改进的基于lightGBM的交通识别算法

《改进的基于lightGBM的交通识别算法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、采用分层算法和lightGBM算法进行多种模式的识别，将待识别的交通模式分为两类:一类是步行交通模式；另一类是非步行交通模式，即跑步、自行车、汽车、公共汽车、摩托、火车、地铁和高铁。本文提出改进后的lightGBM的分类方法识别较难区分的非步行交通模式。LightGBM使用基于决策树的学习算法，是一个梯度boosting框架〔刃。针对lightGBM算法在交通模式识别的应用，本文给每个决策树子分类器的话语权引入K值，进行重新判定。基于交通模式规则去除部分错误分类树，针对两种交通模式特征区域相似(在

2、交通模式小例如：汽车和公共汽车)，用一阶隐马尔科夫链验证结果，更新K值，使损失函数L(/^(x),y)更加减少，提高模式识别精度。K值设定如下所示：(°：当子分类是错误分类时；K=当子分类是模糊分类时；(1)11：当子分类识别精确时；其中Y=―^—,0

3、通模式是汽车和公共汽车的一种时，使用一阶隐马尔科夫链验证，如识别结果与决策树子类相同，则K=l；否则，认定该子类为模糊分类，则K=y；其余情况，设K=l。在随机序列中，居民当前的交通模式只与前一交通模式有关，符合一阶隐马尔科夫过程(时间是离散的，因有步行转换过程)。公式如下：0=(A,B,71)(2)式中：隐马尔可夫模型B由初始状态概率向量兀、状态转移概率矩阵A和观测概率矩阵B决定。兀和A决定状态序列，B决定观测序列。马尔可夫模型中最主要的是状态转换的转移矩阵，这里阐述下在交通模式识别中，状态转移

4、过程：设在马尔科夫链中设第n个时间的状态为则有可能转移的状态9种：S°,Si，S2・・・・・.S8o整个状态集合定义为:S={S°,S2其中，第n个吋刻的状态SneSo转移概率为:Pij=P^n+l=Sj%=SJ(3)(4)弋中二当前轨迹段Sf状态转换到刁状态次数.巩'：Pij=~当前轨迹段Si状态转换次数~；S“SjWS,Pij表示Sj状态到5；•状态的转移概率。转态转移矩阵可描述为:(POO•••P08:••:(5)P08…P88/经过改进后的最终分类器，如下所示：冷仗）=d0KQf0M+O

5、iKJO）+d2K2f2M+…+⑹式中：。肌表示决策树子类的话语权，仏（切表示决策树子类结果函数。当子模型叠加到End）模型中时，损失函数的变化：厶（冷（Qy）W厶（F叶C）,y）（7）式屮：除了子类是错误分类，目标损失函数L不变，否则目标损失函数L是随着子类的增加而减少的。经过m次目标损失函数变化，得到最终分类器FmMo本文选择了3种传感器的吋域特征和频域特征的最优集合对多种交通模式进行分层识别,分别是步行，汽车和公共汽车，跑步、自行车、摩托、火车、地铁和高铁。采用基于交通模式规则（居民出行交通

6、模式是步行到非步行再到步行的周期过程）和一阶隐马尔科夫链算法改进的K-lightGBM算法减少了错误分类率，分层识别算法如图2所示：图2分层识别算法本文的算法框图如图3所示。首先用Butterworth滤波对加速度计、陀螺仪和磁力计3种传感器数据进行了滤波处理;然后分别计算了3种传感器用于运动模式识别的时域特征和频域特征，经过对提取的特征用CFS算法进行分析，选取最优特征集，最后通过改进后的K-lightGBM算法进行识别，得出最终结果。图3算法框架图