[发明专利]一种基于快速提取shapelets的分类算法判断交通事故的方法

说明书

本发明提供了一种基于快速提取shapelets的分类算法判断交通事故的方法，将交通领域数据集中的训练集中的时间序列转换成ID序列通过相似性判断去除相似序列进行降重；从降重后的时间序列集T_new中选择堵塞相关的时间序列子序列获取shapelet候选集S^candidate；从shapelet候选集S^candidate中选取shapelet处理集S；为shapelet处理集S的属性配置文件；选取交通领域数据集中的时间序列，对时间序列与shapelet处理集S进行距离计算，结合得到的属性配置文件对时间序列进行判断。本发明能够快速提取shapelets候选集，并筛选出有最佳区分度的shapelets，再用其对时间序列数据进行分类，判断当前堵塞属于正常状况还是出现交通事故从而缓解交通问题，提高了训练速度的同时保证了算法的准确性，后期实验证明本方法的有效性。

技术领域

本发明属于城市交通数据分析领域，涉及时间序列分类，具体涉及一种基于快速提取shapelet的交通事故的判断方法。

背景技术

城市交通堵塞问题始终困扰着居民的日常生活，造成交通堵塞的情况有多种，路网的密度过低、红绿灯时间设置不合理以及交通事故造成的意外状况。所以如何判断当前堵塞问题属于哪种情况就有着重要的研究价值，我们可以把堵塞状况分为经常性拥堵和非经常性拥堵，如果是非经常性拥堵那么就判断是否发生了交通事故，从而提醒交通中心快速的做出响应；如果是经常性拥堵我们就需要考虑当前道路设计是否存在问题。交通事故是城市交通的一大问题，它不仅会导致交通拥堵，如果发生严重交通事故还会造成人员的伤亡，判断当前交通堵塞的原因就非常值得关注，得到的结果可以协助管理部门对其做出快速响应避免事态的进一步恶化。此外，还可以把此发明应用到无人驾驶领域，让无人驾驶系统可以对前方路况进行快速判断，从而避免交通堵塞。

现有的研究技术主要包括基于传统时间序列分类的算法和基于机器学习的方法。基于传统时间序列分类的算法不具备较强的解释性，并且很难在数据中进行有效的区分，不能及时的将不同的数据进行分类，时间复杂度较高，耗时长；基于机器学习的方法不具备解释性，而且机器学习模型一般被看作是黑匣子，所以就很难对部门的决策做出帮助，而且机器学习的鲁棒性较低，这些问题都需要我们进一步去解决。Shapelet完美的解决了这一问题，作为时间序列中最具区分性的子序列，具有区分度高，可解释性强的特点。

针对现有技术存在的不足，本发明的目的在于提供一种基于快速提取shapelet的交通事故的判断方法，解决现有技术中分类速度慢的技术问题。

为了解决上述技术问题，本发明采用如下技术方案予以实现：

步骤1，将交通领域数据集中的训练集的实数形式的时间序列集T＝{t₁,…,t_n}中的时间序列转换为ID序列，生成一个ID序列数据集；

所述的交通领域数据集中训练集包括畅通时间序列集T_P＝{T₁,T₂,…,T_V}、堵塞时发生事故时间序列集T_E＝{T₁,T₂,…,T_l}和堵塞时未发生事故时间序列集T_NE＝{T₁,T₂,…,T_m}；

其中：

t_n为交通领域数据集中的训练集第n个时间序列；

T_v为畅通时间序列集T_P中第v个畅通时间序列；

T_l为堵塞时发生事故时间序列集T_E中第l个堵塞时发生事故时间序列；