基于GPS轨迹移动用户特征挖掘算法.docVIP

基于GPS轨迹移动用户特征挖掘算法 　　摘要：通过对移动用户的出行方式的识别，可以挖掘出用户的移动特征。目前识别移动用户的出行方式的方法在多种出行方式交替出现时，识别的准确度并不高，在特殊情况下，甚至很低。针对以上问题，提出了基于速度和转角相结合的轨迹划分的识别方法，首先利用速度小于固定速度阈值和转角小于固定转角阈值的位置点将原始GPS轨迹划分为交通方式单一的子轨迹段，然后使用相同的方法对子轨迹段进行划分。实现结果表明，提出的算法能够有效识别不同出行方式，效果较一般更好 关键词：出行方式；轨迹划分 中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2017）01-0211-04 1 引言 过去研究者通过参与者填写问卷调查和电话采访的形式，来收集出行方式的信息，这通常会导致遗漏短途旅行和不准确的数据[1-2]。然而随着全球定位系统（GPS）的迅速发展，因其覆盖范围广、定位速度快、定位精度高等特点，被普遍应用于大多数移动终端上。[3]而装有GPS的移动终端使位置点的采集变得容易，这给轨迹数据挖掘研究提供了便利。[4]拥有GPS功能的智能手?C可以快速地定位和保存用户的空间位置和定位时间，获取大量移动用户的轨迹数据。移动用户轨迹可由位置点按照时间排序得到，分析移动用户轨迹，可以挖掘移动用户出行特征，了解用户的出行规律，活动规律，为解决交通拥堵，对城市交通进行科学规划和合理调度 文献[5]利用速度小于某一阈值的数据点将原始GPS轨迹划分为交通方式单一的子轨迹段，然后对子轨迹段分别抽取特征，采用监督式学习方法建立推断模型对不同子轨迹的交通方式进行识别。文献[6]利用手持GPS设备记录的GPS定位轨迹，选取方式段长度，平均速度、速度均值、速度协方差等、最大的三个加速度、最大的三个速度等统计值，分别利用决策树、贝叶斯网、支持向量机、条件随机场等模式识别方法，对出行者采用的交通方式进行了识别。文献[7]提出了一种通过追踪AGPS手机中的定位数据来识别交通流中的乘客所采用的交通方式的方法，通过Weka软件建立起BP神经网络来对AGPS定位数据进行交通方式的识别。文献[8]根据转角将轨迹划分成若干轨迹段，然后通过计算轨迹段的结构相似度来判断轨迹的匹配程度，进而完成轨迹聚类。文献[9]提出了三种基于统一时间轨迹分段的算法，充分考虑了移动对象在轨迹片段上的地理空间、时间的结构，并运用了基于时间序列的距离方法将轨迹划分为许多空间和时间均匀的小片段，最后使用了最大移动速度来检测基于统一时间的空间异常点。文献[10]将一段包含多种交通方式的轨迹分割成交通模式单一的片段，通过检测两种不同交通方式之间的潜在转换点来自动识别交通方式，具有相同交通方式的相邻片段被合并在识别过程中。并引入交通模式的层次概念来对划分的片段进行交通模式识别 根据以上分析可知，本文提出一种基于轨迹段划分和贝叶斯网络相结合的方式来识别移动用户的出行方式。该方法首先通过计算速度和转角分别小于各自阈值的转折点，将GPS轨迹进行划分，由此可以获得多种出行方式其中之一的子轨迹段，再从子轨迹段中提取不同的出行特征。建立贝叶斯网络，优化贝叶斯网络推断模型，对分段过程中形成的每段子轨迹进行出行方式识别 2 出行方式识别 2.1 相关定义 为了更好的描述本文所提出的方法，首先介绍一些所使用的基本定义来对轨迹和相关属性进行形式化描述 定义1 GPS轨迹（GPS Trajectory，GPSTR）由一系列不断变化的GPS特征点（GPS Trajectory Points）构成，而这些点会随着时间的推移、位置在空间上的变化而变化。这些GPS特征点包含大量的信息，其中最重要的就是位置信息和时间信息，它通常以经纬度的形式来表示。GPSTR={GPSTR1，GPSTR2，…，GPSTR?，…，GPSTRn}，GPSTR?={，，…，}，P?n={Latin，Lon?n}，i=1，2，3，…，n，t?1，，…，}，P?j={Lat?j，Lon?j}，1 　　当城市出现交通拥堵时，人们乘坐的出行工具会不间断的发生变化，如时快时慢，时停时走，此时一段轨迹内可能会出现速度和转角小于各自?值的转折点，这些点将这出行方式相同的轨迹段划分为又划分为距离更近的子轨迹段。如图3所示。在公交车和乘坐出租车时，出现了多个速度和转角小于阈值的点或停留点，如点p1，p2，p3，它们将一种出行方式下的子轨迹段又划分成多个子轨迹段，如tr1，tr2 针对轨迹段出行方式已知，但有多个转折点时，可能轨迹段的出行方式有多种。为了能精准地找到转折点，需要分别计算这些转折点前后子轨迹段的平均速度和平均转角，如果这两个平均速度和平均转角值相近或相等，则将这两个识别有误的转折点合并，表