李 達(dá)，張照生，劉 鵬，王震坡，董昊天

（1.北京理工大學(xué)機(jī)械與車輛學(xué)院，北京 100081； 2.北京理工大學(xué)，電動(dòng)車輛國(guó)家工程實(shí)驗(yàn)室，北京 100081；3.北京市電動(dòng)車輛協(xié)同創(chuàng)新中心，北京 100081）

前言

智能交通系統(tǒng)是指將信息通信技術(shù)、電子傳感技術(shù)、控制技術(shù)和計(jì)算機(jī)技術(shù)等有效集成運(yùn)用于整個(gè)地面交通管理系統(tǒng)而建立的一種在大范圍內(nèi)、全方位發(fā)揮作用的，實(shí)時(shí)、準(zhǔn)確、高效的綜合交通運(yùn)輸管理系統(tǒng)［1］，已成為未來交通的必然發(fā)展趨勢(shì)［2］。作為智能交通系統(tǒng)不可或缺的組成部分，車輛的特征檢測(cè)和分類已經(jīng)成為現(xiàn)在研究的熱點(diǎn)［3］。車輛檢測(cè)與分類主要有以下應(yīng)用：（1）準(zhǔn)確的車輛分類是實(shí)現(xiàn)交通負(fù)荷分析和預(yù)測(cè)的基礎(chǔ)，進(jìn)而可對(duì)未來的交通路線進(jìn)行提前調(diào)度并優(yōu)化；（2）為評(píng)估道路的使用壽命和潛在風(fēng)險(xiǎn)提供依據(jù)，進(jìn)而對(duì)道路保養(yǎng)維護(hù)提供依據(jù)；（3）通過計(jì)算不同類型車輛的碳排放，進(jìn)而評(píng)估車輛對(duì)某地區(qū)環(huán)境的污染程度；（4）對(duì)警車、救護(hù)車等緊急性和優(yōu)先級(jí)較高的車輛進(jìn)行識(shí)別并優(yōu)先引導(dǎo)；（5）通過識(shí)別車輛類型實(shí)現(xiàn)自動(dòng)收費(fèi)。

國(guó)內(nèi)外的一些學(xué)者通過視頻檢測(cè)實(shí)現(xiàn)車輛的分類［4］。Li等提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）視頻檢測(cè)的車輛分類方法，通過采用雙交叉熵?fù)p失函數(shù)的CNN來對(duì)小樣本細(xì)粒度車輛數(shù)據(jù)達(dá)到較好的分類效果［5］；Ma等提出一種基于通道最大池化CNN和視頻檢測(cè)的車輛分類方法，通過在全連接層和卷積層之間插入新層提高細(xì)粒度車輛分類任務(wù)的分類精度［6］；Wang等提出一種基于快速區(qū)域—卷積神經(jīng)網(wǎng)絡(luò)和視頻檢測(cè)的車輛分類方法［7］?；谝曨l檢測(cè)的車輛分類方法具有較高的準(zhǔn)確率，但是受天氣、光照等環(huán)境因素影響較大。此外，視頻信號(hào)數(shù)據(jù)量較大，對(duì)數(shù)據(jù)的傳輸和處理要求較高，訓(xùn)練模型所需時(shí)間也較長(zhǎng)。

近年來一些學(xué)者提出基于磁傳感器采集車輛磁場(chǎng)信號(hào)來實(shí)現(xiàn)車輛的分類。Taghvaeeyan等通過決策樹和支持向量機(jī)（support vector machine，SVM）將車輛分為小型、中型、大型和特大型車輛4類，準(zhǔn)確率達(dá)到了83%以上［8］；Yang等采用決策樹將車輛分為5類，準(zhǔn)確率達(dá)到90%以上［9］。但決策樹需提取的特征較多，當(dāng)采集的車輛信號(hào)特征較少時(shí)，不能獲得較高的準(zhǔn)確率。王卿分別利用最鄰近結(jié)點(diǎn)算法（K-nearest neighbor，KNN）和反向傳播神經(jīng)網(wǎng)絡(luò)算法（back propagation neural networks，BP）實(shí)現(xiàn)車輛分類，平均準(zhǔn)確率分別達(dá)到77.6%和76.3%［10］；溫美玲采用分層決策樹算法將被檢測(cè)車輛分為4類，準(zhǔn)確率最高達(dá)到85.3%［11］。上述文獻(xiàn)基于車輛磁場(chǎng)信號(hào)通過機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)車輛分類，但都沒有考慮磁場(chǎng)信號(hào)的時(shí)序特點(diǎn)，因此準(zhǔn)確性不高。

