利用卷积神经网络从 GPS 轨迹推断出行方式
机器学习
2018-04-10 v1 机器学习
摘要
识别用户出行方式的分布是出行需求分析与交通规划的重要组成部分。随着 ubiquitous 的 GPS 设备（如智能手机）的出现，一种推断通勤者出行方式的经济有效方法是利用其 GPS 轨迹。多数研究提出了基于手工特征与传统机器学习算法的模式推断模型。然而，人工特征存在一些主要缺陷，包括对交通与环境条件的敏感性，以及在构建高效特征时带有人类偏见。克服这些问题的一种途径是利用卷积神经网络（CNN）方案，其能够自动从原始输入中提取高层特征。据此，本文借助 CNN 架构，仅基于原始 GPS 轨迹来预测出行方式，其中方式标记为步行、自行车、公交、驾车与火车。我们的关键贡献在于设计 CNN 输入层的布局，使其不仅适配 CNN 方案，而且表征运动对象的基本运动特征，包括速度、加速度、加加速度（jerk）与方位变化率。此外，我们通过若干数据预处理步骤改善了 GPS 日志的质量。利用洁净的输入层，我们评估了多种 CNN 配置以得到最佳 CNN 架构。通过最佳 CNN 配置的集成取得了 84.8% 的最高准确率。本研究中，我们将方法与传统的机器学习算法以及开创性与最相关的研究进行对比，以证明我们框架的优越性。
引用
@article{arxiv.1804.02386,
title = {Inferring transportation modes from GPS trajectories using a convolutional neural network},
author = {Sina Dabiri and Kevin Heaslip},
journal= {arXiv preprint arXiv:1804.02386},
year = {2018}
}
备注
12 pages, 3 figures, 7 tables, Transportation Research Part C: Emerging Technologies