基于智能手機(jī)的個(gè)體出行模式識別研究.pdf

1、從傳統(tǒng)的主動式問卷訪問發(fā)展到GPS設(shè)備、智能手機(jī)被動式采集，出行行為調(diào)查技術(shù)正迎來全新的革新契機(jī)?；贕PS軌跡數(shù)據(jù)，深入挖掘出行特征，精確識別出行模式（動態(tài)出行與靜態(tài)活動），成為智能手機(jī)應(yīng)用于出行活動研究的關(guān)鍵前提。
　　本文通過智能手機(jī)調(diào)查軟件，獲得個(gè)體出行GPS軌跡數(shù)據(jù);基于信號缺失段和數(shù)據(jù)完整段，識別停駐，將離散的軌跡數(shù)據(jù)劃分成出行鏈的形式;分別提取停駐與出行相關(guān)特征，借助GIS輔助信息，運(yùn)用機(jī)器學(xué)習(xí)算法，識別出行方式與出

2、行目的。
　　首先，介紹智能手機(jī)采集GPS數(shù)據(jù)的原理、方法、數(shù)據(jù)結(jié)構(gòu)，從精度條件、速度閾值、經(jīng)緯度范圍上過濾噪音，并轉(zhuǎn)換經(jīng)緯度坐標(biāo)，完成預(yù)處理工作，為模式識別奠定基礎(chǔ)。
　　其次，根據(jù)時(shí)間間隔，將軌跡數(shù)據(jù)劃分為信號缺失段與數(shù)據(jù)完整段。一方面，計(jì)算間隔時(shí)間、端點(diǎn)距離，檢驗(yàn)缺失段是否隱含停駐;另一方面，借鑒DBSCAN算法的思想，提出新的時(shí)空聚類算法，識別完整段中包含的簇。參照問卷反饋數(shù)據(jù)，評價(jià)停駐次數(shù)、停駐時(shí)間等指標(biāo)，優(yōu)化參數(shù)

3、閾值，并最終確定停駐與出行。
　　第三，以步行段為邊界，將出行劃分成出行段。提取出行段的速度、加速度、方向變化率等統(tǒng)計(jì)特征，以及出行時(shí)長、出行距離、停留次數(shù)等出行特征，分別運(yùn)用分類回歸樹、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林算法識別出行方式，得到隨機(jī)森林的準(zhǔn)確率最高，達(dá)到89％。此外通過設(shè)定不考慮電動自行車的情景，對比發(fā)現(xiàn)電動自行車對普通自行車和常規(guī)公交的識別產(chǎn)生很大干擾，而電動自行車與普通自行車之間、常規(guī)公交與小汽車之間的進(jìn)一步區(qū)分成為提升識別準(zhǔn)

4、確率的關(guān)鍵;進(jìn)一步設(shè)定考慮電動自行車、但不考慮出行特征的情景，發(fā)現(xiàn)出行特征對相互干擾的四種出行方式識別精度均有一定程度的改善。
　　最后，基于停駐的開始時(shí)刻、持續(xù)時(shí)長頻率分布，劃分時(shí)段類別，提取時(shí)間特征;利用高德地圖API服務(wù)，提取停駐中心50米和300米鄰域內(nèi)各活動類型的POI數(shù)目，并計(jì)算信息熵，作為空間特征。應(yīng)用分類回歸樹、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林算法識別出行目的，其中隨機(jī)森林識別精度最高，達(dá)到80％。而不同出行目的類別中，通勤的準(zhǔn)