隨著人工智能和深度學(xué)習(xí)的發(fā)展，循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural networks，RNN）被廣泛應(yīng)用于情感分類［12］、市場(chǎng)預(yù)測(cè)［13］和語音識(shí)別［14］等領(lǐng)域以生成或預(yù)測(cè)序列［15］。而長(zhǎng)短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)（long short-term memory neural networks，LSTM）作為最廣泛應(yīng)用的一種RNN，在避免梯度消失和梯度爆炸方面表現(xiàn)良好，對(duì)較長(zhǎng)的時(shí)間序列訓(xùn)練效果更好［16-17］。本文中將LSTM與自適應(yīng)增強(qiáng)算法（adaptive boosting，AdaBoost）結(jié)合，提出一種基于改進(jìn)LSTM-AdaBoost的多天氣車輛分類方法。對(duì)LSTM的隱藏層進(jìn)行改進(jìn)，并提出一種“多層網(wǎng)格法”以準(zhǔn)確確定改進(jìn)LSTM的超參數(shù)。首先建立地磁車輛檢測(cè)系統(tǒng)平臺(tái)和車輛分類方法，然后分析了基于改進(jìn)LSTM-AdaBoost的車輛分類結(jié)果，并對(duì)不同車輛分類方法以及不同天氣下的分類準(zhǔn)確率進(jìn)行了對(duì)比。

1 車輛地磁信號(hào)的采集與處理

1.1 車輛地磁檢測(cè)系統(tǒng)平臺(tái)構(gòu)建

車輛地磁檢測(cè)系統(tǒng)平臺(tái)是實(shí)現(xiàn)車輛分類的基礎(chǔ)。本文所設(shè)計(jì)的地磁車輛檢測(cè)系統(tǒng)平臺(tái)包括地磁車輛檢測(cè)器和個(gè)人計(jì)算機(jī)兩部分，其系統(tǒng)框圖如圖1所示。地磁車輛檢測(cè)器主要由電源、微控制器（microcontroller unit，MCU）、磁傳感器和藍(lán)牙通信模塊構(gòu)成。系統(tǒng)運(yùn)行時(shí)，地磁車輛檢測(cè)器與計(jì)算機(jī)通過藍(lán)牙進(jìn)行數(shù)據(jù)通信，計(jì)算機(jī)將獲取的數(shù)據(jù)保存在數(shù)據(jù)庫(kù)中。

圖1 地磁車輛檢測(cè)系統(tǒng)

1.2 磁傳感器布置高度確定

在車輛磁場(chǎng)信號(hào)測(cè)量的相關(guān)研究工作中，磁傳感器布置高度沒有統(tǒng)一的標(biāo)準(zhǔn)［10］。由于不同車型的構(gòu)造也有所區(qū)別，從理論上建立車輛鐵磁性物質(zhì)分布模型的難度較大。因此，設(shè)計(jì)并實(shí)施了在不同傳感器放置高度下的車輛磁場(chǎng)信號(hào)測(cè)量實(shí)驗(yàn)，在5～25 cm區(qū)間內(nèi)每隔1 cm進(jìn)行一次實(shí)驗(yàn)。圖2展示了10、15、20、25 cm 4個(gè)不同高度的波形形狀。

車輛信號(hào)越明顯，信號(hào)的波動(dòng)應(yīng)越大，因此用X、Y、Z 3個(gè)方向磁場(chǎng)強(qiáng)度的標(biāo)準(zhǔn)差的平均值λ來定量描述信號(hào)采集效果。λ越大，則采集效果越好。不同布置高度下磁場(chǎng)強(qiáng)度的標(biāo)準(zhǔn)差的平均值如圖3所示。從圖中可以看出，當(dāng)布置高度為20 cm時(shí)，λ最大，為12.41×10-7T，因此選用20 cm布置高度，以達(dá)到最高的車輛區(qū)分度。

