基于卷积神经网络的交通方式识别研究

发布时间：2020-10-16 09:18

　　 随着移动互联网的迅速发展,具有全球定位系统(GPS)定位功能的移动终端设备无处不在,这为研究交通问题提供更多便捷性。用户出行的交通方式是交通需求分析和交通运输规划的重要组成部分,因此对用户出行的交通方式的研究具有重要意义。随着城市交通的快速发展,居民出行方式、出行次数以及出行距离数据变得极其庞大。传统调查居民出行数据的方法主要基于人工,但面对快速增长的居民出行数据时,传统调查方法的客观性不足、成本高、调查周期长等问题逐渐暴露出来。近年来,GPS定位技术的发展推动了GPS设备和服务成本的降低,具有定位功能的智能手机全面普及,这进一步推动了居民出行交通方式智能识别与数据自动采集的研究。GPS设备记录的数据具有质量高、更新快、覆盖范围广等优点,这使得GPS轨迹识别成为解决传统出行调查问题的新兴方法。GPS数据记录的是用户时空轨迹数据,如何从GPS轨迹数据中自动识别出用户出行交通方式的语义信息成为了研究的重点与难点。对出行交通方式识别的研究最主要的难点在于参数选取、时序分析等,参数选取不合适、时序分析方法不对都会阻碍交通出行方式识别准确率的提高。本文针对以上难点,设计基于深度卷积神经网络模型,从GPS轨迹中识别交通出行方式,实现对自行车、步行、小汽车与公交车的识别。本文首先对原始GPS轨迹数据进行预处理,包括阈值处理和平滑处理,去掉异常数据以及受外界干扰较大的数据,得到质量较高的GPS轨迹数据,这为研究奠定数据基础。其次,对预处理后的数据进行深度分析,根据分析结果,对不同交通方式的速度、加速度、急动度、转向角4种特征进行对比,阐述选取这4种特征能作为区别不同交通方式的原因。再次,在上述分析的基础上,选取多组不同层级的卷积神经网络,以上述4个参数作为各组卷积神经网络的输入层,对比各组卷积神经网络的识别结果,选出识别效果最佳一组。最后对得到的卷积神经网络模型进行优化,得到识别效果最优的卷积神经网络模型。将本文得到的卷积神经网络模型的研究结果与传统出行交通方式识别以及其他研究结果对比分析发现,本文所建模型的识别效果更优,也证明了卷积神经网络模型在出行交通方式识别领域的优越性。
【学位单位】：北京交通大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：U495
【部分图文】：

花费的人力物力也相对传统方法较少［６］。??大多数出行交通方式识别的研宂模型都基于手动设计提取特征和传统的机器??学习算法相结合而建立的，识别流程如图１－ｉｎ所示。但手动设计提取特征会产生??一些缺陷，主要包括特征模型容易受交通和环境条件的影响，模型的准确率较低等。??而在过去十年中，越来越多的研宄学者通过使用机器学习算法从ＧＰＳ轨迹数据中??分析出出行者的交通方式。然而，这些研究大都基于传统的机器学习算法，如决策??树ｍ，?Ｋ－ＮＮｍ和等，这些研宄方法在交通方式识别准确性和模型稳定性方??面效果并不好。??ｏｐｓ％？?￣￣￣￣???｜獅。纖?ｈ???ｉ?１?加速度?一？???ｊ???????＊??————??—???ＧＢＤＴＳＪｉｉ?—？特钲锯《?－＋结：４Ｃ???——－Ｊ??ｐ???预处理?特征提取?模型分类和模型评估??图１－１交通方式识别流程图［７］??Ｆｉｇ．?］－１?Ｔｒａｖｅｌ?ｍｏｄｅ?ｉｄｅｎｔｉｆｉｃａｔｉｏｎ?ｆｌｏｗ?ｃｈａｒｔ＊７１??为了解决上述问题，本文利用能够自我学习、自动提取特征的卷积神经网络??（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，?ＣＮＮ?）来建立模型，实现对交迪方式的准确识别。??卷积神经网络具有各种类型的层级结构，可以自动从原始输入中提取高级特征，因??此可以利用这一点

