[发明专利]一种基于机器学习和车牌识别数据的缺失路径修复方法

权利要求书

1.一种基于机器学习和车牌识别数据的缺失路径修复方法，其特征在于，包括以下步骤：

S1.获取车牌识别数据，对所述车牌识别数据中的无效数据和冗余数据进行清洗，获取出行链数据集；

S2.基于所述出行链数据集和车牌识别数据，计算各路段的行程时间，对所述行程时间的异常值进行处理后，构建重构出行链数据集；

S3.对所述重构出行链数据集进行特征提取，然后输入基于机器学习的重构出行链模型进行训练；

S4.使用训练完毕的重构出行链模型对缺失的出行链数据集进行修复，得到补全的出行链数据；

步骤S3中所述输入重构出行链模型进行训练的具体步骤包括：

采用梯度提升决策树模型对所述用于模型训练的重构出行链数据集进行训练：

对所述模型训练的重构出行链数据集进行数据的预处理，将所述用于模型训练的重构出行链数据集按照缺失出行链的OD点对进行分组，并将各OD点对分组后的对应重构出行链数据集切分出来，单独训练各个OD点对的梯度提升决策树模型；并通过网格参数搜索法确定对应梯度提升决策树模型的最优参数，从而得到训练完毕的城市路网各个OD点对的重构出行链模型。

2.根据权利要求1所述的缺失路径修复方法，其特征在于，步骤S1中所述的车牌识别数据包括的属性有：车牌号VehicleID、车道编号LaneID、交叉口进口方向Direction、检测时间RecordTime、交叉口编号NodeID。

3.根据权利要求2所述的缺失路径修复方法，其特征在于，步骤S1中所述的对所述车牌识别数据中的无效数据和冗余数据进行清洗具体包括以下步骤：

S1.1.剔除车牌识别数据中的无效数据；

其中无效数据包括表示车辆车牌为套牌的无车牌数据项、表示车辆无车牌的无牌数据项、车辆车牌未被识别的未识别车牌数据项；以及车牌日检测次数N小于λ的数据项；其中将一日的车牌识别数据根据车牌号VehicleID属性进行分组，统计各分组的频数即为车牌日检测次数N；其中N、λ均为正整数；

S1.2.剔除车牌识别数据中的冗余数据；

其中冗余数据包括车牌在同一交叉口的检测时间间隔tt_ab小于预设阈值μ_detect的数据项；其中车牌在同一交叉口的检测时间间隔tt_ab定义为tt_ab＝t_a-t_b，其中t_a,t_b分别表示车牌经过交叉口Node_a,Node_b的时刻、且Node_a和Node_b对应相同的交叉口。

4.根据权利要求3所述的缺失路径修复方法，其特征在于，步骤S1中所述的获取出行链数据集的具体过程为：

S1.3.对清洗后的车牌识别数据按车牌号VehicleID进行分组，然后按检测时间RecordTime进行升序排序，得到group＝{group₁,…,group_i,...,group_k}；定义I,D,L,T,G∈group,i＝1,...,k，其中k为城市路网的总车辆数，I为进行分组和排序后属性VehicleID对应的数据，L为进行分组和排序后属性LaneID对应的数据，D为进行分组和排序后属性Direction对应的顺序数据，T为进行分组和排序后属性RecordTime对应的数据，G为进行分组和排序后属性NodeID对应的数据，I_i,D_i,L_i,T_i,G_i∈group_i；

定义每辆车辆的出行链数据集为G_i＝(Node_i1→…→Node_im→…→Node_iN)；

其中Node_im为车牌I_i的检测设备对应的交叉口，N为车牌日检测次数。