圖2 傳感器不同布置高度下的波形形狀

圖3 不同布置高度下磁場(chǎng)強(qiáng)度標(biāo)準(zhǔn)差的平均值

綜合考慮美國(guó)聯(lián)邦公路局（federal highway administration，F(xiàn)HWA）車輛分類標(biāo)準(zhǔn)、實(shí)際測(cè)試過程中觀察到的車型、車輛分類準(zhǔn)確度和實(shí)際規(guī)劃需求等因素，根據(jù)車長(zhǎng)、車寬、車高等車輛外形幾何參數(shù)將車輛分為小型、中型和大型車輛3類。各類型車輛劃分標(biāo)準(zhǔn)如表1所示。

表1 車輛類型劃分標(biāo)準(zhǔn)

車輛信號(hào)是指當(dāng)某一車輛經(jīng)過檢測(cè)器附近時(shí)，對(duì)地磁場(chǎng)基準(zhǔn)值產(chǎn)生擾動(dòng)的部分。須通過對(duì)無車狀態(tài)下的磁場(chǎng)強(qiáng)度進(jìn)行測(cè)量，進(jìn)而給X、Y、Z三軸的磁場(chǎng)強(qiáng)度做出補(bǔ)償，使無車情況下的三軸磁場(chǎng)強(qiáng)度在0附近波動(dòng)。經(jīng)過磁場(chǎng)補(bǔ)償以后3種類型車輛的典型波形如圖4所示。

2 改進(jìn)LSTM-AdaBoost方法

2.1 改進(jìn)LSTM網(wǎng)絡(luò)模型

LSTM是一種改進(jìn)的RNN，隱藏層結(jié)構(gòu)如圖5所示，其中yt、ht為t時(shí)刻的輸出，ct為t時(shí)刻的狀態(tài)，xt為t時(shí)刻的輸入，相比于普通的RNN，LSTM隱含層結(jié)構(gòu)多了遺忘門ft、輸入門it和輸出門ot。這3個(gè)門決定了循環(huán)神經(jīng)網(wǎng)絡(luò)要記憶哪些重要信息和遺忘哪些不重要的信息，因此LSTM在避免梯度消失和梯度爆炸方面表現(xiàn)良好，對(duì)較長(zhǎng)的時(shí)間序列訓(xùn)練效果更好。

圖4 經(jīng)過磁場(chǎng)補(bǔ)償以后3種類型車輛的典型波形

圖5 LSTM的隱藏層結(jié)構(gòu)

根據(jù)Gers等的研究，若將細(xì)胞的狀態(tài)添加到“門”輸入中，LSTM訓(xùn)練效果會(huì)更好［18］。LSTM通過遺忘門ft、輸入門it、輸出門ot決定記憶哪些重要信息和遺忘哪些不重要的信息，如果把隱含層的狀態(tài)也作為門的輸入，那么LSTM也能通過遺忘門ft、輸入門it、輸出門ot決定記憶哪些重要狀態(tài)和遺忘哪些不重要的狀態(tài)，從而提高LSTM的效果。本文中將t-1時(shí)刻的狀態(tài)輸入到遺忘門ft、輸入門it、輸出門ot中。改進(jìn)LSTM的隱藏層內(nèi)部結(jié)構(gòu)如圖6所示。

圖6 改進(jìn)LSTM隱藏層結(jié)構(gòu)

改進(jìn)后的LSTM中各參數(shù)滿足如下關(guān)系式：

式中：Wf、Wi、Wo、Wc分別為遺忘門、輸入門、輸出門、輸入單元狀態(tài)權(quán)重矩陣；bf、bi、bo、bc分別為遺忘門、輸入門、輸出門、輸入單元狀態(tài)偏置矩陣。

2.2 改進(jìn)LSTM-AdaBoost方法

AdaBoost是由Freund等提出的一種用于解決二分類問題的集成學(xué)習(xí)方法［19］。經(jīng)過改進(jìn)產(chǎn)生的AdaBoost.M1算法將二分類擴(kuò)展到多分類問題，Ada-Boost.M2算法不僅可處理多分類問題，還引入置信度來進(jìn)一步提高分類效果。由于本文中將車輛分為小、中、大3種類型，是一個(gè)多分類問題。因此采用AdaBoost.M2算法對(duì)多個(gè)改進(jìn)LSTM弱分類器進(jìn)行集成，通過迭代更新各樣本的權(quán)重，結(jié)合策略形成改進(jìn)LSTM-AdaBoost強(qiáng)分類器，提高車輛分類的準(zhǔn)確性。改進(jìn)LSTM-AdaBoost方法整體框架如圖7所示。

