本发明公开了交通管理与信息服务技术领域中的一种基于AGPS技术的交通出行方式识别方法。包括:定位服务器建立状态信息数据库;定位服务器每隔设定时间T从手机获取状态信息并存入状态信息数据库;对状态信息数据库中存储的状态信息进行预处理,删除影响定位精度的数据;从状态信息数据库中提取样本数据;将提取的样本数据分为训练样本数据和测试样本数据;建立BP神经网络,利用训练样本数据训练BP神经网络;将测试样本数据代入训练后的BP神经网络,得到交通出行方式识别结果。本发明提高了定位速度和定位精度,克服了现有采集方式存在的不足。
1.一种基于AGPS技术的交通出行方式识别方法,由定位服务器获取含有GPS模块的手机的状态信息,并根据所述状态信息识别安装手机的交通工具的交通出行方式,其特征是所述方法包括:步骤1:定位服务器建立状态信息数据库;步骤2:定位服务器每隔设定时间T从手机获取状态信息并存入状态信息数据库,包括:步骤21:每隔设定时间T,手机从基站获取自身所处的小区的位置信息,并将所述小区的位置信息发送至定位服务器;步骤22:定位服务器根据所述小区的位置信息确定与之对应的GPS辅助信息,并将所述GPS辅助信息发送至手机;步骤23:手机根据GPS辅助信息接收GPS卫星信号并根据接收的GPS卫星信号计算手机到卫星的伪距,之后将计算的手机到卫星的伪距发送至定位服务器;步骤24:定位服务器根据手机到卫星的伪距,确定手机的状态信息并存入状态信息数据库;所述状态信息包括:当前日期、当前时间、经度、纬度、高度、瞬时速度、视野内卫星数和水平位置精度;步骤3:对状态信息数据库中存储的状态信息进行预处理,删除影响定位精度的数据;步骤4:从状态信息数据库中提取样本数据;步骤5:将提取的样本数据分为训练样本数据和测试样本数据;步骤6:建立BP神经网络,利用训练样本数据训练BP神经网络;步骤7:将测试样本数据代入训练后的BP神经网络,得到交通出行方式识别结果。
2.根据权利要求1所述的基于AGPS技术的交通出行方式识别方法,其特征是所述步骤3具体是,如果状态信息的经度、纬度、高度、视野内卫星数或者水平位置精度满足下列条件之一,(1)经度数值不在第一设定范围内;(2)纬度数值不在第二设定范围内;(3)高度数值不在第三设定范围内;(4)视野内卫星数小于3;(5)水平位置精度大于100米;则将该状态信息删除。
3.根据权利要求1所述的基于AGPS技术的交通出行方式识别方法,其特征是所述步骤4包括:步骤41:设定样本数据个数n;步骤42:从状态信息数据库中提取连续存储的m条记录;其中,m为设定值;步骤43:根据每条记录中的当前时间和瞬时速度,计算当前时间对应的加速度,得到m个加速度;步骤44:计算m条记录中的视野内卫星数的均值,得到平均视野内卫星数;计算m条记录中的水平位置精度,得到平均水平位置精度;步骤45:以m个瞬时速度、m个加速度、平均视野内卫星数和平均水平位置精度作为样本数据的输入数据,以待识别的交通出行方式作为样本数据的输出数据,得到一条样本数据;步骤46:判断得到的样本数据的个数是否大于等于n,如果得到的样本数据的个数大于等于n,则结束提取过程;否则,返回步骤42。
4.根据权利要求3所述的基于AGPS技术的交通出行方式识别方法,其特征是所述待识别的交通出行方式包括步行出行方式、公交出行方式和小汽车出行方式。
5.根据权利要求1所述的基于AGPS技术的交通出行方式识别方法,其特征是所述BP神经网络各层的传递函数为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="393"/>γ和θ为可调参数,BP神经网络的学习率η取值范围为0-0.8,BP神经网络的迭代次数的取值范围为100-500。技术领域
本发明属于交通管理与信息服务技术领域,尤其涉及一种基于AGPS技术的交通出行方式识别方法。
背景技术
