[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

说明书

本发明公开了交通数据信息挖掘技术领域的一种基于深半监督神经网络的轨迹数据挖掘方法，旨在解决现有技术中从车辆轨迹数据中挖掘驾驶员的驾驶风格时，由于标记的数据量少、标记数据成本高昂的缘故，使得数据挖掘算法建立的模型鲁棒性偏低的技术问题。所述方法包括如下步骤：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。

技术领域

本发明涉及一种基于深半监督神经网络的轨迹数据挖掘方法，属于交通数据信息挖掘技术领域。

背景技术

随着中国社会迈入全面小康时代，居民收入水平迅速提高，与此同时道路私家车保有量不断增加，驾驶员规模也不断上升，汽车产业服务以及为围绕着驾驶员需求的服务业发展愈发迅猛。然而在庞大的驾驶员规模中，驾驶员的行为习惯、驾驶能力存在着巨大差异，汽车服务相关产业界发现通过对驾驶员进行精细化建模分析，可以为驾驶人员提供更舒适的服务、为商业车队运营商提供更精细的管理、为车辆保险业提供更经济的运营。

驾驶员的驾驶行为，是独立于车辆硬件状态而影响交通事故的重要因素。目前，通常采用视频摄像头或惯导传感器等采集驾驶员的驾驶行为，进而分析其驾驶风格。由于采集设备需要独立安装并供电，该方案投入成本较大，不利于全面推广应用。车辆轨迹分析旨在通过车辆轨迹数据评估和分析驾驶员的驾驶行为。随着车载定位系统以及车联网通信技术的迅速发展，车辆位置信息的获取与数据传输变得更为容易。运用车辆轨迹数据进行安全驾驶行为分析，具有位置实时性、轨迹连续性等重要优势。

然而由于从传感器直接获取到的定位信息不具有直接的自我解释性，需要结合定位坐标的地图可视化以及驾驶员的相关信息才能理解并获取到的车辆轨迹的驾驶风格，车辆轨迹数据中绝大部分的轨迹可能没有标记的，即没有提供产生车辆轨迹的驾驶员与驾驶员行为的相关数据。因为与获得未标记的数据相比，获取标记的数据是一项更昂贵和费力的任务。因此充分利用未标记的数据并与标记的数据相结合可以捕获更多的数据特征或者将特征表达的更准确，以此进一步增强模型的泛化能力，是当前该领域模型进一步的努力方向。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于深半监督神经网络的轨迹数据挖掘方法，以解决现有技术中从车辆轨迹数据中挖掘驾驶员的驾驶风格时，由于标记的数据量少、标记数据成本高昂的缘故，使得数据挖掘算法建立的模型鲁棒性偏低的技术问题。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于深半监督神经网络的轨迹数据挖掘方法，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。

进一步地，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。

进一步地，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。

进一步地，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，