圖7 改進(jìn)LSTM-AdaBoost方法

2.3 基于改進(jìn)LSTM-AdaBoost的車輛特征檢測(cè)與分類方法

當(dāng)車輛經(jīng)過地磁傳感器時(shí)，產(chǎn)生的地磁信號(hào)服從時(shí)間序列分布，因此改進(jìn)LSTM模型的輸入為一段時(shí)間內(nèi)X、Y、Z三軸的磁場(chǎng)強(qiáng)度，輸出為車輛的類型，因此選擇“多對(duì)一”架構(gòu)。AdaBoost將10個(gè)改進(jìn)LSTM分類器進(jìn)行集成，通過各LSTM分類器車輛分類的錯(cuò)誤率對(duì)訓(xùn)練樣本的權(quán)重進(jìn)行更新迭代，最后再通過各改進(jìn)LSTM分類器的車輛分類的錯(cuò)誤率確定各改進(jìn)LSTM分類器的權(quán)重。車輛分類流程如圖8所示。

圖8 基于改進(jìn)LSTM-AdaBoost的車輛分類流程

設(shè)樣本訓(xùn)練集為

式中：yi∈Y＝｛1，…，k｝，i為訓(xùn)練樣本的編號(hào)，k為車輛類型數(shù)，k＝3；N為樣本數(shù)量。

具體步驟如下。

（1）預(yù)處理：提取X、Y、Z三軸的磁場(chǎng)強(qiáng)度數(shù)據(jù)，并進(jìn)行磁場(chǎng)強(qiáng)度補(bǔ)償。

（2）設(shè)置初始條件

設(shè)置AdaBoost的初始條件：設(shè)置迭代次數(shù)T為10，初始化分布權(quán)重D1（i）與樣本權(quán)重為

式中：i＝1，2，…，N；y∈Y-y。

設(shè)置改進(jìn)LSTM的結(jié)構(gòu)與超參數(shù)：定義損失函數(shù)與優(yōu)化方法。本文根據(jù)車輛磁場(chǎng)信號(hào)來識(shí)別車輛類型，實(shí)質(zhì)上是分類問題，因此選用交叉熵函數(shù)作為損失函數(shù)。使用Adam作為優(yōu)化方法，根據(jù)損失函數(shù)的梯度更新權(quán)重和偏置。設(shè)定學(xué)習(xí)速率、時(shí)間步長(zhǎng)、樣本數(shù)量、輸入維度、輸出維度、全連接層神經(jīng)元個(gè)數(shù)、全連接層激勵(lì)函數(shù)和正則項(xiàng)。

（3）更新分布權(quán)重，令

則標(biāo)簽加權(quán)函數(shù)為

則分布權(quán)重為

（4）訓(xùn)練改進(jìn)LSTM網(wǎng)絡(luò)

初始化權(quán)重和偏置，并通過反向傳播算法訓(xùn)練改進(jìn)LSTM網(wǎng)絡(luò)。當(dāng)N＞Nmax時(shí)停止訓(xùn)練，保存模型，得到弱分類器ht，ht的輸入為加權(quán)后的X、Y、Z 3個(gè)方向的磁場(chǎng)強(qiáng)度，輸出為車輛分類結(jié)果。否則返回步驟（3）。N為當(dāng)前交叉熵連續(xù)不低于歷史輸出最低交叉熵的次數(shù)。本文中取Nmax＝10。

