基于移動(dòng)互聯(lián)網(wǎng)技術(shù)的出行模式識(shí)別方法

陳儉新，趙紅領(lǐng)，李潤(rùn)知，李春雷，王宗敏

（1.鄭州大學(xué) 河南省高等學(xué)校信息網(wǎng)絡(luò)重點(diǎn)學(xué)科開(kāi)放實(shí)驗(yàn)室，河南 鄭州450000；2.鄭州大學(xué) 信息工程學(xué)院，河南 鄭州450001；3.中原工學(xué)院 電子信息學(xué)院，河南 鄭州450007）

0 引 言

出行模式識(shí)別主要根據(jù)出行者的行為特征及位置信息對(duì)出行方式進(jìn)行分類，識(shí)別結(jié)果能夠?yàn)橹悄芙煌ň?xì)誘導(dǎo)、實(shí)時(shí)路況以及市政決策提供有力依據(jù)［1，2］。文獻(xiàn) ［3－5］使用專業(yè)GPS設(shè)備采集數(shù)據(jù)，采購(gòu)專用設(shè)備增加實(shí)驗(yàn)開(kāi)銷，出現(xiàn)位置參數(shù)偏移時(shí)校準(zhǔn)困難，數(shù)據(jù)存儲(chǔ)空間受限。移動(dòng)互聯(lián)網(wǎng)技術(shù)通過(guò)移動(dòng)終端對(duì)出行數(shù)據(jù)進(jìn)行采集，具有快速部署、成本低、數(shù)據(jù)傳輸便捷的優(yōu)點(diǎn)；文獻(xiàn) ［6］通過(guò)智能終端采集GPS、加速度傳感器、磁場(chǎng)傳感器、溫度參數(shù)，該方法所用統(tǒng)計(jì)方法復(fù)雜，算法收斂速度慢；文獻(xiàn) ［7，8］將移動(dòng)端采集GPS數(shù)據(jù)與路網(wǎng)信息結(jié)合，在路況擁堵情況下，通過(guò)GPS提供的車速、距離參數(shù)難以區(qū)別不同交通方式；鄭宇等［9］采用基于圖論的后處理算法對(duì)移動(dòng)終端采集的GPS 數(shù)據(jù)進(jìn)行分析，但未對(duì)GPS 位置數(shù)據(jù)進(jìn)行糾偏處理。

本文基于移動(dòng)互聯(lián)網(wǎng)技術(shù)，提出了一種改進(jìn)的出行模式識(shí)別方法。該方法通過(guò)移動(dòng)終端采集了詳細(xì)的出行GPS參數(shù)和加速度參數(shù)，綜合選擇處理后的速度值和三軸加速度值作為出行方式識(shí)別特征。隨后，本文提出了一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法—ALBP算法，進(jìn)一步提高了算法效率和識(shí)別效果。另外，根據(jù)國(guó)內(nèi)外主要交通方式現(xiàn)狀，本文增加了對(duì)電動(dòng)自行車出行方式的識(shí)別。

1 出行方式特征選擇

1.1 最大速度

采集到的速度數(shù)據(jù)序列為 （V1，V2，…，Vn），為了防止GPS采集的瞬間誤差，選取3 個(gè)最大速度取平均值，如式 （1）所示

1.2 速度中值

速度中值VMID為當(dāng)次GPS 采集到的所有數(shù)據(jù)的中間值，在速度數(shù)據(jù)序列 （V1，V2，…，Vn）中通過(guò)排序得到。

1.3 平均速度

本文平均速度VAVG選取一段時(shí)間的總路程L 除以時(shí)間T

由于GPS返回的是地球的經(jīng)緯度，這里使用Haversine公式根據(jù)起止點(diǎn) （S，D）經(jīng)緯度計(jì)算路程［4］如式 （3）所示

其中，S（s，Фs），D（d，Фd）：s，d 分別為起止點(diǎn)的緯度，Фs，Фd分別為起止點(diǎn)的經(jīng)度，R 為地球半徑。

1.4 三軸加速度幅度值

5種不同的出行模式在出行暢通情況下可以通過(guò)GPS速度信息加以識(shí)別，但在某些情況下，如堵車等，每種交通方式在速度上很難顯示出其獨(dú)特的特征，加速度特征是每種交通方式特有的特征［4，10］，5種交通方式垂直方向上加速度特征如圖1所示。步行和自行車的波動(dòng)性特征最為顯著，電動(dòng)車和小汽車波動(dòng)性比步行小，公交車最為穩(wěn)定，波動(dòng)性最小。針對(duì)文獻(xiàn) ［2］中提到數(shù)據(jù)采集設(shè)備必須按照垂直等方式放置來(lái)采集三軸加速度的問(wèn)題，通過(guò)取模的方式能夠很好的消除這種方法采集數(shù)據(jù)的軸間數(shù)據(jù)干擾。公式如下

