[发明专利]一种面向交通状态的时变性扇区动态分类方法

权利要求书

1.一种面向交通状态的时变性扇区动态分类方法，其特征在于，步骤如下：

1)采集扇区历史运行数据，计算动态运行特征变量数据并进行数据预处理，获取聚类输入特征向量；

2)扇区交通运行状态聚类分析；对步骤1)中获得的聚类输入特征向量进行扇区交通运行状态的聚类划分，通过划分结果获取扇区各类交通运行状态的数据集，将其作为相应的交通运行状态度量标准；

3)构建基于多层感知器的神经网络的时变性扇区动态分类模型；

4)开展面向扇区交通运行状态的时变性扇区动态分类。

2.根据权利要求1所述的面向交通状态的时变性扇区动态分类方法，其特征在于，所述步骤1)具体包括：

11)以15分钟为一个时间样本分析真实雷达航迹数据及仿真得到的扇区历史运行数据，获取与扇区交通运行状态相关的时变性状态表征指标数据作为基础数据集，包括扇区的静态结构因素以及动态交通因素；

12)采用Z-Score规范化样本数据，经过归一化处理的数据的均值为0，标准差为1；对指标进行相关性分析，进而对数据通过PCA分析进行规约处理，获取聚类输入特征向量。

3.根据权利要求1所述的面向交通状态的时变性扇区动态分类方法，其特征在于，所述步骤2)具体包括：

21)扇区交通运行状态类别数确定：对GA-KFCM聚类算法的聚类数c取不同值进行多组对比实验，确定最佳的自然聚类数；分析不同聚类簇数取值情况下，交通流样本数据集聚类的整体轮廓系数值以及V_KXB指标值，以选取最佳的聚类数c值，获得最佳聚类效果；

22)扇区交通运行状态聚类分析：对GA-KFCM聚类算法参数进行初始化设置，将聚类输入特征向量输入聚类算法，划分得到各类扇区交通运行状态；结合不同交通状态下部分指标的核密度估计图所反映的交通流表征指标分布情况，分析各类扇区交通运行状态；通过划分结果获取扇区内各类交通运行状态的历史状态数据集，将其作为相应的交通运行状态度量标准。

4.根据权利要求1所述的面向交通状态的时变性扇区动态分类方法，其特征在于，所述步骤3)具体包括：

31)将历史状态数据集分离成训练数据集和评估数据集；验证分割参数设置为原始数据集大小的0.2来实现数据集的分割，即80％的原始数据作为训练集和20％的原始数据作为测试集；

32)选取激活函数与误差函数，其中激活函数分为隐含层激活函数和输出层激活函数；

33)设定输入层的神经元数为输入数据集的特征变量个数，输出层的神经元数为扇区动态分类的预期目标维度；设计不同的隐藏层数和神经元数的参数组合下的多组对比寻优实验，通过TensorFlow提供的TensorBoard机器学习可视化工具监控模型的训练情况，得出不同隐藏层数对模型训练的影响情况；读取对比实验日志，输出的各组实验中准确率和损失函数的迭代变化对比图，确定扇区动态分类模型中隐藏层数和每个隐藏层中包含的神经元数；隐藏层神经元数量确定的经验公式如下：

式中，N_i为输入信号的个数；N₀为预期目标输出维度；N_s为训练集包含的样本数；α为可以自取的任意值变量。

5.根据权利要求4所述的面向交通状态的时变性扇区动态分类方法，其特征在于，所述步骤32)具体包括：

321)选择Relu函数作为隐含层激活函数，表达式为：

322)选择softmax函数作为输出层激活函数，表达式为：

式中，z为一个向量，z_i和z_j为其中的一个元素；

323)使用交叉熵误差作为扇区动态分类模型的损失衡量；交叉熵的公式如下：损失函数参数设置为分类交叉熵对数损失函数，表达式为：

式中，log表示以e为底数的自然对数；y_k为模型输出，t_k为各个标签，t_k中只有正确解的标签为1，其余均为0；正确解标签对应的输出越大，交叉熵的值越接近0；当输出为1时，交叉熵误差为0；反之，如果正确解标签对应的输出越小，则交叉熵的值越大。