隨著移動互聯(lián)網(wǎng)的迅速發(fā)展,具有全球定位系統(tǒng)(GPS)定位功能的移動終端設備無處不在,這為研究交通問題提供更多便捷性。用戶出行的交通方式是交通需求分析和交通運輸規(guī)劃的重要組成部分,因此對用戶出行的交通方式的研究具有重要意義。隨著城市交通的快速發(fā)展,居民出行方式、出行次數(shù)以及出行距離數(shù)據(jù)變得極其龐大。傳統(tǒng)調查居民出行數(shù)據(jù)的方法主要基于人工,但面對快速增長的居民出行數(shù)據(jù)時,傳統(tǒng)調查方法的客觀性不足、成本高、調查周期長等問題逐漸暴露出來。近年來,GPS定位技術的發(fā)展推動了GPS設備和服務成本的降低,具有定位功能的智能手機全面普及,這進一步推動了居民出行交通方式智能識別與數(shù)據(jù)自動采集的研究。GPS設備記錄的數(shù)據(jù)具有質量高、更新快、覆蓋范圍廣等優(yōu)點,這使得GPS軌跡識別成為解決傳統(tǒng)出行調查問題的新興方法。GPS數(shù)據(jù)記錄的是用戶時空軌跡數(shù)據(jù),如何從GPS軌跡數(shù)據(jù)中自動識別出用戶出行交通方式的語義信息成為了研究的重點與難點。對出行交通方式識別的研究最主要的難點在于參數(shù)選取、時序分析等,參數(shù)選取不合適、時序分析方法不對都會阻礙交通出行方式識別準確率的提高。本文針對以上難點,設計基于深度卷積神經(jīng)網(wǎng)絡模型,從GPS軌跡中識別交通出行方式,實現(xiàn)對自行車、步行、小汽車與公交車的識別。本文首先對原始GPS軌跡數(shù)據(jù)進行預處理,包括閾值處理和平滑處理,去掉異常數(shù)據(jù)以及受外界干擾較大的數(shù)據(jù),得到質量較高的GPS軌跡數(shù)據(jù),這為研究奠定數(shù)據(jù)基礎。其次,對預處理后的數(shù)據(jù)進行深度分析,根據(jù)分析結果,對不同交通方式的速度、加速度、急動度、轉向角4種特征進行對比,闡述選取這4種特征能作為區(qū)別不同交通方式的原因。再次,在上述分析的基礎上,選取多組不同層級的卷積神經(jīng)網(wǎng)絡,以上述4個參數(shù)作為各組卷積神經(jīng)網(wǎng)絡的輸入層,對比各組卷積神經(jīng)網(wǎng)絡的識別結果,選出識別效果最佳一組。最后對得到的卷積神經(jīng)網(wǎng)絡模型進行優(yōu)化,得到識別效果最優(yōu)的卷積神經(jīng)網(wǎng)絡模型。將本文得到的卷積神經(jīng)網(wǎng)絡模型的研究結果與傳統(tǒng)出行交通方式識別以及其他研究結果對比分析發(fā)現(xiàn),本文所建模型的識別效果更優(yōu),也證明了卷積神經(jīng)網(wǎng)絡模型在出行交通方式識別領域的優(yōu)越性。
【學位單位】：北京交通大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：U495
【部分圖文】：

花費的人力物力也相對傳統(tǒng)方法較少［６］。??大多數(shù)出行交通方式識別的研宂模型都基于手動設計提取特征和傳統(tǒng)的機器??學習算法相結合而建立的，識別流程如圖１－ｉｎ所示。但手動設計提取特征會產(chǎn)生??一些缺陷，主要包括特征模型容易受交通和環(huán)境條件的影響，模型的準確率較低等。??而在過去十年中，越來越多的研宄學者通過使用機器學習算法從ＧＰＳ軌跡數(shù)據(jù)中??分析出出行者的交通方式。然而，這些研究大都基于傳統(tǒng)的機器學習算法，如決策??樹ｍ，?Ｋ－ＮＮｍ和等，這些研宄方法在交通方式識別準確性和模型穩(wěn)定性方??面效果并不好。??ｏｐｓ％？?￣￣￣￣???｜獅。纖?ｈ???ｉ?１?加速度?一？???ｊ???????＊??————??—???ＧＢＤＴＳＪｉｉ?—？特鉦鋸《?－＋結：４Ｃ???——－Ｊ??ｐ???預處理?特征提取?模型分類和模型評估??圖１－１交通方式識別流程圖［７］??Ｆｉｇ．?］－１?Ｔｒａｖｅｌ?ｍｏｄｅ?ｉｄｅｎｔｉｆｉｃａｔｉｏｎ?ｆｌｏｗ?ｃｈａｒｔ＊７１??為了解決上述問題，本文利用能夠自我學習、自動提取特征的卷積神經(jīng)網(wǎng)絡??（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，?ＣＮＮ?）來建立模型，實現(xiàn)對交迪方式的準確識別。??卷積神經(jīng)網(wǎng)絡具有各種類型的層級結構，可以自動從原始輸入中提取高級特征，因??此可以利用這一點

