基于深度学习的出行模式识别方法

居民出行信息可体现居民活动规律、反映城市交通问题,是制定交通规划与管理的重要依据.利用GPS获取的轨迹数据虽具有大量时空信息但不能直接表达出行模式,需要数据处理和挖掘算法提取隐藏知识来识别出行模式.由于居民出行模式具有高度的非线性和复杂性,识别具有很大挑战.本文利用深度学习方法的特征学习表征优势,解决特征提取的繁琐计算或漏提特征等弊端,通过对轨迹进行去野和划分等预处理后,计算轨迹片段的运动学特征构成输入数据,提出基于卷积神经网络与门控循环单元相结合的识别出行模式方法,利用卷积神经网络的深层特征表征优势和门控循环单元的时序特性挖掘能力,提高对非线性分类问题的学习能力和识别出行模式的准确性.为验证所提出方法的有效性,还设计单独的卷积神经网络和门控循环单元等模型,在Geolife数据集上进行测试和对比.实验结果表明,本文方法虽仅计算4个特征量仍具有较好的识别效果,并且优于单独采用卷积神经网络等分类方法的识别性能.     

危险货物道路运输车辆出行链活动类型识别

针对危险货物运输(危货)车辆出行链上停留节点活动类型的识别问题,提出基于高斯混合模型-隐马尔科夫模型(GMM-HMM)的活动类型识别方法. 对车辆GPS数据构建基于决策树的车辆起停检测模型,提取出行链活动节点,并通过D-OPTICS算法对活动节点聚类得到活动热区;根据活动节点的个体特征、所在出行链的亲属特征和所处热区的群体特征进行多尺度特征体系构建,通过因子分析进行降维处理;利用GMM-HMM构建危货车辆活动类型识别模型,通过Baum-Welch算法进行参数估计,并使用Viterbi算法解码隐藏状态得到出行链各活动节点的类型识别结果. 在小规模实际活动数据集上直接验证所提方法的正确性,还结合活动节点的POI类别,间接评估所提方法对大规模GPS数据的车辆活动类型识别效果. 实验结果表明:在9种活动类型识别任务中,基于GMM-HMM的出行链活动类型识别方法的活动识别率超过80%. 识别结果可用于分析活动行为模式,及时发现异常活动,为危险品运输监管提供有效的决策支持.     

基于支持向量机的通勤日活动-出行持续时间预测

构建了通勤者的日活动-出行链,并给出其时间构成要素,对比分析了Hazard和回归支持向量机模型的预测精度,应用回归支持向量机模型建立了出行耗时预测模型和活动持续时间预测模型,预测了通勤日活动-出行链中各次出行的出行耗时和各次活动的持续时间,并应用已建模型考察公交优先策略对出行耗时的影响。研究表明:本文所建模型能够以较高精度预测通勤者的日出行耗时和活动持续时间,在出行耗时预测中回归支持向量机的预测精度高于Hazard模型,相关影响因素分析也有助于掌握居民的通勤出行时间决策规律。研究成果可以为构建通勤日活动-出行行为预测模型系统提供连续时间预测模块,也可以为交通需求管理政策的制定和实施提供决策依据。     

基于个体记忆效应和距离效应的出行目的地识别

通过分析个体出行轨迹数据,挖掘个体出行历史记忆特征以及个体所处位置与潜在目的地的距离特征,建立新的出行目的地识别模型.利用杭州市200个匿名个体62 880次出行数据测试所建模型的效果.对基于位置的服务（LBS）数据进行预处理,提取以活动为目的的分段出行数据片段,采用GeoHash网格编码方法得到网格化后的个体历史目的地集合.利用随机缺失的个体出行历史轨迹数据构建训练集和测试集,采用非线性最小二乘法对模型进行参数标定.结果表明,所建模型提升了出行目的地识别精度;对比不同模型的召回率、折扣累计收益和F1分数,所建模型优于马尔可夫模型、决策树模型以及随机森林模型;数据缺失率敏感性分析结果验证了所建模型的鲁棒性.     

基于概率图模型的乘客出行链提取方法

以公共交通智能卡数据为基础,构建概率图模型,从乘客连续出行行为以及时空转移角度提取乘客出行链。从进出站客流时间分布特征出发,构建混合泊松模型,识别出站点周边用地性质信息;然后结合乘客连续的活动序列,构建隐马尔科夫模型,从乘客连续出行的时间特征和空间用地特征上识别出行目的,从而构建每位乘客基于公共交通的出行链。以北京市某一周工作日的轨道交通智能卡数据为例实现本文模型,结果表明:工作类活动以及回家类活动在全天主要时段分布与以往研究和调查结果相吻合,验证了模型的有效性;对于出行链,通勤类出行为主要出行,占68.5%,而其他类活动以单程出行为主。     

基于车牌识别数据的机动车出行轨迹提取算法

为了提取城市路网上所有运行车辆的出行轨迹,系统科学地再现所有车辆的运行场景,进而为分析城市交通需求的结构和时空分布特性提供数据支撑,提出基于车牌识别数据的机动车出行轨迹提取算法.通过车牌及时间戳排序提取出行链;利用相邻节点间的速度,结合交叉口邻接矩阵完成行链的分离;基于K则最短路径算法（KSP算法）及灰色关联法（GRA算法）,对出行轨迹进行补全重构.对贵阳市南明区的实际车牌识别数据进行算法测试.结果表明,提出的基于车牌识别数据的机动车出行轨迹提取算法在测试区域的综合准确率大于92%.     