城市化的发展不可避免地产生越来越严重的交通拥堵问题。为了解决交通拥堵问题,世界各国均提出了不同的解决办法。目前智能交通系统(Intelligentxa0Transportationxa0System,简称ITS)被公认为解决交通拥堵问题的有效手段之一,ITS作为一个信息化系统,主要包括以下三个基本环节:(1)完整而实时的交通信息采集系统;(2)实时和高效的信息交换系统,包括交通参与者、交通管理者、交通工具等之间的信息交换;(3)具备自组织、自学习和自适应能力的交通管理发布系统。其中,交通信息的采集环节是ITS其他组成部分和各项功能得以实现的基础。因此,实时、全面、准确的交通信息是实现城市交通智能化的关键,也是ITS成功实施的重要前提和基本保障。如果没有大量的、准确的交通信息采集与处理作为支撑,ITS将只能停留在概念的探讨阶段。本发明基于手机GPS技术采集实时交通数据,在大量采集的实时交通数据基础上,识别出交通方式。这项技术是道路实时交通状态识别的基础,为交通管理者有针对性地采取缓解拥堵的措施,为道路使用者更加科学地安排出行起到重要的作用。本项发明涉及到二类关键技术:利用手机GPS进行交通信息采集和基于采集的交通数据进行交通出行方式识别。在交通信息采集技术方面:目前广泛使用的交通信息采集方式主要包括定点式采集和流动式采集两种。定点采集方式包括感应线圈检测器、红外线检测器、超声波检测器、微波检测器、视频检测器等,但是这种采集方式由于采集器安装位置固定,因此只能采集到重要路段、交叉口的交通信息,所以在采集范围上存在局限性。流动式采集主要指浮动车采集,它利用一定数量的装有特定车载设备的车辆(浮动车)在行驶过程中采集沿途自身的各种交通数据(速度、加速度、出行距离、出行时间、停车、超速、紧急情况等),并将所采集到的实时交通数据通过通讯手段传送到数据处理中心,经数据处理中心处理后,建立起共享数据库,向不同的服务对象提供多样化的实时交通信息。但是浮动车方式采集到的交通信息数据的可靠性依赖于道路上行程的浮动车数量,因此,当某一路段行驶的浮动车数量低于要求时,高路段的交通数据的可靠性就会大大降低;而且这种方式采集数据,具有较高的成本。在交通出行方式识别方面,目前还没有利用手机GPS采集数据并进行交通出行方式识别的方法。在以往运用手机采集信息判断交通方式,多集中于OD(ORIGINxa0andxa0DESTINATION)调查领域,即交通起止点调查,并不存在识别时间的限制,因此很多研究都使用完整的GPS轨迹数据,并依赖路网GIS和公交线网等辅助数据。因此,既有的交通出行方式识别方法,对于ITS关于更加全面、实时、准确的要求还有一定差距。目前,随着附带GPS功能手机的广泛普及以及其定位精度的不断提升,应该充分挖掘手机位置信息以提供全面、实时、准确的交通信息;同时,基于GPS手机的交通信息采集技术具有初期投资规模小、数据采集量大、能实现大范围覆盖等特点。在移动通信系统中,根据定位方式所依赖的终端,定位技术可以分为三种:基于移动网络的定位技术、基于移动终端(GPS)的定位技术以及网络辅助移动终端的定位(Assisted-GPS,简称AGPS)技术。基于网络的定位技术是指网络根据测量数据计算出移动终端所处的位置,目前主要使用COO(Cellxa0ofxa0Origin)技术,该定位技术适用于所有的移动蜂窝网络。基于移动终端的定位技术是指由移动终端计算出自己所处的位置。而网络辅助移动终端的定位技术顾名思义就是在定位过程中移动网络提供给移动台一些辅助信息(GPS捕获辅助信息、GPS定位辅助信息、GPS灵敏度辅助信息、GPS卫星工作状况信息等)辅助终端提高定位速度与定位精度,同时,在手机无法捕获到足够的GPS卫星进行定位时,AGPS还可以切换到基于网络的定位技术以实现定位的连续性。使用GPS手机采集交通信息需要手机用户主动触发GPS定位功能,而随着GPS手机的普及以及移动运营商对LBS(位置服务业务)的大力推广,使用GPS功能的手机用户数量也呈现大幅度上升趋势。目前,在使用手机定位技术进行交通信息采集领域中用到的手机定位技术主要有COO(小区半径法)、AOA(达到角度法)、TOA(到达时间法)、TDOA(到达时间差法)、E-OTD(增强观测时间差法)、GPS等,通过对不同手机定位技术的分析,可以得出各手机定位方式的使用网络、定位精度、终端要求和网络改造方面的对比情况,如表1所示:
xa0xa0适用网络
xa0xa0定位精度
xa0xa0终端要求
xa0xa0网络改造
xa0xa0CELLxa0ID