（5）計(jì)算弱分類器的錯(cuò)誤率：

（6）更新樣本權(quán)重：

式中 βt為第t個(gè)弱分類器的修正系數(shù)，βt＝εt／（1-εt）。

（7）如果 εt＞0.5且t≤T，則返回步驟（3）繼續(xù)進(jìn)行迭代，否則迭代結(jié)束，得到強(qiáng)分類器H（x）為

3 結(jié)果分析與對(duì)比

3.1 改進(jìn)LSTM超參數(shù)的確定

改進(jìn)LSTM的超參數(shù)包括學(xué)習(xí)速率、時(shí)間步長(zhǎng)、樣本數(shù)量、輸入維度、輸出維度、全連接層神經(jīng)元個(gè)數(shù)、全連接層激勵(lì)函數(shù)和正則項(xiàng)系數(shù)。神經(jīng)網(wǎng)絡(luò)各個(gè)超參數(shù)的大小對(duì)模型的準(zhǔn)確性和泛化性有至關(guān)重要的作用［20］。本文中將數(shù)據(jù)劃分為訓(xùn)練集、開發(fā)集和測(cè)試集，在訓(xùn)練集和開發(fā)集上對(duì)不同的超參數(shù)進(jìn)行試錯(cuò)，通過比較不同超參數(shù)的交叉驗(yàn)證的準(zhǔn)確率確定最優(yōu)的超參數(shù)，然后用測(cè)試集對(duì)模型超參數(shù)確定的效果和模型的訓(xùn)練效果進(jìn)行驗(yàn)證。這樣既充分利用了數(shù)據(jù)集，又增強(qiáng)了模型的泛化性。

共測(cè)試了640輛汽車信號(hào)，按60%、20%、20%劃分各數(shù)據(jù)集，訓(xùn)練集、開發(fā)集、測(cè)試集車輛數(shù)分別為384、128、128。

由于LSTM的超參數(shù)有8項(xiàng)，如果對(duì)所有超參數(shù)都進(jìn)行試錯(cuò)，則計(jì)算量巨大，而一些超參數(shù)可通過模型的輸入、輸出以及數(shù)據(jù)的格式確定。

模型的輸入為車輛X、Y、Z三軸的磁場(chǎng)強(qiáng)度，因此輸入維度為3。模型的輸出為車輛的類別，因此輸出維度為1。測(cè)試的車輛信號(hào)數(shù)據(jù)中，最長(zhǎng)的信號(hào)數(shù)據(jù)長(zhǎng)度為125，因此確定時(shí)間步長(zhǎng)為125。全連接層激勵(lì)函數(shù)最常用的有sigmoid函數(shù)、tanh函數(shù)和relu函數(shù)。relu函數(shù)是修正線性單元，主要作用是將負(fù)數(shù)變?yōu)?，sigmoid函數(shù)的作用是把一個(gè)實(shí)數(shù)通過非線性函數(shù)壓縮至0～1之間，而tanh函數(shù)的作用是把一個(gè)實(shí)數(shù)通過非線性函數(shù)壓縮至-1～1之間，通常，tanh函數(shù)在隱藏層中的效果要優(yōu)于sigmoid函數(shù)，因此全連接層激勵(lì)函數(shù)選擇tanh函數(shù)。

如果學(xué)習(xí)速率過大，則會(huì)使代價(jià)函數(shù)產(chǎn)生震蕩，甚至?xí)^局部最小值導(dǎo)致無法收斂。如果學(xué)習(xí)速率較小，則達(dá)到收斂所須迭代的次數(shù)就會(huì)非常多，導(dǎo)致訓(xùn)練時(shí)間增長(zhǎng)，學(xué)習(xí)速率取0.000 1。為提高分類的準(zhǔn)確率，LSTM共由6層組成：3層改進(jìn)LSTM隱藏層、輸入層、輸出層和全連接層。

為準(zhǔn)確確定改進(jìn)LSTM的其他超參數(shù)，提出一種多層網(wǎng)格法來對(duì)全連接層神經(jīng)元個(gè)數(shù)與正則項(xiàng)系數(shù)在訓(xùn)練集和開發(fā)集上進(jìn)行試錯(cuò)，首先將正則項(xiàng)系數(shù)與全連接層神經(jīng)元個(gè)數(shù)劃分為不同的區(qū)間。

正則項(xiàng)系數(shù)取0.000 1、0.001、0.01、0.1和1。全連接層神經(jīng)元個(gè)數(shù)取10，20，…，200，經(jīng)試錯(cuò)發(fā)現(xiàn)，當(dāng)正則項(xiàng)系數(shù)為0.001～0.01且全連接層神經(jīng)元個(gè)數(shù)為100～110時(shí)，交叉驗(yàn)證的準(zhǔn)確率最高，為79%～81%。再將區(qū)間進(jìn)行10等分，取正則項(xiàng)系數(shù)為0.001，0.002，…，0.01，全連接層神經(jīng)元個(gè)數(shù)為101，102，…，110。發(fā)現(xiàn)正則項(xiàng)系數(shù)為0.005且全連接層神經(jīng)元個(gè)數(shù)為102～104時(shí)，交叉驗(yàn)證的準(zhǔn)確率最高，為85%。因此LSTM的超參數(shù)取正則項(xiàng)系數(shù)為0.005，全連接層神經(jīng)元個(gè)數(shù)為103。