人工智能领域发展迅速，模式识别己成为该领域的重要分支。优点在于??计算机强大的计算能力，而缺点在于无论模型多么先进，也无法真正模拟人脑的运??行方式和判断能力［３６］。计算机模式识别系统的五个基本组件，如图２－１所示。??获取数据单元???＾???数据预处理??????特征值提取???Ｖ????Ｖ???＾???设计分类器１?＞?数据决策??图２－１模式识别系统的五个组成部分??Ｆｉｇ．２－１?Ｆｉｖｅ?ｃｏｍｐｏｎｅｎｔｓ?ｏｆ?ａ?ｐａｔｔｅｒｎ?ｒｅｃｏｇｎｉｔｉｏｎ?ｓｙｓｔｅｍ??如今模式识别的应用己经非常广泛，如军事、医学、航天等领域都有所应用。??在交通领域，模式识别也早已经应用很多年，成功的案例也非常多，如交通信号灯??的识别，交通标志牌的识别等，这些技术已经非常成熟，错误率非常低。模式识别??在交通方式识别领域的研宄与应用，近几年也有不小的成果。随着科学技术的进步??８??

?研究的相关理论基础??与发展，模式识别仍在不断发展之中。如图２－１所示，现阶段的模式识别系统一般?＇??包含数据处理、数据预处理、特征值提取、设计分类器、数据决策这几个基本组件??［３５！。模式识别技术的每一次突破，都是由图２－１中各个基本组件所推动的。??１、
【参考文献】

相关期刊论文 前7条

1 王丹丹;张景秋;孙蕊;;北京城市办公空间通达性感知研究[J];地理科学进展;2014年12期

2 王冬根;孙冰夏;宋璟璐;;利用被动式GPS数据的交通行为信息提取方法:发展现状及趋势[J];武汉大学学报(信息科学版);2014年06期

3 欧阳丹彤;叶育鑫;;人工智能原理课程体系的教材建设探索[J];长春理工大学学报;2012年10期

4 张德欣;刘小明;孙立光;刘杰;冉斌;;基于大规模定位数据的出行方式模糊判别研究[J];交通信息与安全;2011年02期

5 魏爱华;程站立;陈天腾;;人工神经元网络在电力系统中的应用研究[J];现代经济信息;2009年16期

6 王晓蒲,霍剑青,刘同怀;用相关卷积运算提取特征信息的神经网络对手写数字的识别方法[J];自动化学报;1996年01期

7 石青云;模式识别的数学方法[J];数学的实践与认识;1984年01期

相关博士学位论文 前1条

1 张治华;基于GPS轨迹的出行信息提取研究[D];华东师范大学;2010年

相关硕士学位论文 前10条

1 范雪梅;基于卷积神经网络图像识别的交通流量信息采集终端的设计与实现[D];东南大学;2018年

2 叶帅男;基于深度卷积网络的交通方式识别[D];西南交通大学;2018年

3 陈思远;基于Storm的实时流式轨迹相似性算法的研究与设计[D];中国石油大学（北京）;2017年

4 沈云;基于GPS轨迹数据的交通出行方式识别研究[D];北京交通大学;2017年

5 李娅;基于智能手机的交通方式识别的研究与设计[D];湖南科技大学;2016年

6 白玉;基于GPS数据的出行方式识别方法研究[D];吉林大学;2016年

7 闫彭;基于AGPS手机的交通方式识别研究[D];北京交通大学;2012年

8 张俊峰;基于GPS技术的出行OD调查研究[D];北京交通大学;2011年

9 谷亚宁;基于非光滑分析的神经网络稳定性研究[D];燕山大学;2010年

10 张博;基于手机网络定位的OD调查的出行方式划分研究[D];北京交通大学;2010年

本文编号：2843073