xa0xa0移动通信网

xa0xa0小区半径

xa0xa0无


xa0xa0否
xa0xa0AOA
xa0xa0移动通信网
xa0xa0100m以上
xa0xa0无
xa0xa0是
xa0xa0TOA/TDOA
xa0xa0移动通信网
xa0xa030-150m
xa0xa0无
xa0xa0是
xa0xa0E-OTD
xa0xa0GSM
xa0xa060-150m
xa0xa0软件更新
xa0xa0是
xa0xa0GPS

xa0xa0移动通信网

xa0xa010-100m

xa0xa0GPS手机


xa0xa0否
xa0xa0A-GPS
xa0xa0移动通信网
xa0xa05-50m
xa0xa0A-GPS手机
xa0xa0是
表1不同手机定位技术对比表经过表1的对比分析可以得出,相比于其他手机定位方式,AGPS技术采集交通信息主要有以下几点优势:(1)相比于基于网络的定位方式,AGPS在定位精度方面的优势明显;(2)AGPS定位技术的稳定性高于传统的GPS定位;(3)AGPS技术充分利用现有移动网络设备,不需要在网络段增加大量的LMU(位置测试单元),网络建设成本更低;(4)AGPS的定位数据存储在移动LBS系统,只需开发程序将数据从相应端口导出;(5)在无法获取GPS卫星信号的情况下,AGPS技术还可以切换到COO定位技术,以保证定位的连续性。因此,为了达到全面、实时、准确地识别交通出行方式的目的,本发明采用AGPS技术对交通出行方式进行识别。
发明内容
本发明的目的在于,提供一种基于AGPS技术的交通出行方式识别方法,通过手机结合AGPS技术获取交通出行数据,并根据交通出行数据识别交通出行方式。为实现上述目的,本发明提供的技术方案是,一种基于AGPS技术的交通出行方式识别方法,由定位服务器获取含有GPS模块的手机的状态信息,并根据所述状态信息识别安装手机的交通工具的交通出行方式,其特征是所述方法包括:步骤1:定位服务器建立状态信息数据库;步骤2:定位服务器每隔设定时间T从手机获取状态信息并存入状态信息数据库;所述状态信息包括:当前日期、当前时间、经度、纬度、高度、瞬时速度、视野内卫星数和水平位置精度;步骤3:对状态信息数据库中存储的状态信息进行预处理,删除影响定位精度的数据;步骤4:从状态信息数据库中提取样本数据;步骤5:将提取的样本数据分为训练样本数据和测试样本数据;步骤6:建立BP神经网络,利用训练样本数据训练BP神经网络;步骤7:将测试样本数据代入训练后的BP神经网络,得到交通出行方式识别结果。所述步骤2包括:步骤21:每隔设定时间T,手机从基站获取自身所处的小区的位置信息,并将所述小区的位置信息发送至定位服务器;步骤22:定位服务器根据所述小区的位置信息确定与之对应的GPS辅助信息,并将所述GPS辅助信息发送至手机;步骤23:手机根据GPS辅助信息接收GPS卫星信号并根据接收的GPS卫星信号计算手机到卫星的伪距,之后将计算的手机到卫星的伪距发送至定位服务器;步骤24:定位服务器根据手机到卫星的伪距,确定手机的状态信息并存入状态信息数据库。所述步骤3具体是,如果状态信息的经度、纬度、高度、视野内卫星数或者水平位置精度满足下列条件之一,(1)经度数值不在第一设定范围内;(2)纬度数值不在第二设定范围内;(3)高度数值不在第三设定范围内;(4)视野内卫星数小于3;(5)水平位置精度大于100米;则将该状态信息删除。所述步骤4包括:步骤41:设定样本数据个数n;步骤42:从状态信息数据库中提取连续存储的m条记录;其中,m为设定值;步骤43:根据每条记录中的当前时间和瞬时速度,计算当前时间对应的加速度,得到m个加速度;步骤44:计算m条记录中的视野内卫星数的均值,得到平均视野内卫星数;计算m条记录中的水平位置精度,得到平均水平位置精度;步骤45:以m个瞬时速度、m个加速度、平均视野内卫星数和平均水平位置精度作为样本数据的输入数据,以待识别的交通出行方式作为样本数据的输出数据,得到一条样本数据;步骤46:判断得到的样本数据的个数是否大于等于n,如果得到的样本数据的个数大于等于n,则结束提取过程;否则,返回步骤42。