基于智能手机的城市居民出行方式研究

发布时间：2023-08-01 17:54

　　随着城市化进程的快速发展,机动车的数量伴随着人民生活水平的不断提高而逐渐增多。机动车数量的增长在给人民生活水平带来便利的同时也产生了一些交通问题。居民出行调查是交通调查的重要组成部分。传统的居民出行调查大多采用人工调查的方式,得到的出行信息存在许多问题,被访者的负担较重、拒访率高,需要消耗大量的时间和人力。为了克服上述采集方式的缺点,基于智能手机进行出行信息的采集应运而生,它为居民出行方式研究提供了新的技术手段。论文主要内容包括几个部分:(1)开展以智能手机和网络调查技术为基础的出行调查。(2)特征向量的选取。论文选择了出行距离、出行时间、平均速度、加速度、95^th分位点速度、95^th分位点加速度这六种特征向量进行出行方式的识别。(3)基于GPS数据的出行方式识别方法提出。论文使用两阶段方法对出行方式进行识别。首先通过模糊算法识别出地铁与步行的出行方式,然后将剩下的四类出行方式分别分类为机动车类以及非机动车类,得到识别精度89.5%;然后,在模糊识别算法的基础上,使用支持向量机分类算法对自行车、电动车以及小汽车、公交车两类易混淆的出行方式进行...

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景
    1.2 研究目的及意义
    1.3 国内外研究现状
        1.3.1 国外研究现状
        1.3.2 国内研究现状
    1.4 研究内容与技术路线
2 数据采集
    2.1 基于智能手机的居民出行调查
        2.1.1 定位软件介绍
        2.1.2 志愿者招募培训
    2.2 数据采集
        2.2.1 出行数据采集流程
        2.2.2 社会经济属性
        2.2.3 出行属性统计分析
    2.3 本章总结
3 数据处理
    3.1 数据源描述
    3.2 特征描述
    3.3 特征选择
    3.4 本章小结
4 出行方式识别
    4.1 模糊识别算法
        4.1.1 模糊识别的概念
        4.1.2 基于先验知识的出行方式模糊识别方法
            4.1.2.1 出行方式的先验知识
            4.1.2.2 模糊决策逻辑说明
            4.1.2.3 出行方式识别的模糊推理系统
            4.1.2.4 各种出行方式的隶属度函数
    4.2 支持向量机算法
        4.2.1 支持向量机基本原理
        4.2.2 核函数及参数选择
        4.2.3 支持向量机算法
    4.3 实例分析
        4.3.1 识别精度介绍[55]
        4.3.2 模糊识别算法识别
        4.3.3 支持向量机识别
        4.3.4 与其他分类算法的比较
    4.4 本章小结
5 结论与展望
    5.1 论文工作总结
    5.2 主要创新点
    5.3 研究局限性与未来展望
致谢
参考文献
附录A:家庭社会经济属性
附录B:出行信息表
攻读学位期间的研究成果



本文编号：3838076