式中：（Marx，Mary，Marz）——某種交通方式三軸的幅度值。

1.5 三軸加速度方差

方差能夠表示不同出行方式的波動(dòng)性特征，值越大，波動(dòng)性越大［6］。本實(shí)驗(yàn)首先分別計(jì)算3 個(gè)方向上的方差，如式 （5）所示

圖1 5種出行方式垂直方向上加速度典型波動(dòng)

本組共1到n，共n個(gè)值，A1到An為某方向上加速度值，AAVG為同一方向上加速度平均值。為了避免設(shè)備放置方向帶來(lái)的波動(dòng)性干擾，三軸加速度方差同樣采用類似取模的方法

式中：（Varx，Vary，Varz）——某種交通方式三軸的加速度方差。

1.6 三軸加速度向量的模

為了使手機(jī)的放置位置不影響加速度數(shù)據(jù)的采集，本文采用三軸加速度取模的方式處理三軸加速度［3］

式 中：Accelmag——三 軸 加 速 度 的 模，（Accelx，Accely，Accelz）——三軸加速度。

2 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)

2.1 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的學(xué)習(xí)能力，能夠?qū)性肼暭安淮_定因素的數(shù)據(jù)建立高維非線性映射關(guān)系，被大量應(yīng)用于解決實(shí)際問(wèn)題［11，12］。由于傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)有：收斂速度慢、假飽和、穩(wěn)定性差、容易陷入局部最小的缺點(diǎn)［13］。本文提出了一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)：ALBP算法用于出行模式識(shí)別，該方法通過(guò)自適應(yīng)學(xué)習(xí)率和動(dòng)量項(xiàng)提高了網(wǎng)絡(luò)的學(xué)習(xí)效率和穩(wěn)定性。

BP神經(jīng)網(wǎng)絡(luò)主要分為學(xué)習(xí)數(shù)據(jù)的正向傳輸與權(quán)值的反向調(diào)整兩個(gè)階段，學(xué)習(xí)數(shù)據(jù)正向傳輸階段，輸入值通過(guò)隱層到達(dá)輸出層由激發(fā)函數(shù)輸出，權(quán)值不變；神經(jīng)網(wǎng)絡(luò)根據(jù)允許誤差值的大小判斷是否進(jìn)行反向調(diào)整，若需要調(diào)整，網(wǎng)絡(luò)根據(jù)誤差信號(hào)的大小進(jìn)行的調(diào)整。通過(guò)不斷的學(xué)習(xí)、調(diào)整，使得神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)結(jié)果與目標(biāo)之間的差距縮小在一定范圍內(nèi)［14，15］。

BP神經(jīng)網(wǎng)絡(luò)輸入輸出關(guān)系如下

其中，αk－1（j）為第k－1層第j個(gè)神經(jīng)元的輸出，wk（i，j）為第k層第i個(gè)節(jié)點(diǎn)對(duì)應(yīng)第j 個(gè)輸入的權(quán)值，θk（i）為第k層神經(jīng)元的閾值，μk（i）為神經(jīng)元的輸入，函數(shù)f（x）為激勵(lì)函數(shù)。

網(wǎng)絡(luò)在輸出層得到的實(shí)際輸出為γ（k），訓(xùn)練數(shù)據(jù)的目標(biāo)輸出為β（k），誤差為

神經(jīng)網(wǎng)絡(luò)根據(jù)誤差δ（k）的大小判斷是否進(jìn)行反向權(quán)值調(diào)整以及調(diào)整量的大小。

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)權(quán)值調(diào)整公式為

式中：Δω（k）——第k次迭代權(quán)值的修正量，η——學(xué)習(xí)率，E（k）——第k次迭代的誤差，ω（k）——第k 次迭代的連接權(quán)值，ν（k）——激勵(lì)輸出。

BP神經(jīng)網(wǎng)絡(luò)采用梯度下降法調(diào)整權(quán)值時(shí)，如果誤差曲面上會(huì)存在梯度近似為零的點(diǎn)，此時(shí)的誤差能夠滿足局部最小。根據(jù)式 （11），此時(shí)權(quán)值的變化量隨著誤差的減小而達(dá)到極小，造成網(wǎng)絡(luò)已經(jīng)到達(dá)最優(yōu)的假象。通過(guò)添加動(dòng)量項(xiàng)，避免了權(quán)值調(diào)整過(guò)分依賴學(xué)習(xí)率的現(xiàn)象。添加了動(dòng)量項(xiàng)的權(quán)值修正公式如下

