基于分布式边缘智能的高频 GNSS 数据路用户分类

现实交通涉及多种路用户，从行人到重型卡车，都需要有效的路用户分类才能实现各种智能交通系统（ITS）中的应用。传统方法常依赖侵入性且/或昂贵的外部硬件传感器。这些系统通常覆盖范围有限。为此，本文旨在探讨一种非侵入且高性价比的路用户分类方法，利用高频（1-2 Hz）位置序列。 cutting-edge 解决方案可涉及来自 5G 网络的定位数据。然而，这一特性目前仅在 3GPP 标准中提出，尚未由 5G 设备厂商在户外应用中实现。因此，我们的方法依赖使用全球导航卫星系统（GNSS）记录的定位数据，并在分布式边缘设备上处理。作为起始点，区分为四种路用户：行人、骑自行车者、摩托车和乘用车。虽然早期方法使用经典统计方法，但我们提出使用长短期记忆（LSTM）循环神经网络（RNN）作为首选的分类方法，因为它们在处理序列数据方面处于最佳实践。本文提出了一种基于从原始位置序列中选取的运动特征派生的 RNN 架构，用于路用户分类，并检验了序列长度对分类质量的影响。工作结果表明，RNN 能够高效地在分布式设备上对路用户进行分类，特别是能够基于两到四分钟的序列区分 motorized vehicle 类型。