基于手机加速度传感器数据的交通出行方式识别方法研究

摘要

准确有效地获得居民出行活动事件信息可以帮助交通管理部门高效开展交通设施建设，调整道路资源分配，提升居民出行效率。而随着城市发展城镇化进程加快，城市交通状态瞬息万变，传统居民出行调查周期长、成本高等缺陷凸显。手机加速度传感器技术作为智能手机的兴起应运而生的新技术，其具有的实时性、动态性、可持续性等特性被部分交通行业学者所发掘，应用手机加速度传感器数据辅助进行居民出行信息采集工作逐渐成为国内外学者研究的热点。
　　提出利用手机加速度传感器数据识别居民交通出行方式识别，研究并选择模式识别算法对试验数据进行识别效果评估。首先，研究了四种常用的模式识别算法，对这几种算法的定义、原理、优缺点等进行了简要的阐述。
　　接着设计了手机加速度传感器数据采集实验，选择了两条出行路线，结合多种交通出行方式，应用GPSurvey手机软件进行数据采集工作，并且同时记录出行日志用于对比分析。采集得到原始数据后，对数据进行了初步的分析，提取其相关特征，为后续的出行方式识别奠定一定的基础。
　　然后选择了多种出行方式数据，分别依据三轴加速度和合加速度属性，运用四种算法建立训练模型，并结合出行日志对各模型进行了效果对比。
　　随后应用效果相对较好的两个模型，在三种单一出行方式中各选择五组实例进行出行方式识别，结果指出，步行-出租车-步行的识别效果最好，其次是步行-地铁-步行，步行-公交车-步行的识别效果最差;三轴加速度作为识别所依据的属性时，两种模型的识别效果较好，而加速度的效果较差。
　　最后选择了一组组合出行方式的训练数据，使用决策树算法进行模型训练并直接对另一组组合出行方式的实例数据进行识别，发现效果不理想，在对识别数据分析后，使用小波分析对加速度数据进行分段，对每一段出行进行方式识别，选择识别率最高的方式作为单一出行段的出行方式，对比依据不同属性建立的模型的识别效果得到，识别成功率均超过了80％;三轴加速度作为识别依据的属性时，分段识别的效果较好。

目录

声明

摘要

第1章 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．2．3 国内外研究现状总结与评价

1．3 研究目标与内容

1．4 技术路线图

1．5 论文章节安排

第2章 手机加速度传感器技术

2．1 加速度传感器简介

2．2 加速度传感器应用

2．3 手机加速度传感器与交通

第3章 交通出行方式识别方法研究

3．1 决策树

3．1．1 基本概念

3．1．2 结构

3．1．3 决策树处理流程

3．1．4 优缺点

3．2 贝叶斯网络

3．2．1 基本概念

3．2．2 结构

3．2．3 数学原理

3．2．4 优缺点

3．3 人工神经网络

3．3．1 基本概念

3．3．2 基本特征

3．3．3 神经网络构成及训练过程

3．3．4 优缺点

3．4 支持向量机

3．4．1 基本概念

3．4．2 原理简介

3．4．3 优缺点

第4章 实验设计、数据采集和预处理

4．1 实验设计

4．1．1 实验路线

4．1．2 交通出行方案

4．2 数据采集

4．2．1 数据采集工具

4．2．2 数据采集方法

4．2．3 数据采集软件

4．3 数据预处理

4．3．1 多出行方式下的加速度分析

4．3．2 单一出行方式的加速度分析

第5章 交通出行方式识别方法比较与结果分析

5．1 WEKA软件

5．1．1 数据格式

5．1．2 数据准备

5．1．3 软件主界面

5．2 数据属性选择与设定

5．3 算法训练流程

5．3．1．训练数据选择

5．3．2 数据格式修改及导入

5．3．3 数据训练与模型对比选择

5．4 数据识别与效果评估

5．4．1 单一出行方式识别

5．4．2 组合出行方式分段与识别

第6章 结论与展望

6．1 研究结论

6．2 研究展望

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果