[发明专利]基于词袋模型及度量学习的车辆轨迹聚类方法

说明书

本发明公开了基于词袋模型及度量学习的车辆轨迹聚类方法，包括：提取车辆轨迹点运动参量；基于最小描述长度原理将所述车辆轨迹划分为多个最佳同质车辆轨迹段，并获取各段统计特征以得到所述车辆轨迹段特征集；基于词袋模型及非凸低秩约束度量学习方法将每个最佳同质车辆轨迹段编码为定长向量以获得其特征描述符；通过K‑means算法及所述非凸低秩约束度量学习方法聚集所述特征描述符以实现车辆轨迹聚类。本发明引入速度、加速度及转向角信息并对车辆轨迹进行特征编码，进而聚集处于不同时段及区域内的车辆轨迹；此外提出基于非凸低秩约束度量学习方法以提升相似性度量性能。

技术领域

本发明涉及车辆轨迹聚类方法，具体涉及基于词袋模型及度量学习的车辆轨迹聚类方法。

背景技术

随着全球定位系统(GPS,Global Positioning System)、无线传感器网络(WSN,Wireless SensorNetwork)等相关定位技术的快速发展，对于车辆的跟踪愈加容易，其运动轨迹可被获取并处理以挖掘所蕴含的相关物理特性等信息。作为时空轨迹挖掘任务的重要环节，车辆轨迹的聚类聚集相似轨迹形成轨迹簇以表征车辆潜在行为特征并据此预测位置以及检测异常，因而，其在实际应用中具有重要意义。

车辆轨迹的聚类通常基于距离度量相似轨迹以构成轨迹簇。传统车辆轨迹相似性度量方法将车辆轨迹视为时间序列并基于诸如最长公共子序列(LCSS,Longest CommonSub-sequence)、动态时间规整(DTW,Dynamic Time Warping)等时间序列相似度算法度量车辆轨迹相似性，此类方法实现较为简单，然而其仅可度量固定区域及时间段内车辆轨迹相似性，因而度量精度有限。针对此问题，Yao D等人提出基于表示的轨迹相似度量算法，利用序列至序列自编码器(SA,Sequence-to-sequence Auto-encoder)将不同区域内长度及采样率各异的轨迹编码为固定长度的特征向量，而后基于欧式距离度量轨迹相似性，然而由于欧式度量仅考虑各特性差异，从而导致相似性度量误差较大进而使得聚类精度下降。基于此，Deng Z H等人提出基于大间隔最近邻(LMNN,large margin nearestneighbor)的度量学习方法，该方法充分利用样本标签信息构建马氏距离度量矩阵以度量样本相似性，然而其未考虑度量矩阵半正定约束所导致的计算复杂度显著上升以及度量矩阵学习易过拟合等问题，从而导致该算法相似性度量性能有限。由此，Zhong G等人提出基于LMNN的低秩度量学习方法，其基于Deng Z H等人所提算法基础上增加低秩约束以正则化学习模型从而降低计算复杂度并避免过拟合，然而由于其利用核范数近似度量矩阵秩，而核范数相较于非凸函数秩逼近性能较差，从而使得正则化模型精度下降进而导致聚类性能降低。

发明内容

针对传统基于距离度量的车辆轨迹聚类方法的聚类效果不佳问题，本发明目的在于提供基于词袋模型及度量学习的车辆轨迹聚类方法，其基于词袋模型理论并根据车辆轨迹的相关物理特性对轨迹进行特征编码，从而获得定长的车辆轨迹特征描述符，而后利用改进K-means算法聚集所有车辆轨迹的特征描述符，进而形成不同的轨迹簇以表征车辆的行为特征，以便检测车辆异常行为以及预测车辆位置。

为实现上述目的，本申请的技术方案为：基于词袋模型及度量学习的车辆轨迹聚类方法，包括：

提取车辆轨迹点运动参量；

基于最小描述长度原理将所述车辆轨迹划分为多个最佳同质车辆轨迹段，并获取各段统计特征以得到所述车辆轨迹段特征集；

基于词袋模型及非凸低秩约束度量学习方法将每个最佳同质车辆轨迹段编码为定长向量以获得其特征描述符；

通过K-means算法及所述非凸低秩约束度量学习方法聚集所述特征描述符以实现车辆轨迹聚类。

进一步的，提取车辆轨迹点运动参量，如速度、加速度及转向角，具体为：