其中，λ＊Δω （k－1）為動(dòng)量項(xiàng)。由式 （12）可知，動(dòng)量λ能夠表示上次權(quán)值變化量對(duì)本次權(quán)值的影響程度。如果前一次修正量過(guò)大，可以通過(guò)調(diào)整λ的方法減少本次修正量，達(dá)到了減少振蕩的效果，反之亦然。

2.2 自適應(yīng)學(xué)習(xí)率的反向傳播算法 （ALBP）

增加了動(dòng)量和學(xué)習(xí)率的BP神經(jīng)網(wǎng)絡(luò)已經(jīng)成為目前BP神經(jīng)網(wǎng)絡(luò)中的一種重要實(shí)現(xiàn)形式，本文基于可變學(xué)習(xí)率的反向傳播算法改進(jìn)得到自適應(yīng)學(xué)習(xí)率的反向傳播算法，通過(guò)自適應(yīng)改變學(xué)習(xí)率的大小加速網(wǎng)絡(luò)收斂速度。由于誤差曲面的隨機(jī)波動(dòng)性以及對(duì)神經(jīng)網(wǎng)絡(luò)收斂速度的不同要求，在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中使用統(tǒng)一的學(xué)習(xí)率η 和動(dòng)量λ 不能根據(jù)誤差大小及時(shí)調(diào)整網(wǎng)絡(luò)收斂速度。根據(jù)傳統(tǒng)BP神經(jīng)網(wǎng)路誤差函數(shù)的梯度特性，使得在誤差曲線稀疏的地方，誤差下降緩慢；如果神經(jīng)網(wǎng)絡(luò)采用固定學(xué)習(xí)率，若學(xué)習(xí)率η過(guò)小時(shí)，權(quán)值收斂過(guò)慢，η過(guò)大將可能使權(quán)值跳過(guò)最優(yōu)學(xué)習(xí)率產(chǎn)生震蕩現(xiàn)象。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，若本次訓(xùn)練誤差E（k）大于上次誤差E（k－1）的ξ倍 （ξ取值在1.01到1.10之間）［14］，表明本次訓(xùn)練權(quán)重增加過(guò)大，應(yīng)立即減小，避免越過(guò)梯度曲面最佳權(quán)值；若本次訓(xùn)練誤差E（k）小于上次誤差E（k－1）的 （2－ξ）倍，表明誤差正在減小，需要增加學(xué)習(xí)率以加快收斂速度［14］；故學(xué)習(xí)率大小與誤差變化量及上輪訓(xùn)練的學(xué)習(xí)率相關(guān)。本文對(duì)學(xué)習(xí)率的改進(jìn)公式如下

式中：ε——學(xué)習(xí)率的初始值；N，M——兩個(gè)集合

若E （k）∈N 表示本次誤差相對(duì)于上次誤差正處在穩(wěn)定范圍內(nèi)則保持學(xué)習(xí)率，即本次學(xué)習(xí)率η（k）與上次學(xué)習(xí)率η（k－1）相同；若E（k）∈M，則表示本次誤差超出了相對(duì)于上次誤差的一定波動(dòng)范圍；若E（k）增大表明誤差增大，需要減小學(xué)習(xí)率，根據(jù)式 （14）可知η（k）將減小，若E（k）減小表明網(wǎng)絡(luò)誤差正在減小，需要加大學(xué)習(xí)率以加快收斂速度，則η（k）增大。由于正態(tài)分布函數(shù)具有均勻變動(dòng)性及集中性等特性，且其因子及因變量在因子正方向上負(fù)相關(guān)，符合學(xué)習(xí)偏差與學(xué)習(xí)率的變化規(guī)律。根據(jù)正態(tài)分布一定區(qū)域內(nèi)收斂快的特點(diǎn)，能夠使學(xué)習(xí)率在誤差較大時(shí)快速收斂，根據(jù)以上學(xué)習(xí)率變化規(guī)律，本文采用改進(jìn)的正態(tài)分布函數(shù)em－E（k）2×η（k－1）調(diào)整學(xué)習(xí)率的變化。

