(D|HD)的马尔可夫链，来确定状态间的转移概率,产生重型车辆爬坡行为模型的概率分布样本；

(4)扩展MCMC从两个高斯分布中对α和β进行抽样，获得每个参数的样本集合，进而获得所有样本的平均值及最大似然状态，最终确定合理的参数α和β。