隨著移動(dòng)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(dòng)終端設(shè)備無(wú)處不在,這為研究交通問(wèn)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(yùn)輸規(guī)劃的重要組成部分,因此對(duì)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(diào)查居民出行數(shù)據(jù)的方法主要基于人工,但面對(duì)快速增長(zhǎng)的居民出行數(shù)據(jù)時(shí),傳統(tǒng)調(diào)查方法的客觀性不足、成本高、調(diào)查周期長(zhǎng)等問(wèn)題逐漸暴露出來(lái)。近年來(lái),GPS定位技術(shù)的發(fā)展推動(dòng)了GPS設(shè)備和服務(wù)成本的降低,具有定位功能的智能手機(jī)全面普及,這進(jìn)一步推動(dòng)了居民出行交通方式智能識(shí)別與數(shù)據(jù)自動(dòng)采集的研究。GPS設(shè)備記錄的數(shù)據(jù)具有質(zhì)量高、更新快、覆蓋范圍廣等優(yōu)點(diǎn),這使得GPS軌跡識(shí)別成為解決傳統(tǒng)出行調(diào)查問(wèn)題的新興方法。GPS數(shù)據(jù)記錄的是用戶時(shí)空軌跡數(shù)據(jù),如何從GPS軌跡數(shù)據(jù)中自動(dòng)識(shí)別出用戶出行交通方式的語(yǔ)義信息成為了研究的重點(diǎn)與難點(diǎn)。對(duì)出行交通方式識(shí)別的研究最主要的難點(diǎn)在于參數(shù)選取、時(shí)序分析等,參數(shù)選取不合適、時(shí)序分析方法不對(duì)都會(huì)阻礙交通出行方式識(shí)別準(zhǔn)確率的提高。本文針對(duì)以上難點(diǎn),設(shè)計(jì)基于深度卷積神經(jīng)網(wǎng)絡(luò)模型,從GPS軌跡中識(shí)別交通出行方式,實(shí)現(xiàn)對(duì)自行車、步行、小汽車與公交車的識(shí)別。本文首先對(duì)原始GPS軌跡數(shù)據(jù)進(jìn)行預(yù)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(zhì)量較高的GPS軌跡數(shù)據(jù),這為研究奠定數(shù)據(jù)基礎(chǔ)。其次,對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行深度分析,根據(jù)分析結(jié)果,對(duì)不同交通方式的速度、加速度、急動(dòng)度、轉(zhuǎn)向角4種特征進(jìn)行對(duì)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(chǔ)上,選取多組不同層級(jí)的卷積神經(jīng)網(wǎng)絡(luò),以上述4個(gè)參數(shù)作為各組卷積神經(jīng)網(wǎng)絡(luò)的輸入層,對(duì)比各組卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果,選出識(shí)別效果最佳一組。最后對(duì)得到的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化,得到識(shí)別效果最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)模型。將本文得到的卷積神經(jīng)網(wǎng)絡(luò)模型的研究結(jié)果與傳統(tǒng)出行交通方式識(shí)別以及其他研究結(jié)果對(duì)比分析發(fā)現(xiàn),本文所建模型的識(shí)別效果更優(yōu),也證明了卷積神經(jīng)網(wǎng)絡(luò)模型在出行交通方式識(shí)別領(lǐng)域的優(yōu)越性。
【學(xué)位單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：U495
【部分圖文】：

花費(fèi)的人力物力也相對(duì)傳統(tǒng)方法較少［６］。??大多數(shù)出行交通方式識(shí)別的研宂模型都基于手動(dòng)設(shè)計(jì)提取特征和傳統(tǒng)的機(jī)器??學(xué)習(xí)算法相結(jié)合而建立的，識(shí)別流程如圖１－ｉｎ所示。但手動(dòng)設(shè)計(jì)提取特征會(huì)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(zhǔn)確率較低等。??而在過(guò)去十年中，越來(lái)越多的研宄學(xué)者通過(guò)使用機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)算法，如決策??樹ｍ，?Ｋ－ＮＮｍ和等，這些研宄方法在交通方式識(shí)別準(zhǔn)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(jié)：４Ｃ???——－Ｊ??ｐ???預(yù)處理?特征提取?模型分類和模型評(píng)估??圖１－１交通方式識(shí)別流程圖［７］??Ｆｉｇ．?］－１?Ｔｒａｖｅｌ?ｍｏｄｅ?ｉｄｅｎｔｉｆｉｃａｔｉｏｎ?ｆｌｏｗ?ｃｈａｒｔ＊７１??為了解決上述問(wèn)題，本文利用能夠自我學(xué)習(xí)、自動(dòng)提取特征的卷積神經(jīng)網(wǎng)絡(luò)??（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，?ＣＮＮ?）來(lái)建立模型，實(shí)現(xiàn)對(duì)交迪方式的準(zhǔn)確識(shí)別。??卷積神經(jīng)網(wǎng)絡(luò)具有各種類型的層級(jí)結(jié)構(gòu)，可以自動(dòng)從原始輸入中提取高級(jí)特征，因??此可以利用這一點(diǎn)