根據(jù)文獻(xiàn) ［14，15］可知，最短學(xué)習(xí)時(shí)間權(quán)值處于［0.3，0.8］區(qū)間，故上式中將λ值調(diào)整在0.2到1的范圍。式 （17）中誤差對(duì)權(quán)值的梯度反映了誤差曲面的曲折程度，如果曲面進(jìn)入陡峭區(qū)域，梯度增大，則式 （17）指數(shù)項(xiàng)值減小，降低動(dòng)量值，能夠抑制誤差的劇烈波動(dòng)；當(dāng)曲面進(jìn)入平坦區(qū)域，梯度減小，則式 （17）指數(shù)項(xiàng)值值增加，增加動(dòng)量值，加快網(wǎng)絡(luò)收斂。

綜合學(xué)習(xí)率、動(dòng)量改進(jìn)后自適應(yīng)學(xué)習(xí)率的反向傳播算法—ALBP算法，算法流程如圖2所示。

圖2 ALBP算法流程

在ALBP算法中，學(xué)習(xí)率根據(jù)誤差E（k）與上次誤差E（k－1）的比較進(jìn)行自適應(yīng)增減，若本次誤差值屬于N，表明誤差偏差小，目前學(xué)習(xí)率有效，只需對(duì)動(dòng)量進(jìn)行微調(diào)；若本次誤差屬于M，表明當(dāng)前誤差較大或?qū)W習(xí)率適應(yīng)當(dāng)前網(wǎng)絡(luò)，故需要進(jìn)一步調(diào)整；此外，當(dāng)誤差E（k）＜ξ×E（k－1）時(shí)權(quán)值更新是接受的，否則只對(duì)學(xué)習(xí)率進(jìn)行調(diào)整。

3 設(shè)計(jì)及實(shí)現(xiàn)

實(shí)驗(yàn)所用采集數(shù)據(jù)工具為Android智能手機(jī)，處理數(shù)據(jù)在服務(wù)器端進(jìn)行，主要配置為：Intel（R）Core（Tn）i3－2100CPU、4GRAM、500G HDD。

3.1 方案整體流程

方案整體包含3個(gè)大部分：出行數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、出行模式識(shí)別。主要流程如圖3所示。

圖3 出行模式識(shí)別主要流程

出行數(shù)據(jù)采集階段：首先，開(kāi)發(fā)智能手機(jī)端數(shù)據(jù)采集軟件，通過(guò)志愿者對(duì)出行中的位置及動(dòng)作參數(shù)數(shù)據(jù)進(jìn)行采集，數(shù)據(jù)經(jīng)網(wǎng)絡(luò)上傳到服務(wù)器端。數(shù)據(jù)預(yù)處理階段：第一步，去除干擾數(shù)據(jù)，如：經(jīng)緯度為0 的點(diǎn)。隨后采用設(shè)定的時(shí)間片段對(duì)GPS和加速度數(shù)據(jù)進(jìn)行分割，按照文中第一部分的特征計(jì)算方法，統(tǒng)計(jì)出行數(shù)據(jù)特征并對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。出行模式識(shí)別階段：通過(guò)改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對(duì)處理后的出行數(shù)據(jù)進(jìn)行學(xué)習(xí)，最后對(duì)測(cè)試數(shù)據(jù)進(jìn)行測(cè)試識(shí)別。

3.2 數(shù)據(jù)采集軟件的開(kāi)發(fā)

實(shí)驗(yàn)通過(guò)開(kāi)發(fā)Android智能手機(jī)軟件采集用戶的GPS和加速度傳感器數(shù)據(jù)。首先，根據(jù)Android 系統(tǒng)開(kāi)源性，通過(guò)Android應(yīng)用程序接口調(diào)用手機(jī)的GPS和加速度傳感器，對(duì)GPS和加速度傳感器進(jìn)行設(shè)置。根據(jù)文獻(xiàn) ［4，7］在GPS采集頻率上的研究，本實(shí)驗(yàn)將采集GPS 頻率為1 HZ，加速度采集頻率為10HZ。然后，將采集到的GPS數(shù)據(jù)采用百度地圖API進(jìn)行糾偏［16］。使用Android異步處理機(jī)制Handler（），監(jiān)聽(tīng)的同時(shí)異步傳輸數(shù)據(jù)。本文采用Http協(xié)議進(jìn)行數(shù)據(jù)傳輸。在服務(wù)器端，通過(guò)Tomcat運(yùn)行編寫(xiě)的Servlet服務(wù)程序?qū)χ悄苁謾C(jī)端采集到的參數(shù)進(jìn)行接收、存儲(chǔ)。