基于GPS定位数据的出行端点推断

为了从大规模GPS定位数据中提取出出行行为建模所必需的出行信息,针对临界逗留时间、轨迹点聚集的临界距离和临界重复路段长度各设定了5个离散值,并使用全部125个参数组合推断了出行端点。以查全率和错误率作为预测精度评价指标,以基于智能手机的出行调查采集的出行信息为依据,比较了推断得到的出行端点与真实的出行端点。在最优参数组合的条件下,推断方法的查全率达到了96.02%,且错误率仅为4.74%。研究结果表明:基于智能手机的出行调查能够对传统出行调查起到有效的补充作用,且可为进一步开展大规模GPS出行调查提供理论和方法指导。     

基于出行模式的公交IC卡乘客下车站点判断方法

对智能公交系统数据进行分析和挖掘,能够为城市公共交通系统的规划和管理提供科学的决策依据.一票制的公交IC卡收费系统仅在上车时刷卡,乘客下车站点的信息无法直接得到,而现有方法只能判断出部分乘车记录的下车站点,这成为公交IC卡数据应用的制约因素.根据公交乘客出行的时空规律性,提出基于通勤出行模式和关联出行模式判断下车站点的思路.利用通勤出行规律判断公交乘客的通勤OD,再根据其居住地和工作地站点信息对通勤出行的下车站点进行估计.依据公交乘客长期出行具有一定时空关联性的规律,通过将当日出行与他日的关联出行数据进行匹配来判断下车站点.对提出的方法进行算法实现,并应用大规模实际数据对算法进行了实验和精度分析.研究结果表明:该方法能够有效提高下车站点的判断比例,准确率达到87.90%,能够应用于实际的公交系统规划和管理工作.     

基于手机信令数据的居民工作日出行链判别方法

针对大数据时代手机的普及和移动网络在人们生活中的渗透,丰富的手机信令大数据可为城市管理者重现大部分居民的日常出行、时空活动分布,提出了一种基于手机信令数据的居民工作日出行链判别方法。通过数据的时空特性,对"噪声"数据进行预处理,根据手机基站切换顺序构造出行网络中的主体部分,计算出行网络中的边权值,从而提取居民的工作日典型出行链信息。以深圳市手机信令数据为例,将计算结果与已知深圳市居民出行调查数据进行比较,结果表明,此方法可以简便有效识别出工作日出行链。     

基于峰值密度聚类的公交出行目的分类模型

针对如何利用公交卡刷卡数据自动对公交出行目的进行分类问题,基于峰值密度聚类的理论,建立了一个能够在指定区域下对公交乘客出行目的进行准确分类的方法模型。本文根据出行目的不同提取相应特征,将特征相似的乘客进行聚类。得到结果后将每个类簇的特征均值作为该类簇群体的出行特征,根据出行特征可以得出每位乘客的出行目的和群体出行目的的统计结果。利用北京市西单地区乘客的公交卡刷卡数据,通过将实际数据与调查问卷结果进行比对验证,证明了该模型方法与传统调查问卷方法相比节省了大量的人力物力,具有良好的效果和实用价值。     

基于手机信令数据的用户出行方式识别

基于通信网络获取的手机信令数据,挖掘用户出行轨迹,在传统模糊C均值聚类算法(fuzzy c-means algorithm,FCMA)的基础上,依据出行方式的先验知识构建初始隶属度函数,并将传统欧氏距离替换为对多维度数据之间变化关系更加敏感的马氏距离,提出基于改进模糊C均值聚类算法的出行方式识别模型,对长春市区范围内用户的三种常见出行方式,即步行、自行车、机动车进行识别,并从用户出行距离、出行时耗、平均行程速度三方面验证了模型识别结果的准确性.     

基于出行链的居民出行次数建模与仿真

基于出行链理论,对居民日出行情况进行建模与仿真.将出行者分为3类,分别建立学生出行次数logistic回归模型、老年人出行次数泊松分布模型及就业者NL(数状分对数)出行选择模型.结合城市宏观社会经济数据,对模型进行仿真求解,得到不同类别出行者的出行次数.以中国中部城市郑州市为例,对模型的实用性和准确性进行验证.结果表明,通过计算机建模仿真得到的居民日平均出行次数和现状调查结果基本一致.     

