[发明专利]交通模式聚类模型训练方法、模式识别方法及存储介质

权利要求书

1.交通模式聚类模型训练方法，其特征在于，包括：

在卷积自编码器网络的嵌入层上附加聚类层以获取复合聚类模型；

采用所述复合聚类模型对无标签交通轨迹数据进行训练，获取交通模式聚类模型。

2.根据权利要求1所述的交通模式聚类模型训练方法，其特征在于，所述无标签交通轨迹数据为多段路径切分的数据集。

3.根据权利要求2所述的交通模式聚类模型训练方法，其特征在于，所述无标签交通轨迹数据包括局部特征数据和全局特征数据，所述局部特征数据包括以下至少之一：速度、加速度、加加速度；所述全局特征数据包括以下至少之一：平均速度、期望速度、最大速度、停止速率；所述停止速率为每段路径中速度小于阈值的数据点与全部数据点的数目之比。

4.根据权利要求1所述的交通模式聚类模型训练方法，其特征在于，所述卷积自编码器网络包括编码器和解码器，所述编码器包括第一卷积层、最大池化层和所述嵌入层；所述解码器包括第二卷积层、重塑层、反卷积层及反池化层。

5.根据权利要求1至4任一项所述的交通模式聚类模型训练方法，其特征在于，所述在卷积自编码器网络的嵌入层上附加聚类层之前，还包括：

使用所述无标签交通轨迹数据对所述卷积自编码器网络进行预训练。

6.根据权利要求5所述的交通模式聚类模型训练方法，其特征在于，所述预训练包括对所述卷积自编码器网络的重建损失进行最小化处理。

7.根据权利要求1至4任一项所述的交通模式聚类模型训练方法，其特征在于，所述采用所述复合聚类模型对无标签交通轨迹数据进行训练，包括：

将所述无标签交通轨迹数据划分成至少一个嵌入样本；

根据所述嵌入样本和可训练权值获取聚类隶属度；

根据所述聚类隶属度获取归一化目标分布；

根据所述归一化目标分布和所述聚类隶属度获取相对熵；

采用所述相对熵对所述嵌入样本进行聚类。

8.根据权利要求7所述的交通模式聚类模型训练方法，其特征在于，所述根据所述聚类隶属度获取归一化目标分布之后，还包括：

采用频率更新超参数控制所述归一化目标分布的更新频率。

9.交通模式识别方法，其特征在于，包括：

获取无标签交通轨道数据；

采用权利要求1至8任一项所述的交通模式聚类模型对所述无标签交通轨道数据进行处理，获取交通模式识别结果。

10.存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，其特征在于，所述一个或者多个程序可被一个或者多个处理器执行，以实现：

权利要求1至8任一项所述的交通模式聚类模型训练方法；或，

权利要求9所述的交通模式识别方法。