[发明专利]一种考虑路网契合度的智能手机出行方式识别方法

摘要

本发明公开了一种考虑路网契合度的智能手机出行方式识别方法，包括：首先，进行数据采集、清洗及行为轨迹属性的提炼；其次，构建与训练随机森林算法，并初步识别出行方式；再次，构建公交线网，对初步识别结果进行公交线路进行契合度匹配，判定轨迹片段的时空表现特征是否符合公交运营情况；最后，修正初步识别结果，并最终确定出行方式。本发明通过将公交线网匹配信息与随机森林算法相结合，弥补了传统方法中无法抵御交通环境干扰的不足，提升了出行方式识别的准确度。

主权项

1.一种考虑路网契合度的智能手机出行方式识别方法，其特征在于，该方法包括以下步骤：步骤1、行为轨迹采集与预处理：采集受访者的步行、自行车、公交、小汽车四种出行方式轨迹数据，将所述出行方式轨迹数据按照时空表现特征提取“链”片段；步骤2、根据所述“链”片段中各轨迹点的时空表现特征作为学习属性，记为A_j，j∈1,2,...,n，其中n为对应属性的个数，各轨迹点的时空表现特征为速度均值、速度方差、速度最大值以及加速度均值、加速度方差、加速度最大值六种，即n＝6；步骤3、应用随机抽样方法，选取所述行为方式轨迹数据中50％的样本量作为训练样本集，记为TrS，剩余50％的样本量作为预测样本集，记为TeS；步骤4、确定随机森林中决策树的数量S，记训练集的总样本量为Q，从训练样本集TrS中可重复地随机选取Q个“链”片段作为决策树p的训练样本集，记为RFS_p；步骤5、针对决策树p的各个训练样本集RFS_p生成决策树，即从“链”片段的学习属性中遴选适当属性完成各个决策树的生长过程，完成随机森林的构建与训练；每个决策树的生长过程为：步骤5‑1、针对决策树p的各个训练样本集RFS_p进行判定，如果训练样本RFS_p中的所有轨迹片段均属于同一种出行方式，则将该决策树设置为单节点树，标记出行方式并结束该决策树的生长过程；否则，计算决策树p各个学习属性的信息增益比g_R，选取信息增益比最大的m个属性建立该决策树的分裂属性表；步骤5‑2、从分裂属性表中选取信息增益比g_R最大的属性作为决策树节点的分裂属性，将该属性从分裂属性表中剔除，并将训练样本中该属性对应的数值由小到大进行排列，得到{a₁,a₂,...,a_e,...,a_E}序列；以每个属性值作为训练样本集RFS_p的样本分界点，计算各个样本分界点的加权平均熵，选取熵值最大的属性值作为该决策树节点确定的分界值，并将各个训练样本划分为小于或等于该分界值的样本子集和大于该分界值的样本子集，并构建两个子节点分别存储这两个样本子集；步骤5‑3，对所述子节点的样本构成进行判定，若子节点的样本均属于某一出行方式k，则将出行方式k作为该子节点的标记并进入步骤5‑4；否则查询分裂属性表是否为空，如果不为空，则以该子节点的样本构成为基础，返回步骤5‑2，如果分裂属性表为空，则进入步骤5‑4；步骤5‑4，针对未标记子节点进行样本分析，选取训练样本中所占比例最大的出行方式作为该子节点的标记，并完成随机森林中各决策树的生长过程；步骤6、应用所述随机森林对预测样本集TeS的各个轨迹片段进行预测，得到轨迹片段的初步识别结果，初步识别结果为步行、自行车出行、公交出行或小汽车出行；如初步识别结果为步行，则认为该数据记录所指向的轨迹片段最终识别结果为步行，否则进入步骤7；步骤7、构建公交路网，对判定为自行车出行、公交出行、小汽车出行的轨迹片段进行路网匹配分析，具体做法为：步骤7‑1、获取轨迹片段中各个行为轨迹点的分区编号，计算该分区中轨迹点与公交线路之间的路网契合度，将点线之间的直线距离，即路网契合度小于L米的公交线路记为该轨迹点的可能匹配线路集，记录其线段编号，其中L为路网契合度阈值；步骤7‑2、根据所述步骤7‑1记录的轨迹点的公交线路编号，遍历分析并确定出轨迹点唯一配对的公交线路；步骤7‑3、对存在匹配公交线路的轨迹片段进行分区，具体方式为：遍历每块分区中的各个公交站点，获取公交站点附近D米范围内的行为轨迹子片段；步骤7‑4、分析每个轨迹子片段在瞬时速度、瞬时加速度上的变化趋势：若随着轨迹靠近或远离公交站点，瞬时速度表现出由高到低或由低到高的变化趋势，并且在站点停靠时段前后，瞬时加速度的算术符号不同，则认为该轨迹子片段符合公交运营特征，否则认为该轨迹子片段不符合公交运营特征；步骤7‑5、对进行公交线网匹配的轨迹片段进行最终判定：若不存在能够与该轨迹子片段匹配的公交线路，则维持所述步骤6)的初步识别结果；若符合公交运营特征的轨迹子片段占受检测的轨迹子片段总数的比例在Y以上，则判定为该行为轨迹整体符合公交运营特征，为公交出行方式，其中Y为公交运营特征比例值。