3.3 出行數(shù)據(jù)的采集與預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)為實(shí)驗(yàn)室十名志愿者在一個(gè)月時(shí)間內(nèi)采集的上下班出行及出差時(shí)的交通數(shù)據(jù)，包含步行、自行車、電動(dòng)自行車、公交、小汽車5種出行方式。通過(guò)安裝自主開(kāi)發(fā)的智能手機(jī)數(shù)據(jù)采集軟件記錄GPS信息和加速度信息，GPS信息類的數(shù)據(jù)項(xiàng)和加速度信息類的數(shù)據(jù)項(xiàng)見(jiàn)表1、表2。

表1 GPS信息類的數(shù)據(jù)項(xiàng)

表2 加速度信息類的數(shù)據(jù)項(xiàng)

表1中time 為當(dāng)前時(shí)間，latitude，longitude 為采集GPS的經(jīng)緯度信息，speed為當(dāng)前速度信息，bearing為當(dāng)前方位角信息。表2中，x，y，z分別代表當(dāng)前手機(jī)三軸加速度值。實(shí)驗(yàn)采集原始數(shù)據(jù)統(tǒng)計(jì)見(jiàn)表3。

表3 采集原始數(shù)據(jù)詳情

實(shí)驗(yàn)將每天采集到的數(shù)據(jù)分類別進(jìn)行處理，由于采集數(shù)據(jù)量較大，使用Java語(yǔ)言編程對(duì)采集到的原始數(shù)據(jù)進(jìn)行統(tǒng)計(jì)、分析。實(shí)驗(yàn)首先去除采集到原始數(shù)據(jù)的干擾數(shù)據(jù)；隨后，對(duì)于不同出行方式數(shù)據(jù)，分別按照GPS和加速度兩組統(tǒng)計(jì)3min內(nèi)信息，統(tǒng)計(jì)方式按照文章第二部分：出行方式特征選擇，進(jìn)行數(shù)據(jù)統(tǒng)計(jì)；隨后將統(tǒng)計(jì)后的數(shù)據(jù)匯總寫(xiě)入特征數(shù)據(jù)庫(kù)。訓(xùn)練數(shù)據(jù)進(jìn)入神經(jīng)網(wǎng)絡(luò)之前需要做標(biāo)準(zhǔn)化處理，實(shí)驗(yàn)采用Sigmoid函數(shù)作為激勵(lì)函數(shù)。為了保證神經(jīng)網(wǎng)絡(luò)具有一定的外推能力，實(shí)驗(yàn)將數(shù)據(jù)壓縮在 ［0.2，0.8］區(qū)間［12，13］，標(biāo)準(zhǔn)化公式為式 （18）

式中：u——標(biāo)準(zhǔn)化后的特征值，ui——同列數(shù)據(jù)的第i個(gè)值，umin——標(biāo)準(zhǔn)化同列數(shù)據(jù)的最小值，umax——標(biāo)準(zhǔn)化同列數(shù)據(jù)的最大值。

4 實(shí)驗(yàn)結(jié)果及分析

文獻(xiàn) ［17］將數(shù)據(jù)分析的時(shí)間片段設(shè)置為2min，根據(jù)文獻(xiàn) ［18，19］國(guó)內(nèi)主要城市平均交通燈時(shí)間在90s到120s，同時(shí)，為了更充分采集交通數(shù)據(jù)，實(shí)驗(yàn)將數(shù)據(jù)分析時(shí)間片段長(zhǎng)度設(shè)計(jì)為3min。通過(guò)對(duì)采集數(shù)據(jù)的統(tǒng)計(jì)，實(shí)驗(yàn)共得到出行特征數(shù)據(jù)3200，選擇2000 條數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，其余1200條作為測(cè)試數(shù)據(jù)。

實(shí)驗(yàn)首先測(cè)試了ALBP 算法的性能，設(shè)置神經(jīng)網(wǎng)絡(luò)采用單隱藏層，隱藏層節(jié)點(diǎn)共13 個(gè)，訓(xùn)練次數(shù)設(shè)置為3000次，選擇測(cè)試數(shù)據(jù)中的200條數(shù)據(jù)測(cè)試學(xué)習(xí)效果。實(shí)驗(yàn)將四組BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了對(duì)比，其中，第一組數(shù)據(jù)為普通BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后所得結(jié)果，第二組為添加了學(xué)習(xí)率的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后所得結(jié)果，第三組為添加了固定的學(xué)習(xí)率和動(dòng)量的BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練后所得結(jié)果，第四組為基于ALBP算法的BP神經(jīng)網(wǎng)絡(luò)。第二組學(xué)習(xí)率設(shè)為0.6，第三組中動(dòng)量設(shè)為0.4、學(xué)習(xí)率設(shè)為0.7，第四組中動(dòng)量初始值ε設(shè)為0.7，ξ設(shè)為1.05，m 設(shè)為0.9，實(shí)驗(yàn)過(guò)程中每隔50次訓(xùn)練統(tǒng)計(jì)一次出錯(cuò)率，共得到4組，每組60個(gè)出錯(cuò)率數(shù)據(jù)，結(jié)果如圖4所示。

