[发明专利]一种识别有效停车泊位占有率中离群数据的方法

摘要

本发明公开了一种停车场有效泊位占有率离群数据识别方法，包括如下步骤：1）确定停车场有效泊位占有率的时间序列；2）用小波函数对有效泊位占有率时间序列进行N尺度的小波分解与重构，得到N+1个重构的时间序列，将这N+1个重构时间序列组成数据集D；3）计算N+1维数据集D中所有数据点的加权投影向量，构成加权数据集DW；4）利用基于密度的离群数据挖掘算法计算加权数据集DW的平均局部离群因子；5）基于加权数据集DW的平均局部离群因子判断离群点。本发明根据有效泊位占有率时间序列的周期性和波动性特征，提出基于小波分析和局部信息熵加权的离群数据挖掘算法对有效泊位占有率离群数据加以识别，降低误判率，提高可靠性。

主权项

一种停车场有效泊位占有率离群数据识别方法，其特征在于，该方法包括如下步骤：1）统计出不同时间段内进入停车场的车辆数Ii和离开停车场的车辆数Li，其中i=1，2，…，M，M为时间段个数，设停车场总泊位数为R，则各个时间段末的有效泊位数Xi为：Xi＝Xi‑1‑Ii+Li，各个时间段的有效泊位占有率c0i为：c0i=Xi/R，从而得到停车场的有效泊位占有率时间序列c0＝{c01，c02，…，c0M}；2）用小波函数对所述步骤1）中得到的有效泊位占有率时间序c0进行N尺度的小波分解，得到一个尺度为N的低频系数向量cN和N个不同尺度下的高频系数向量d1，d2，…，dN，其中尺度数N为整数且4≤N≤6；对所述低频系数向量cN和高频系数向量d1，d2，…，dN进行小波重构，得到N+1个重构的时间序列CN，D1，D2，…，DN，所述N+1个重构的时间序列均为行数为M的列向量，然后用所述N+1个重构的时间序列组成N+1维数据集D，即D=[CN，D1，D2，…，DN]，所述N+1维数据集D中共有M个数据点，最后对N+1维数据集D的维度重新编号，将CN，D1，D2，…，DN依次对应表示为：A1，A2，…，AN+1，并将由A1，A2，…，AN+1构成的向量A={A1，A2，…，AN+1}称为数据集D的维度集；3）计算所述步骤2）中得到的N+1维数据集D中所有数据点的加权投影向量，构成N+1维加权数据集DW={FW(1)，FW(2)，…，FW(N+1)}，每个数据点的加权投影向量计算方法如下：首先计算数据点p的全部N+1个维度的局部信息熵，得到数据点p的局部信息熵向量LEA(p)={LEAA1(p)，LEAA2(p)，…，LEAA(N+1)(p)}，其中p为数据点编号，LEAAi(p)为数据点p对维度Ai的局部信息熵；然后对所述LEA(p)进行归一化处理，得到数据点p的维度权重向量w(p)=LEA(p)/sum(LEA(p))={wp1，wp2，…，wp(N+1)}，最后将数据点p在维度Ai上的权重和数据点p在维度Ai上的投影FAi(p)相乘，得到数据点p在维度Ai上的加权投影向量wpi*FAi(p)，计算得到数据点p在所有维度上的加权投影向量后，即构成数据点p的加权投影向量FW(p)={wp1*FA1(p)，wp2*FA2(p)，…，wp(N+1)*FA(N+1)(p)}；4）利用基于密度的离群数据挖掘算法计算所述步骤3）中得到的N+1维加权数据集DW的平均局部离群因子向量，具体方法为计算得到N+1维加权数据集DW的所有数据点的平均局部离群因子，然后构成N+1维加权数据集DW的平均局部离群因子向量lofmk={lofmk(1)，lofmk(2)，…，lofmk(M)}，N+1维加权数据集DW的每个数据点的平均局部离群因子的计算步骤为：41）计算N+1维加权数据集DW中数据点p的k邻域内的k‑局部离群因子lofk(p)，其中，数据点p的k邻域为与数据点p距离最近的k个点组成的集合，k的初始值为10；42）判断k是否满足k>M/10和k>500两个条件，如均不满足则令k=k+10并回到步骤41），否则进入步骤43）；43）将计算得到的所有k值对应的数据点p的k‑局部离群因子取平均值，作为数据点p的平均局部离群因子向量lofmk(p)；5）首先计算所述步骤4）中得到的N+1维加权数据集DW的平均局部离群因子向量lofmk的25%分位数Q1和75%分位数Q3，得到判定阀值F=Q3+3（Q3‑Q1），然后将N+1维加权数据集DW中每个数据点的平均局部离群因子与所述判定阀值F对比，并将平均局部离群因子大于判定阈值F的数据点判断为离群数据。