[发明专利]基于短时GPS轨迹数据的车辆分类方法

说明书

本发明涉及一种基于短时GPS轨迹数据的车辆分类方法。本发明首先对原始GPS数据进行预处理得到用于网络输入的GPS数据表示，其次采用重采样技术用于重新平衡不平衡数据集的样本空间以解决真实路网中存在的车型分布不平衡情况，最后针对GPS数据源的时序性和短时高频特性，开发了一种多级离散小波分解和双向LSTM网络结合的深度学习网络模型用于车辆分类，经过超参数选定和模型训练后，即可完成分类任务。本发明既充分考虑到GPS数据的隐私性，又为真实路网中存在的车型分布的不平衡性提供了可行的解决方法，并且本发明能够有效的抓取GPS轨迹数据中所包含的深度特征，从而达到较高的分类准确度。

技术领域

本发明涉及一种车辆分类方法，尤其涉及一种基于短时GPS轨迹数据的车辆分类方法。

背景技术

近年来，随着城市化进程的不断加快，保有量大、增速快、流动范围广的机动车移动污染源会向城市大气环境中排放大量污染物，严重影响民众的身体健康和城市的生产生活。因此，移动污染源的排放监控已成为降低城市大气污染水平、改善城市空气质量的关键。测量移动污染源尾气中的污染物浓度是进行移动污染源排放监控的前提，利用软件模型模拟机动车污染物排放因成本优势具有最强的可行性。对于这些模拟模型，机动车移动污染源的运动轨迹数据(如行驶速度、加速度、行驶里程等)和机动车类型是重要的输入参数，正确获取这些参数对于改善模型输出的精准性具有重要意义。机动车轨迹数据往往通过全球定位系统(GPS)支持，但是现存的一大挑战就是缺乏机动车记录行程的车辆类别信息，因此，从机动车GPS轨迹数据中获取车辆类别信息对于移动污染源的排放监控具有重要意义。

现有的机动车分类方法通常基于固定点传感器数据或GPS数据。然而，固定点传感器往往存在安装成本高、部署密度稀疏、干扰正常交通等缺陷；利用固定点传感器所获取的数据，难以对大规模城市路网中的机动车进行分类。相比于固定点传感器数据，GPS数据具有获取成本低、部署密度大、对交通无扰等优势；因此，有必要开发基于GPS数据的车辆分类方法，将路网中的机动车分为摩托车、轻型车、和重型车三种类型,按照美国联邦公路管理局(FHWA)设立的13类车辆分类标准，这三种车型分别为FHWA1、FHWA2-4和FHWA8-13，该方法可以为机动车污染源排放监测提供有价值的信息。

目前，基于GPS轨迹数据的车型分类方法不多，主要分为传统监督学习方法(SVM)和深度学习(RNN、CNN)分类方法。然而，现有方法存在以下缺陷：

(1)未能充分考虑到真实路网中存在的车型分布不平衡情况，这会产生分类模型训练过程中的训练样本不均衡问题，使模型性能大大降低；

(2)未能充分考虑到GPS数据源的隐私性，他们所收集的数据集都为大规模长时间段的低频GPS数据，收集大规模移动数据往往会引发隐私保护问题，攻击者可以通过分析大规模长时GPS移动数据并从中窃取车辆其他隐私信息。因此本发明重点开发基于短时GPS数据的车型识别模型。短时意味着模型的输入为一小段时长的GPS轨迹，可以极大的保护用户的隐私，但也同时意味着输入数据中包含信息的减少，需要设计的模型能够最大化提取GPS轨迹数据中的有效特征。

发明内容

本发明针对现有技术的不足，提供了一种基于短时GPS轨迹数据的车辆分类方法。

本发明包括以下步骤：

步骤1：对原始GPS数据进行预处理，预处理过程包含以下部分：

1)去除一些重复和不连续的GPS轨迹数据；

2)通过转换公式将原始GPS轨迹数据(时间戳和位置坐标)转换为车辆的移动信息(移动距离和行驶里程)和运动状态(包括速度，加速度)；

3)考虑不同车型的最大阈值速度，丢弃不现实的无效GPS点；

4)将原始GPS数据转换后的运动特征向量进行叠加得到用于模型输入的GPS数据表示。

步骤2：平衡数据集：