基于深度学习的公共空间行为轨迹模式分析初探

摘要

建筑能耗不仅取决于建筑的物理节能性能,更受到使用者室内行为的影响.随着室内定位技术的发展,大量的室内行动轨迹可以被监测记录.这些轨迹既可以揭示人在室内的分布规律,也可以被进一步转译为具体使用行为,从而探究使用行为和建筑能耗间的关联性.但是,由于轨迹信息的复杂性、多样性及外部噪声干扰,现有统计分析方法很难对数据进行深度解读,且容易受到研究者先验知识的影响.本文提出了一种全新的基于卷积自编码神经网络(CAE)的行为轨迹聚类算法.该算法使用CAE模型,将原始轨迹数据进行压缩并产生对应的特征向量,根据特征向量间进行聚类分析.算法可以通过非监督式的学习方式,自动提取轨迹主要特征并排除噪音等干扰.此算法被成功应用于真实展览空间中参观人员行动特征的分析中,并成功提取了典型的空间行为轨迹模式.在此基础上,结合问卷调查的背景信息,将参观者人员的个体属性与行为模式进行了综合的分析,并发现内在规律.