[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

说明书

本发明提供了一种基于机器学习和车牌识别数据的缺失路径修复方法，通过对获取的车牌识别数据寻找可能的噪声源，对其进行筛选清洗，提取车辆的出行轨迹，然后对出行轨迹针对行程时间的异常值进行进一步处理，以保证出行轨迹数据的有效性和合理性；并提取出行轨迹数据中的有效特征以训练有效的机器学习模型，针对大规模点位及车牌识别数据的缺失路径，估计出车辆经过每个路口的信息从而形成完整出行链。本发明方法以城市视频车牌识别数据的基本数据项为基础，解决了由于车牌识别数据存在漏拍、错拍等点位缺失现象，导致基于其提取的机动车出行轨迹存在路径缺失的问题。

技术领域

本发明涉及智能交通技术领域，更具体地，涉及一种基于机器学习和车牌识别数据的缺失路径修复方法。

背景技术

随着智能交通领域行业的发展势头及大数据存储与数据挖掘技术的兴起，基于人工智能机器学习、深度学习等技术的快速发展，基于交通基础数据，如自动车牌识别数据(Automatic Number Plate Recognition,ANPR)、全球定位系统数据(Global PositioningSystem,GPS)数据、线圈数据、手机信令等数据采集技术的升级，可以获取越来越多有效的出行轨迹相关信息，为对交通出行轨迹进行数据的提取打下基础，通过获得的准确的出行轨迹信息，能够反推交通出行起讫点 (Origin Destination,OD)信息及职住比信息，为交通政策制定、交通规划与设计、交通控制与管理、交通信息发布等决策提供可靠的信息支持。

其中由于自动车牌识别数据具有连续性强、数据精度高、检测样本量大等优点，目前更多地通过自动车牌识别数据来获取出行轨迹。但由于检测设备故障、拍摄角度不对、车速过快、车流量过大等原因，城市视频设备的检测率存在一定的精度问题，在实际生成的源数据中存在漏拍、错拍等点位缺失问题，导致提取的机动车出行轨迹往往不能真实地匹配其实际的出行轨迹，存在路径缺失的现象。

发明内容

本发明为解决由于车牌识别数据存在漏拍、错拍等点位缺失现象，导致基于其提取的机动车出行轨迹存在路径缺失的问题，提供了一种基于机器学习和车牌识别数据的缺失路径修复方法。

为实现以上发明目的，而采用的技术手段是：

一种基于机器学习和车牌识别数据的缺失路径修复方法，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。

上述方案中，通过对获取的车牌识别数据寻找可能的噪声源，对其进行筛选清洗，提取车辆的出行轨迹，然后对出行轨迹针对行程时间的异常值进行进一步处理，以保证出行轨迹数据的有效性和合理性；并提取出行轨迹数据中的有效特征以训练有效的机器学习模型，针对大规模点位及车牌识别数据的缺失路径，估计出车辆经过每个路口的信息从而形成完整出行链。

优选的，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。

优选的，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；