[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

说明书

本申请公开了一种交通模式聚类模型训练方法、模式识别方法及存储介质，涉及智能交通技术领域。本申请实施例包括：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。本申请通过对无标签数据进行数据挖掘和算法设计，可以有效地缓解标签数据需求并且节省应用成本；通过在卷积自编码器网络的嵌入层上附加聚类层，能够获取更好的聚类性能；通过无标签交通轨迹数据训练复合聚类模型获取交通模式聚类模型，能够实现在无标签的无监督学习条件下对交通模式的识别。

技术领域

本申请实施例涉及智能交通技术领域，尤其是涉及一种交通模式聚类模型训练方法、模式识别方法及存储介质。

背景技术

交通模式识别是一种通过用户的出行数据来推断其出行方式的一种任务。交通模式识别基于位置的服务，可以根据用户的实时位置和出行信息向用户提供准确、个性化的信息。

全球定位系统(Global Positioning System，GPS)传感器是一种可以捕获具有时间戳和经纬度多元组的传感器。它们被部署在大多数智能手机和汽车上，和用户的行为有较强的相关性，比传统定位传感器覆盖更广泛的路径。然而，仅根据GPS轨迹数据来推断用户的出行方式是十分困难的，因为GPS传感器只能记录用户移动的时空特征，对所使用的出行方式没有明确的信息。

发明内容

本申请旨在一定程度上至少解决现有技术中存在的技术问题之一。为此，本申请实施例提供了一种交通模式聚类模型训练方法、模式识别方法及存储介质，能够有效地利用无标签数据，实现在无标签的无监督学习条件下对交通模式的识别。

第一方面，本申请实施例提供了一种交通模式聚类模型训练方法，包括：在卷积自编码器网络(CAE)的嵌入层上附加聚类层以获取复合聚类模型；采用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。

本申请实施例提供的交通模式聚类模型训练方法至少具有如下有益效果：

1.通过对无标签数据进行数据挖掘和算法设计，可以有效地缓解标签数据需求并且节省应用成本；

2.通过在卷积自编码器网络的嵌入层上附加聚类层，能够获取更好的聚类性能；

3.通过无标签交通轨迹数据训练复合聚类模型获取交通模式聚类模型，能够实现在无标签的无监督学习条件下对交通模式的识别。

在一些实施例中，无标签交通轨迹数据为多段路径切分的数据集。

在另一些实施例中，无标签交通轨迹数据包括局部特征数据和全局特征数据，局部特征数据包括以下至少之一：速度、加速度、加加速度；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；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。

在一些实施例中，卷积自编码器网络包括编码器和解码器，编码器包括第一卷积层、最大池化层和嵌入层；解码器包括第二卷积层、重塑层、反卷积层及反池化层。

在一些实施例中，在卷积自编码器网络的嵌入层上附加聚类层之前，还包括：使用无标签交通轨迹数据对卷积自编码器网络进行预训练。

在一些实施例中，采用复合聚类模型对无标签交通轨迹数据进行训练，包括：将无标签交通轨迹数据划分成至少一个嵌入样本；根据嵌入样本和可训练权值获取聚类隶属度；根据聚类隶属度获取归一化目标分布；根据归一化目标分布和聚类隶属度获取相对熵；采用相对熵对嵌入样本进行聚类。

在另一些实施例中，根据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归一化目标分布的更新频率。

第二方面，本申请实施例提供了一种交通模式识别方法，包括：获取无标签交通轨道数据；采用第一方面一些实施例的交通模式聚类模型对无标签交通轨道数据进行处理，获取交通模式识别结果。