圖4 在指定條件下神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)與出錯(cuò)率曲線

橫軸表示訓(xùn)練次數(shù)，縱軸表示出錯(cuò)率。由圖可知：未添加學(xué)習(xí)率的BP神經(jīng)網(wǎng)絡(luò)震蕩較為強(qiáng)烈，學(xué)習(xí)效果會(huì)出現(xiàn)波動(dòng)性；在第二組訓(xùn)練中，增加了學(xué)習(xí)率盡管準(zhǔn)確率進(jìn)一步提高，但是收斂速度依然較慢，在曲線中存在平坦區(qū)域，表明學(xué)習(xí)率無(wú)法適應(yīng)當(dāng)前的錯(cuò)誤率變化；第三組中由于動(dòng)量的加入，結(jié)果中未出現(xiàn)較為平直的區(qū)域，表明動(dòng)量能夠使網(wǎng)絡(luò)持續(xù)收斂跳出平坦區(qū)域；基于ALBP算法的BP神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過(guò)程中動(dòng)態(tài)調(diào)整學(xué)習(xí)率和動(dòng)量，對(duì)網(wǎng)絡(luò)誤差反映更加敏感，收斂速度有了較大提升。實(shí)驗(yàn)對(duì)余下的1000條出行數(shù)據(jù)進(jìn)行識(shí)別，結(jié)果見(jiàn)表4。

表4 5種交通模式的識(shí)別效果

根據(jù)識(shí)別結(jié)果，步行速度特征和加速度有規(guī)律的振動(dòng)特征較其它方式明顯，在識(shí)別的準(zhǔn)確率上最高。自行車、電動(dòng)自行車的速度跨度較大，容易被系統(tǒng)識(shí)別為其它方式，如電動(dòng)車有時(shí)速度較快，加速度特征較為平穩(wěn)，會(huì)被識(shí)別為小汽車。電動(dòng)自行車、公交車、小汽車由于其固有的機(jī)械特性，在速度、加速度上會(huì)出現(xiàn)相似的特征，本文采用速度中值、加速度幅度值以及加速度方差能夠在一定程度上對(duì)其進(jìn)行區(qū)別。

根據(jù)對(duì)識(shí)別精度的要求以及采集設(shè)備數(shù)據(jù)流量限制，可以只使用GPS數(shù)據(jù)或加速度數(shù)據(jù)對(duì)出行模式進(jìn)行識(shí)別。目前，文獻(xiàn) ［20，21］通過(guò)GPS數(shù)據(jù)，利用模糊識(shí)別，結(jié)合出行速度、距離及出行時(shí)間對(duì)出行方式進(jìn)行識(shí)別。文獻(xiàn)［22］采用加速度數(shù)據(jù)，通過(guò)統(tǒng)計(jì)了加速度的均值、方差、中值、最小值、最大值、四分位數(shù)間距及相關(guān)系數(shù)特征，使用WEKA 提供的決策樹(shù)算法對(duì)出行特征進(jìn)行分類識(shí)別。文獻(xiàn) ［4］同時(shí)使用了GPS 和加速度傳感器數(shù)據(jù)，通過(guò)深度置信網(wǎng)絡(luò)對(duì)出行方式進(jìn)行了分類識(shí)別。

