[发明专利]一种基于深半监督神经网络的轨迹数据挖掘方法

权利要求书

1.一种基于深半监督神经网络的轨迹数据挖掘方法，其特征是，包括如下步骤：

对目标车辆轨迹数据进行分段处理；

将处理后的目标车辆轨迹数据输入预先训练好的深半监督神经网络，获取目标车辆轨迹数据所对应的驾驶风格，所述深半监督神经网络基于CNN分类器和卷积反卷积自动编码器构建而成。

2.根据权利要求1所述的基于深半监督神经网络的轨迹数据挖掘方法，其特征是，所述卷积反卷积自动编码器包括卷积网络编码器和与其相对应的反卷积网络解码器，卷积网络编码器的输出端与反卷积网络解码器的输入端连接，卷积网络编码器与CNN分类器共享卷积层。

3.根据权利要求2所述的基于深半监督神经网络的轨迹数据挖掘方法，其特征是，所述深半监督神经网络的训练方法，包括：

以深半监督神经网络的损失函数最小为目标，对卷积网络编码和CNN分类器进行联合训练。

4.根据权利要求3所述的基于深半监督神经网络的轨迹数据挖掘方法，其特征是，所述深半监督神经网络的损失函数，其表达式如下：

l^code+cls＝αl^code+βl^cls，

式中，l^code+cls为深半监督神经网络的损失函数，l^code为卷积网络编码器的损失函数，l^cls为CNN分类器的损失函数，α和β为深半监督神经网络的损失函数的超参数。

5.根据权利要求4所述的基于深半监督神经网络的轨迹数据挖掘方法，其特征是，所述联合训练，包括：

先设定α等于β，对深半监督神经网络进行训练，直至深半监督神经网络的测试集准确率的平均波动小于1％；

再设定α大于β，对深半监督神经网络进行训练，直至深半监督神经网络的测试集准确率的平均波动小于1％。

6.根据权利要求5所述的基于深半监督神经网络的轨迹数据挖掘方法，其特征是，当设定α等于β时，令α＝β＝1；

当设定α大于β时，令α∈[1,1.5]，β＝0.1。

7.根据权利要求1所述的基于深半监督神经网络的轨迹数据挖掘方法，其特征是，在将处理后的目标车辆轨迹数据输入预先训练好的深半监督神经网络之前，还包括：

基于历史或/和实时车辆轨迹数据构建训练样本集；

对训练样本集中的车辆轨迹数据进行分段处理；

利用处理后的训练样本集对预构建的深半监督神经网络进行训练。

8.根据权利要求7所述的基于深半监督神经网络的轨迹数据挖掘方法，其特征是，在利用处理后的训练样本集对预构建的深半监督神经网络进行训练之前，还包括：对训练样本集中的部分车辆轨迹数据进行标签化处理。

9.根据权利要求8所述的基于深半监督神经网络的轨迹数据挖掘方法，其特征是，所述标签化处理包括利用时域分析法或/和违章分析法对训练样本集中车辆轨迹数据进行标签化处理，所述时域分析法包括：

对训练样本集中车辆轨迹数据的轨迹点进行时域分析，获取所述轨迹点中急加速或/和急减速的轨迹点数；

基于所述急加速或/和急减速的轨迹点数以及车辆轨迹数据的轨迹点总数，获取所述车辆轨迹数据对应的车辆驾驶安全性评分；

基于车辆驾驶安全性评分值大小，确立所述车辆轨迹数据对应的车辆轨迹数据标签。

10.根据权利要求9所述的基于深半监督神经网络的轨迹数据挖掘方法，其特征是，所述车辆驾驶安全性评分，其计算公式如下：

式中，ρ为车辆驾驶安全性评分，a_neg为车辆轨迹数据的轨迹点中急减速的轨迹点数，a_pos为车辆轨迹数据的轨迹点中急加速的轨迹点数，a_all为车辆轨迹数据的轨迹点总数。