论文部分内容阅读
大数据时代与计算机技术的高速发展改变了人们的生产生活方式,同时也为科学研究拓展了新的研究思路与方向。在交通治理问题中,人们需要利用科学的规划与治理手段来对城市交通进行管理,以解决目前普遍存在的交通拥堵、交通事故频发、交通环境恶劣等交通问题。而这一切的前提,需要管理者能够了解城市居民出行规律特性,因此出行信息的获取就成为交通科学规划与管理的基石。交通出行方式的获取是出行信息获取的其中一个部分,在基于GPS数据进行交通出行方式识别的研究中,大多数通过某一出行段的距离、出行时间、速度、加速度等特征对交通出行方式进行识别,这一系列特征本文归结其为出行状态特征,此类特征描述某一出行段中的出行状态,结合出行状态特征对交通出行方式进行分类。为了丰富交通出行方式识别的特征从而提高交通出行方式识别的精确度,本文引入了位置序列特征,该特征描述了轨迹点间的相对位置关系,体现轨迹序列特性,从而对出行状态特征进行补充,以增加不同交通出行方式的区分度。即基于多尺度特征融合对交通出行方式进行识别。首先制定了两类特征的提取方法,即出行状态特征与位置序列特征。对于出行状态特征,包括出行段的距离、时间、速度、加速度等,利用因子分析方法对计算得到的此类特征进行降维得到10维出行状态特征;位置序列相关特征借鉴词向量训练模型BERT,首先训练位置点表示模型得到768维位置点表示向量,再利用双向长短时(Bi-LSTM)网络加注意力机制将一条出行段的位置点表示向量进行整合,最终得到出行段的16维位置序列特征向量。将两类特征进行融合,分别输入支持向量机、BP神经网络、CART分类树和KNN四种多分类模型进行交通出行方式识别,并在随机抽取的GPS数据集中进行模型验证。由最终的实验结果得,采用BP神经网络在多指标评价中均为最优,训练集和测试集识别准确率分别达到94.01%和91.08%。在各类模型中利用融合特征进行训练的模型其识别准确率均高于单独利用出行状态特征训练的模型。以BP神经网络为例,其结果与传统仅利用出行状态特征训练所得模型训练集和测试集准确率88.96%和74.33%相比有大幅增加,证实基于多尺度特征融合的识别模型具有更高识别精确度。本文提出的基于多尺度特征融合的交通出行方式识别算法,实验结果表现良好,可将本文研究结果应用于居民出行规律的分析,为城市交通科学管理提供有效的借鉴。