3.2 實(shí)車分類結(jié)果

采用3.1節(jié)中確定的超參數(shù)對(duì)模型進(jìn)行訓(xùn)練，訓(xùn)練集和測(cè)試集的交叉熵隨迭代次數(shù)的變化規(guī)律如圖9所示。由圖可見，訓(xùn)練集的交叉熵較低，說明模型得到了充分訓(xùn)練，測(cè)試集的交叉熵較低，說明模型未發(fā)生過擬合，超參數(shù)確定較為合理。訓(xùn)練效果較好。

圖9 訓(xùn)練集和測(cè)試集的交叉熵

表2為各車型的分類準(zhǔn)確率。從表中可以看到，類型一、三均有較好的分類效果，而類型二的分類效果較差，準(zhǔn)確率為71.8%。其主要原因是，類型二中的SUV與第一類車型中的轎車由于結(jié)構(gòu)和大小近似，產(chǎn)生的波形也類似，因此難以實(shí)現(xiàn)準(zhǔn)確區(qū)分。

表2 各車型的分類準(zhǔn)確率

3.3 不同分類方法對(duì)比

為比較不同汽車分類算法的效果，對(duì)改進(jìn)LSTM-AdaBoost、改進(jìn)LSTM、LSTM、KNN、BP神經(jīng)網(wǎng)絡(luò)5種方法的準(zhǔn)確率進(jìn)行對(duì)比。KNN方法參考王卿等［10］的研究進(jìn)行特征提取，改進(jìn)LSTM、LSTM、BP算法采用本文提出的“多層網(wǎng)格法”確定神經(jīng)網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)數(shù)和正則化系數(shù)。最終得到的5種方法的準(zhǔn)確率如表3所示。

表3 5種方法分類準(zhǔn)確率對(duì)比 %

從表中可以看出，5種方法均對(duì)類型一和類型三有較好的分類效果，而對(duì)類型二的分類效果較差。BP神經(jīng)網(wǎng)絡(luò)在類型一的準(zhǔn)確率高于KNN，但在類型二和類型三的準(zhǔn)確率略低于KNN。改進(jìn)LSTMAdaBoost在類型一的準(zhǔn)確率與BP神經(jīng)網(wǎng)絡(luò)相同，但在類型二和類型三的準(zhǔn)確率高于KNN和BP神經(jīng)網(wǎng)絡(luò)。對(duì)比改進(jìn)LSTM-AdaBoost、改進(jìn)LSTM和LSTM的準(zhǔn)確率可以發(fā)現(xiàn)，改進(jìn)LSTM-AdaBoost類型二的分類準(zhǔn)確率有明顯提高。改進(jìn)LSTM-AdaBoost在該數(shù)據(jù)集上的效果優(yōu)于其他4種方法。

3.4 不同天氣對(duì)比

在車輛分類檢測(cè)的方法中，視頻檢測(cè)器應(yīng)用最廣泛，但視頻檢測(cè)器受惡劣天氣的影響較大，在遇到大風(fēng)、下雪、暴雨和霧霾天氣時(shí)精度較差［21］。磁傳感器在未來的智能交通系統(tǒng)中需大規(guī)模布設(shè)于各路段以進(jìn)行全天候的運(yùn)轉(zhuǎn)，為比較不同天氣下改進(jìn)LSTM-AdaBoost的分類效果，在晴朗、暴雨和霧霾天氣3種天氣下各測(cè)得640輛汽車的磁場(chǎng)信號(hào)，采用改進(jìn)LSTM-AdaBoost進(jìn)行訓(xùn)練，得到各天氣下的分類準(zhǔn)確率，見表4。從表中可以看到，晴朗天氣和霧霾天氣各類型車輛的準(zhǔn)確率相差不多，這是因?yàn)殪F霾天氣只會(huì)對(duì)視野造成影響，對(duì)磁傳感器的影響不大。暴雨天氣下各類型車輛的分類準(zhǔn)確率均有所下降，但下降幅度不大，最大下降了3.9個(gè)百分點(diǎn)。