實(shí)驗(yàn)將本文方案與上述3 種方案進(jìn)行對(duì)比，結(jié)果見(jiàn)表5。

文獻(xiàn) ［20］方案基于GPS數(shù)據(jù)對(duì)出行模式進(jìn)行識(shí)別，主要使用已有的出行模式模糊判別方案，根據(jù)出行速度、時(shí)間、距離判別出行方式。但GPS數(shù)據(jù)在反映出行方式特征上仍存在不足。如在擁堵條件下，公交車、小汽車的速度特征與其它交通方式相近，識(shí)別結(jié)果上會(huì)產(chǎn)生混淆。同時(shí)，對(duì)于每種出行方式，其振動(dòng)特性是獨(dú)特的，出行加速度特征能夠較好反映出行方式。文獻(xiàn)［22］方案在使用加速度數(shù)據(jù)的情況下，分析了出行方式加速度特征。根據(jù)不同交通方式在三軸的波動(dòng)幅度的不同，其識(shí)別效果好于基于GPS數(shù)據(jù)的情況。但以8s作為時(shí)間跨度統(tǒng)計(jì)數(shù)據(jù)，對(duì)加速度的采集頻率為0－4 Hz，加速度采集頻率較小，不能夠很好捕捉運(yùn)動(dòng)細(xì)節(jié)，在識(shí)別效果上弱于本方案。文獻(xiàn) ［4］綜合考慮了GPS參數(shù)和加速度參數(shù)，使用了加速度均值，但未對(duì)三軸加速度進(jìn)行綜合處理。當(dāng)手機(jī)放置方位不同時(shí)，采集數(shù)據(jù)會(huì)出現(xiàn)不一致的情況，即原本x軸的數(shù)據(jù)會(huì)被寫(xiě)成y軸數(shù)據(jù)，出現(xiàn)數(shù)據(jù)的不一致問(wèn)題，在識(shí)別機(jī)動(dòng)車類出行方式時(shí)低于本方案提出的方法。本文將三軸加速度進(jìn)行取模處理，引進(jìn)加速度變化量的同時(shí)，注重了其在實(shí)際應(yīng)用中的效果。在時(shí)間復(fù)雜度上，文獻(xiàn) ［4］方案中深度置信網(wǎng)絡(luò)算法復(fù)雜度依賴于訓(xùn)練集中輸入的個(gè)數(shù)以及所含隱含單元數(shù)的多少；文獻(xiàn) ［20］方案中采用道路匹配及模糊識(shí)別算法，區(qū)域內(nèi)道路數(shù)量對(duì)算法性能影響較大；文獻(xiàn) ［22］方案中決策樹(shù)算法由于執(zhí)行每層時(shí)都需要掃描訓(xùn)練元組集D，元組集合D 的大小對(duì)決策樹(shù)收斂影響較大；本文算法基于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，算法復(fù)雜度取決于訓(xùn)練次數(shù)m 以及權(quán)重?cái)?shù)組長(zhǎng)度。

表5 不同出行模式識(shí)別方案識(shí)別效果

5 結(jié)束語(yǔ)

本文基于移動(dòng)互聯(lián)網(wǎng)技術(shù)，開(kāi)發(fā)了出行數(shù)據(jù)采集軟件，采集了一定量的出行數(shù)據(jù)，研究了步行、自行車、電動(dòng)自行車、公交車、小汽車5種交通模式出行參數(shù)特征；采用了改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)ALBP算法對(duì)5種交通模式進(jìn)行學(xué)習(xí)和識(shí)別，實(shí)驗(yàn)表明改進(jìn)的ALBP算法加快了BP神經(jīng)網(wǎng)絡(luò)收斂速度，提高了識(shí)別效果。出行模式識(shí)別結(jié)果表明本文方案克服了傳統(tǒng)方法中出行數(shù)據(jù)采集設(shè)備受限、特征參數(shù)不明顯、GPS數(shù)據(jù)糾偏困難的缺陷，能夠取得良好的出行模式識(shí)別效果。

［1］Zhang Z，Poslad S.A new post correction algorithm（PoCoA）for improved transportation mode recognition ［C］／／IEEE International Conference on Systems，Man，and Cybernetics.IEEE，2013：1512－1518.

［2］Reddy S，Mun M，Burke J，et al.Using mobile phones to determine transportation modes［J］.ACM Transactions on Sensor Networks，2010，6 （2）：13－39.

［3］Xu C，Ji M，Chen W，et al.Identifying travel mode from GPS trajectories through fuzzy pattern recognition ［C］／／Seventh International Conference on Fuzzy Systems and Knowledge Discovery.IEEE，2010：889－893.

［4］Feng T，Timmermans HJP.Transportation mode recognitionusing GPS and accelerometer data ［J］.Transportation Research Part C：Emerging Technologies，2013，37：118－130.

［5］Zheng Y，Liu L，Wang L，et al.Learning transportation mode from raw GPS data for geographic applications on the web［C］／／Proceedings of the 17th International Conference on World Wide Web.ACM，2008：247－256.

［6］Frendberg M.Determining transportation mode through cellphone sensor fusion ［D］.Boston：Massachusetts Institute of Technology，2011.

［7］Stenneth L，Wolfson O，Yu PS，et al.Transportation mode detection using mobile phones and GIS information ［C］／／Proceedings of the 19th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems.ACM，2011：54－63.

［8］Xu D，Song G，Gao P，et al.Transportation modes identification from mobile phone data using probabilistic models［M］／／Advanced Data Mining and Applications.Berlin：Springer Berlin Heidelberg，2011：359－371.