人工智能領域發(fā)展迅速，模式識別己成為該領域的重要分支。優(yōu)點在于??計算機強大的計算能力，而缺點在于無論模型多么先進，也無法真正模擬人腦的運??行方式和判斷能力［３６］。計算機模式識別系統(tǒng)的五個基本組件，如圖２－１所示。??獲取數(shù)據(jù)單元???＾???數(shù)據(jù)預處理??????特征值提取???Ｖ????Ｖ???＾???設計分類器１?＞?數(shù)據(jù)決策??圖２－１模式識別系統(tǒng)的五個組成部分??Ｆｉｇ．２－１?Ｆｉｖｅ?ｃｏｍｐｏｎｅｎｔｓ?ｏｆ?ａ?ｐａｔｔｅｒｎ?ｒｅｃｏｇｎｉｔｉｏｎ?ｓｙｓｔｅｍ??如今模式識別的應用己經(jīng)非常廣泛，如軍事、醫(yī)學、航天等領域都有所應用。??在交通領域，模式識別也早已經(jīng)應用很多年，成功的案例也非常多，如交通信號燈??的識別，交通標志牌的識別等，這些技術已經(jīng)非常成熟，錯誤率非常低。模式識別??在交通方式識別領域的研宄與應用，近幾年也有不小的成果。隨著科學技術的進步??８??

?研究的相關理論基礎??與發(fā)展，模式識別仍在不斷發(fā)展之中。如圖２－１所示，現(xiàn)階段的模式識別系統(tǒng)一般?＇??包含數(shù)據(jù)處理、數(shù)據(jù)預處理、特征值提取、設計分類器、數(shù)據(jù)決策這幾個基本組件??［３５！。模式識別技術的每一次突破，都是由圖２－１中各個基本組件所推動的。??１、
【參考文獻】

相關期刊論文 前7條

1 王丹丹;張景秋;孫蕊;;北京城市辦公空間通達性感知研究[J];地理科學進展;2014年12期

2 王冬根;孫冰夏;宋璟璐;;利用被動式GPS數(shù)據(jù)的交通行為信息提取方法:發(fā)展現(xiàn)狀及趨勢[J];武漢大學學報(信息科學版);2014年06期

3 歐陽丹彤;葉育鑫;;人工智能原理課程體系的教材建設探索[J];長春理工大學學報;2012年10期

4 張德欣;劉小明;孫立光;劉杰;冉斌;;基于大規(guī)模定位數(shù)據(jù)的出行方式模糊判別研究[J];交通信息與安全;2011年02期

5 魏愛華;程站立;陳天騰;;人工神經(jīng)元網(wǎng)絡在電力系統(tǒng)中的應用研究[J];現(xiàn)代經(jīng)濟信息;2009年16期

6 王曉蒲,霍劍青,劉同懷;用相關卷積運算提取特征信息的神經(jīng)網(wǎng)絡對手寫數(shù)字的識別方法[J];自動化學報;1996年01期

7 石青云;模式識別的數(shù)學方法[J];數(shù)學的實踐與認識;1984年01期

相關博士學位論文 前1條

1 張治華;基于GPS軌跡的出行信息提取研究[D];華東師范大學;2010年

相關碩士學位論文 前10條

1 范雪梅;基于卷積神經(jīng)網(wǎng)絡圖像識別的交通流量信息采集終端的設計與實現(xiàn)[D];東南大學;2018年

2 葉帥男;基于深度卷積網(wǎng)絡的交通方式識別[D];西南交通大學;2018年

3 陳思遠;基于Storm的實時流式軌跡相似性算法的研究與設計[D];中國石油大學（北京）;2017年

4 沈云;基于GPS軌跡數(shù)據(jù)的交通出行方式識別研究[D];北京交通大學;2017年

5 李婭;基于智能手機的交通方式識別的研究與設計[D];湖南科技大學;2016年

6 白玉;基于GPS數(shù)據(jù)的出行方式識別方法研究[D];吉林大學;2016年

7 閆彭;基于AGPS手機的交通方式識別研究[D];北京交通大學;2012年

8 張俊峰;基于GPS技術的出行OD調查研究[D];北京交通大學;2011年

9 谷亞寧;基于非光滑分析的神經(jīng)網(wǎng)絡穩(wěn)定性研究[D];燕山大學;2010年

10 張博;基于手機網(wǎng)絡定位的OD調查的出行方式劃分研究[D];北京交通大學;2010年

本文編號：2843073