人工智能領(lǐng)域發(fā)展迅速，模式識(shí)別己成為該領(lǐng)域的重要分支。優(yōu)點(diǎn)在于??計(jì)算機(jī)強(qiáng)大的計(jì)算能力，而缺點(diǎn)在于無(wú)論模型多么先進(jìn)，也無(wú)法真正模擬人腦的運(yùn)??行方式和判斷能力［３６］。計(jì)算機(jī)模式識(shí)別系統(tǒng)的五個(gè)基本組件，如圖２－１所示。??獲取數(shù)據(jù)單元???＾???數(shù)據(jù)預(yù)處理??????特征值提取???Ｖ????Ｖ???＾???設(shè)計(jì)分類器１?＞?數(shù)據(jù)決策??圖２－１模式識(shí)別系統(tǒng)的五個(gè)組成部分??Ｆｉｇ．２－１?Ｆｉｖｅ?ｃｏｍｐｏｎｅｎｔｓ?ｏｆ?ａ?ｐａｔｔｅｒｎ?ｒｅｃｏｇｎｉｔｉｏｎ?ｓｙｓｔｅｍ??如今模式識(shí)別的應(yīng)用己經(jīng)非常廣泛，如軍事、醫(yī)學(xué)、航天等領(lǐng)域都有所應(yīng)用。??在交通領(lǐng)域，模式識(shí)別也早已經(jīng)應(yīng)用很多年，成功的案例也非常多，如交通信號(hào)燈??的識(shí)別，交通標(biāo)志牌的識(shí)別等，這些技術(shù)已經(jīng)非常成熟，錯(cuò)誤率非常低。模式識(shí)別??在交通方式識(shí)別領(lǐng)域的研宄與應(yīng)用，近幾年也有不小的成果。隨著科學(xué)技術(shù)的進(jìn)步??８??

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

相關(guān)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(dá)性感知研究[J];地理科學(xué)進(jìn)展;2014年12期

2 王冬根;孫冰夏;宋璟璐;;利用被動(dòng)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(shì)[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2014年06期

3 歐陽(yáng)丹彤;葉育鑫;;人工智能原理課程體系的教材建設(shè)探索[J];長(zhǎng)春理工大學(xué)學(xué)報(bào);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(ài)華;程站立;陳天騰;;人工神經(jīng)元網(wǎng)絡(luò)在電力系統(tǒng)中的應(yīng)用研究[J];現(xiàn)代經(jīng)濟(jì)信息;2009年16期

6 王曉蒲,霍劍青,劉同懷;用相關(guān)卷積運(yùn)算提取特征信息的神經(jīng)網(wǎng)絡(luò)對(duì)手寫數(shù)字的識(shí)別方法[J];自動(dòng)化學(xué)報(bào);1996年01期

7 石青云;模式識(shí)別的數(shù)學(xué)方法[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);1984年01期

相關(guān)博士學(xué)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(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 范雪梅;基于卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別的交通流量信息采集終端的設(shè)計(jì)與實(shí)現(xiàn)[D];東南大學(xué);2018年

2 葉帥男;基于深度卷積網(wǎng)絡(luò)的交通方式識(shí)別[D];西南交通大學(xué);2018年

3 陳思遠(yuǎn);基于Storm的實(shí)時(shí)流式軌跡相似性算法的研究與設(shè)計(jì)[D];中國(guó)石油大學(xué)（北京）;2017年

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

5 李婭;基于智能手機(jī)的交通方式識(shí)別的研究與設(shè)計(jì)[D];湖南科技大學(xué);2016年

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

7 閆彭;基于AGPS手機(jī)的交通方式識(shí)別研究[D];北京交通大學(xué);2012年

8 張俊峰;基于GPS技術(shù)的出行OD調(diào)查研究[D];北京交通大學(xué);2011年

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

10 張博;基于手機(jī)網(wǎng)絡(luò)定位的OD調(diào)查的出行方式劃分研究[D];北京交通大學(xué);2010年

本文編號(hào)：2843073