［9］Zheng Y，Chen Y，Li Q，et al.Understanding transportation modes based on GPS data for web applications ［J］.ACM Transactions on the Web（TWEB），2010，4 （1）：1－36.

［10］Hemminki S，Nurmi P，Tarkoma S.Accelerometer－based transportation mode detection on smartphones［C］／／Proceedings of the 11th ACM Conference on Embedded Networked Sensor Systems.ACM，2013：13－27.

［11］GE Kenan，CHENG Zhongqing，ZHAO Yunpeng.Prediction of temperature and humidity in underground space based on BP neural network ［J］.Computer Engineering and Design，2013，34 （6）：2190－2194 （in Chinese）.［葛珂楠，程忠慶，趙云鵬.基于BP 神經(jīng)網(wǎng)絡(luò)的地下空間溫濕度預(yù)測(cè)［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2013，34 （6）：2190－2194.］

［12］WEI Jing，PU Xingbo，QIAN Yaofeng，et al.Subgrade settlement prediction of transition section based on momentum back－propagation ［J］.Journal of Beijing Jiaotong University，2012，36 （1）：52－55 （in Chinese）. ［魏靜，蒲興波，錢耀峰，等.基于動(dòng)量BP算法的過(guò)渡段路基沉降預(yù)測(cè) ［J］.北京交通大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，36 （1）：52－55.］

［13］GAO Pengyi.Study on the optimization of backpropagation neural network classifier［D］.Wuhan：Huazhong University of Science and Technology，2012 （in Chinese）.［高鵬毅.BP神經(jīng)網(wǎng)絡(luò)分類器優(yōu)化技術(shù)研究 ［D］.武漢：華中科技大學(xué)，2012.］

［14］LIU Tianshu.The research and application on BP nerual network improvement ［D］.Harbin：Northeast Agricultural University，2011 （in Chinese）.［劉天舒.BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)研究與應(yīng)用 ［D］.哈爾濱：東北農(nóng)業(yè)大學(xué)，2011.］

［15］TANG Weicheng.Handwritten English character recognition system ［D］.Shenyang：Shenyang Ligong University，2009（in Chinese）.［唐偉成.手寫(xiě)英文字符識(shí)別系統(tǒng) ［D］.沈陽(yáng)：沈陽(yáng)理工大學(xué)，2009.］

［16］Baidu map data correction ［DB／OL］.http：／／api.map.baidu.com／ag／coord／convert？from＝0＆to＝4＆x＝%f＆y＝%f，2014（in Chinese）.［百度地圖數(shù)據(jù)信息糾偏［DB／OL］.http：／／api.map.baidu.com／ag／coord／convert？from ＝0＆to＝4＆x＝%f＆y＝%f，2014.］

［17］Troped PJ，Oliveira MS，Matthews CE，et al.Prediction of activity mode with global positioning system and accelerometer data［J］.Medicine and Science in Sports and Exercise，2008，40 （5）：972－978.

［18］CHEN Xingyuan.Behind thinking of“cross the road in the Chinese－style”［N／OL］.［2012－10－24］.http：／／www.bus－info.cn／index.php？m＝content＆c＝index＆a＝show＆catid＝9＆id＝22153（in Chinese）.［陳星院.“中國(guó)式過(guò) 馬路”的背后思考［N／OL］.［2012－10－24］.http：／／www.bus－info.cn／index.php？m＝content＆c＝index＆a＝show＆catid＝9＆id＝22153.］

［19］Guangzhou bus［EB／OL］.［2012－11－14］.http：／／jt.gz.bendibao.com／news／20121114／109337.shtml（in Chinese）.［廣州公交［EB／OL］.［2012－11－14］.http：／／jt.gz.bendibao.com／news／20121114／109337.shtml.］

［20］FENG Chong.Travel pattern recognition based on the user’s mobile location data［D］.Kunming：Kunming University of Science and Technology，2011 （in Chinese）.［馮沖.基于移動(dòng)定位數(shù)據(jù)的用戶出行模式識(shí)別 ［D］.昆明：昆明理工大學(xué)，2011.］

［21］ZHANG Bo.Research on trip modal split of OD survey based on the cellular positioning system ［D］.Beijing：Beijing Jiaotong University，2010 （in Chinese）. ［張博.基于手機(jī)網(wǎng)絡(luò)定位的OD調(diào)查的出行方式劃分研究 ［D］.北京：北京交通大學(xué)，2010.］

［22］Wang S，Chen C，Ma J.Accelerometer based transportation mode recognition on mobile phones［C］／／Asia－Pacific Conference on Wearable Computing Systems.IEEE，2010：44－46.