表4 3種天氣分別訓(xùn)練時(shí)車輛分類準(zhǔn)確率%

為進(jìn)一步研究采用不同天氣的訓(xùn)練集對(duì)分類準(zhǔn)確性的影響，將晴朗天氣的磁場(chǎng)信號(hào)數(shù)據(jù)作為訓(xùn)練集，將暴雨和霧霾天氣的磁場(chǎng)信號(hào)數(shù)據(jù)作為驗(yàn)證集，得到各天氣下的分類準(zhǔn)確率，見表5。對(duì)比表4和表5可以發(fā)現(xiàn)，霧霾天氣各類型車輛的準(zhǔn)確率相差不多，說明霧霾天氣對(duì)磁傳感器幾乎沒有影響；暴雨天氣下（表5）各類型車輛的分類準(zhǔn)確率均低于表4，類型一、二、三車輛分類準(zhǔn)確率分別降低5.4、14和6.3個(gè)百分點(diǎn)，這是因?yàn)轭愋投拇艌?chǎng)信號(hào)本來區(qū)分度不大，加上暴雨天氣的影響，準(zhǔn)確率急劇下降。暴雨天氣下的結(jié)果也說明暴雨天氣對(duì)磁傳感器采集的信號(hào)有一定影響。因此如果想要實(shí)現(xiàn)車輛準(zhǔn)確分類，須采集各天氣的車輛磁場(chǎng)信號(hào)數(shù)據(jù)作為訓(xùn)練集。

表5 各天氣車輛分類準(zhǔn)確率對(duì)比 %

4 結(jié)論

為提高車輛分類準(zhǔn)確率和減小天氣對(duì)準(zhǔn)確率的影響，提出一種基于改進(jìn)LSTM-AdaBoost的車輛分類方法。對(duì)LSTM的隱藏層進(jìn)行改進(jìn)，并采用“多層網(wǎng)格法”以準(zhǔn)確地確定改進(jìn)LSTM的超參數(shù)。經(jīng)分析與對(duì)比，得出以下結(jié)論。

（1）選擇不同磁傳感器布置高度，對(duì)大量交通車輛的實(shí)測(cè)所得的波形變化程度進(jìn)行對(duì)比，用X、Y、Z 3個(gè)方向磁場(chǎng)強(qiáng)度標(biāo)準(zhǔn)差的平均值來定量描述信號(hào)采集效果，20 cm布置高度可以獲得最好的測(cè)量效果。

（2）相比于KNN、BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)LSTM和LSTM，本文所提出的改進(jìn)LSTM-AdaBoost和多層網(wǎng)格法具有較高的分類準(zhǔn)確率，3種類型車輛分類準(zhǔn)確率分別為90.6%、71.8%和92.2%，平均分類準(zhǔn)確率比KNN高10.1個(gè)百分點(diǎn)，比BP神經(jīng)網(wǎng)絡(luò)高8.9個(gè)百分點(diǎn)。

（3）改進(jìn)LSTM-AdaBoost、KNN、BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)LSTM和LSTM 5種方法對(duì)類型二車輛分類準(zhǔn)確率均較低。類型二車輛與其他車輛區(qū)分度較差。

（4）對(duì)晴朗、暴雨、霧霾3種天氣下的磁場(chǎng)信號(hào)數(shù)據(jù)采用改進(jìn)LSTM-AdaBoost進(jìn)行訓(xùn)練時(shí)，晴朗和霧霾天氣下各類型車輛的準(zhǔn)確率相差不多，最大相差0.9個(gè)百分點(diǎn)；暴雨天氣下各類型車輛的分類準(zhǔn)確率均有所下降，但下降幅度不大，最大下降了3.9個(gè)百分點(diǎn)。

（5）將晴朗天氣的磁場(chǎng)信號(hào)數(shù)據(jù)作為訓(xùn)練集，將暴雨和霧霾天氣的磁場(chǎng)信號(hào)數(shù)據(jù)作為驗(yàn)證集時(shí)，霧霾天氣各類型車輛的準(zhǔn)確率與將3種天氣的磁場(chǎng)信號(hào)數(shù)據(jù)作為訓(xùn)練集時(shí)的準(zhǔn)確率相差不大，最大相差2.4個(gè)百分點(diǎn)；而暴雨天氣最大相差14個(gè)百分點(diǎn)。因此如果想要實(shí)現(xiàn)更為準(zhǔn)確的車輛分類，須采集各天氣的車輛磁場(chǎng)信號(hào)數(shù)據(jù)作為訓(xùn)練集。