一种轻量级梯度提升机的交通模式识别

为研究居民出行轨迹的不同交通方式,基于已知出行交通方式的GPS轨迹信息,构建基于轻量级梯度提升机(LightGBM)的分类模型,对居民出行GPS轨迹进行交通方式分类.首先提取轨迹的各种基础特征,并进一步结合公交网络地理信息引入Fréchet距离进行特征提取,之后对特征进行归一化处理并基于决策树模型对特征进行筛选,最后对筛选后的特征进行模型训练与预测,并通过五折交叉验证方式获取了稳定的预测结果.结果表明:公交网络地理特征能够对模型预测精度进行有效提高,提出的GPS轨迹交通方式识别方法可达90%左右的精确度,优于各种机器学习分类模型.     

多分类支持向量机在公交换乘识别中的应用

为获取居民公交出行的换乘信息,设计了一套基于多分类支持向量机(multi-class support vector machine)的公交换乘识别方法.通过融合GPS数据和公交IC卡数据获取训练样本,利用多分类支持向量机进行样本训练,选取最佳训练样本量,并采用网格搜索法结合粒子优化算法对模型参数进行标定,以获取最优SVM分类模型.测试结果显示模型分类精度可达90%.以佛山市公交车GPS数据和IC卡数据对算法进行验证,并获取公交换乘量、公交换乘比例等基本换乘数据.结果表明:算法可在少样本条件下完成公交换乘识别,且分类识别精度高,尤其适用于公交线网复杂的大城市公交换乘识别,有助于在公交前期规划时进行线路布设和枢纽选址.     

基于活动的出行方式选择模型与交通需求管理策略

应用基于活动的出行需求预测方法研究了长春市实行鼓励公交策略的可行性。通过分析调查数据和总结以往模型,建立了Logistic形式的出行方式选择模型,用长春市居民出行调查数据进行了参数标定和模型验证。应用已建模型初步分析并评价了鼓励公交策略对居民出行方式的影响。结果表明:建立基于活动的方式选择模型预测城市交通方式结构,可以全面有效地进行交通需求管理策略的评价研究,为交通部门制定管理政策提供依据。     

考虑个体风险偏好差异的高速公路出行选择模型

本文旨在进行节假日高速公路出行特征分析及出行行为决策建模。首先,进行节假日高速公路出行行为特性调查和分析,总共回收有效问卷数量500份;其次,考虑个体风险偏好差异性,提出基于巢式Logit-累积前景理论模型的高速公路出行时段选择模型,进一步了解节假日高速公路出行行为决策;最后,以广东省节假日高速公路为对象进行案例研究,并进行模型精度检验。研究表明:本文模型总体预测误差为14.14%,仅基于巢式Logit模型预测误差约为22.22%。与其他模型相比,本文模型有利于提高预测结果的精度。     

居民出行调查二重分层抽样模型

针对大城市居民出行调查抽样问题,运用数理统计学原理分析了分层抽样的特点,基于二重抽样理论,建立了改进后的分层抽样模型,推导了基于最优分配的二重分层抽样率公式,并使用实际调查数据对分层方法进行了讨论,结论表明,该模型既保持了分层抽样数据精度较高的特点,又节约了大量人力物力,建议在特大城市开展居民出行调查时采用这种方法.     

基于图嵌入和CaGBDT的多模态出行推荐

针对交通出行服务中推荐方式单一、容易忽略用户出行偏好等问题,借鉴多粒度级联森林结构,提出了一种级联梯度提升树模型（CaGBDT）.该模型利用级联结构增加模型的深度,进而实现了特征的深层次表示学习.同时,为了解决样本类别不平衡问题,提出了一种基于鲍威尔算法的指标优化层,其通过为每个类别搜索一个阈值,对模型的预测结果进行权重修正,以实现最大化评价指标的目的.此外,CaGBDT模型可以根据用户的出行记录,构建用户出行全局关系图,利用图嵌入表示学习方法,自动提取用户出行的空间上下文关系,从而提高特征提取的效率.     

综合成本下城市公交出行方式与线路选择

提出了综合考虑换乘次数、出行时间、出行距离、步行距离、等待时间等公交出行因素的广义时间计算方法,给出了基于广义时间和出行费用的公交出行效用函数,构建了考虑轨道交通和常规公交的巢式Logit公交线路选择模型。以广州为例,给出了通过问卷调查进行参数估计的方法,模型计算结果和二次调查数据的比较表明文中的方法可准确计算公交乘客对出行方式和线路的选择。     

基于粗集的PNN结构损伤识别方法

目的 为有效利用监测系统大量冗余、互补数据,对结构的工作状态展开评估.方法 运用粗集进行属性约简达到海量数据的降维工作,进而提取有效的特征参数,运用概率神经网络(PNN)良好的处理噪声等不确定信息及概率推理能力,进行推理计算和损伤识别.结果 对某12层钢筋混凝土框架不同噪声水平下的三种损伤模式进行了识别,识别精度均在85%以上,并与PNN损伤识别方法进行了比较,其识别精度高于PNN.结论 提出了一种基于粗集与PNN的结构损伤识别新方法,该方法不仅可以降低数据的空间维数.减少冗余属性和不确定性,而且可以提高损伤识别精度.