基于GPS轨迹预测交通方式

### 基于GPS轨迹预测交通方式 #### 1. 引言 随着车辆数量的快速增加和城市化进程的加速，城市年度交通拥堵成本迅速上升，导致出行效率降低、经济增长放缓以及空气质量下降。为了解决这些问题，需要利用人工智能创建智能交通系统和构建智慧城市。而城市交通预测研究对于城市发展和环境保护至关重要，其中一个关键挑战是准确分类和确定特定路线或时间段内使用的交通方式。 近年来，许多研究人员采用各种数据源进行交通方式分类，如GPS坐标、手机加速度计和GIS数据等。他们使用了传统的监督学习算法，包括动态贝叶斯网络、支持向量机、决策树、多层感知器和随机森林算法。此外，一些研究还将GPS数据与其他数据结合，以提高交通方式检测的准确性。 然而，使用单一传感器的简单高效方法可能更具实用性，因为收集人类移动信息并获取多个不同位置的信息既复杂又昂贵。因此，本文聚焦于应用人工智能的不同方面，如预处理、机器学习和深度学习算法，仅使用GPS坐标来分类交通方式。 #### 2. 方法与输入处理 利用GPS和移动设备的优势，检测交通方式的一个较好方法是计算轨迹的主要运动。本文的方法是增加特征数量，将新特征添加到现有文献中使用的特征中，并使用统计方法进一步增加数据特征，然后应用滤波器来增强数据。 ##### 2.1 数据准备 在为每个用户获取GPS轨迹与相应标签的匹配后，将原始GPS数据聚类为（经度、纬度、时间、模式）的形式。实验分为以下4个步骤： 1. **首次预处理**：识别并纠正数据源产生的错误，检测并删除时间记录大于其后点的GPS点（考虑初始数据输入顺序）。 2. **分割**：使用文献中描述的方法，将最多200个属于同一交通方式的点存储为一个段，并标记为相同的交通方式。同时，不超过两个连续GPS点之间的时间阈值（20分钟），并删除少于10个点的段，因为这会影响模型的精度。 3. **计算特征和运动**：为每个段计算许多特征和运动，认为这些特征对于每种交通方式是唯一的。例如，对于给定距离，汽车、火车和自行车的平均速度存在差异。具体计算如下： - 计算连续点P1（经度，纬度）和P2（经度，纬度）之间的地理距离，使用基于球形地球的Haversine公式（忽略椭球效应）。 - 计算不同运动： - \(DP1 = DistanceP1 = Haversine(P1, P2)\) - \(SP1 = SpeedP1 = (DP2 - DP1) / Δt\) - \(AP1 = AccelerationP1 = (SP2 - SP1) / Δt\) - \(JP1 = JerkP1 = (AP2 - AP1) / Δt\) - 以及方位角（Bearing） - 还计算了一组在交通方式检测文献中首次使用的特征，分别是位置的四阶、五阶和六阶导数： - \(JoP1 = JounceP1 = (JP2 - JP1) / Δt\) - \(FP1 = FlounceP1 = (JoP2 - JoP1) / Δt\)