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.
类型: 期刊论文
作者: 郭茂祖,王鹏跃,赵玲玲
关键词: 出行模式识别,卷积神经网络,门控循环单元,语义挖掘,轨迹数据
来源: 哈尔滨工业大学学报 2019年11期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 公路与水路运输,自动化技术
单位: 北京建筑大学电气与信息工程学院,建筑大数据智能处理方法研究北京市重点实验室(北京建筑大学),哈尔滨工业大学计算机科学与技术学院
基金: 国家自然科学基金(61871020,61305013),北京市教委科技计划重点项目(KZ201810016019),北京市属高校高水平创新团队建设计划项目(IDHT20190506)
分类号: TP18;U491;U12
页码: 1-7
总页数: 7
文件大小: 340K
下载量: 840
本文来源: https://www.lunwen90.cn/article/db52b4b7b9799f7d1383d301.html