所述待识别的交通出行方式包括步行出行方式、公交出行方式和小汽车出行方式。所述BP神经网络各层的传递函数为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="388"/>γ和θ为可调参数,BP神经网络的学习率η取值范围为0-0.8,BP神经网络的迭代次数的取值范围为100-500。本发明采用AGPS技术对道路交通出行对象进行定位,提高了定位速度和定位精度;同时,采用移动终端对交通信息进行采集,克服了现有采集方式存在的样本量覆盖范围较小、专业采集设备依赖较强、成本高的不足,进而使得交通出行识别结果更加准确可靠。
附图说明
图1是基于AGPS技术的交通出行方式识别方法流程图;图2是AGPS定位过程示意图;图3是状态信息数据库结构图;图4是从状态信息数据库中提取样本数据的示意图;图5是基于AGPS技术的交通出行方式识别方法的BP申请网络结构图。
具体实施方式
下面结合附图,对优选实施例作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。实施例1本发明提供的基于AGPS技术的交通出行方式识别方法,利用安装有GPS模块的手机获取交通出行对象的数据(GPS信息),然后将数据传送至移动通讯网络中安装的定位服务器,最后通过定位服务器识别交通出行方式。图1是基于AGPS技术的交通出行方式识别方法流程图,如图1所示,本发明提供的方法包括:步骤1:定位服务器建立状态信息数据库。步骤2:定位服务器每隔设定时间T从手机获取状态信息并存入状态信息数据库;所述状态信息包括:当前日期、当前时间、经度、纬度、高度、瞬时速度、视野内卫星数和水平位置精度。本步骤实际是利用AGPS技术获取手机的状态信息的过程,图2是AGPS定位过程示意图,如图2所示,获取手机的状态信息的过程包括:步骤21:每隔设定时间T,手机从基站获取自身所处的小区的位置信息(即COO定位),并将所述小区的位置信息通过移动通信网络发送至定位服务器。步骤22:定位服务器根据小区的位置信息确定与之对应的GPS辅助信息,并将所述GPS辅助信息发送至手机。定位服务器包含多个灵敏度比较高的GPS接收机,负责全天候监测几百公里覆盖范围上空的GPS卫星的星历数据等信息。当定位服务器收到小区的位置信息后,可以根据小区的位置信息,确定其上空当前可用的GPS卫星信息(包括卫星的频段、方位、仰角等相关信息),并将这些可用的GPS卫星信息作为GPS辅助信息返回给手机。步骤23:手机根据GPS辅助信息接收GPS卫星信号并根据接收的GPS卫星信号计算手机到卫星的伪距,之后将计算的手机到卫星的伪距发送至定位服务器。步骤24:定位服务器根据手机到卫星的伪距,确定手机的状态信息。其中,经度、纬度和高度利用如下方程组[(x₁-x)²+(y₁-y)²+(z₁-z)²]^1/2+c(v_t1-v_t0)=d₁[(x₂-x)²+(y₂-y)²+(z₂-z)²]^1/2+c(v_t2-v_t0)=d₂[(x₃-x)²+(y₃-y)²+(z₃-z)²]^1/2+c(v_t3-v_t0)=d₃[(x₄-x)²+(y₄-y)²+(z₄-z)²]^1/2+c(v_t4-v_t0)=d₄可以求得。上述方程组中,(x,y,z)为手机的经度、纬度和高度,(x_i,y_i,z_i)(i=1,2,3,4)为第i颗可用卫星的坐标。d_i=cΔt_i分别为第i颗卫星到手机之间的距离,Δt_i分别为第i颗卫星到手机之间的伪距,c为GPS信号传播的速度(即光速)。v_ti为第i颗卫星的钟差。由该方程组可知,步骤22获得的可用的GPS卫星应当不少于4颗,每颗可用卫星的坐标和钟差通过GPS辅助信息可获得,这样通过上述方程组可获得手机的经度、纬度、高度以及钟差v_t0。通过手机到卫星的伪距确定手机的状态信息实际上已经是现有技术,在本发明中不再赘述。得到手机的状态信息后,存入状态信息库中。图3是状态信息数据库结构图,图3展示了状态信息库所包含的各个字段。步骤3:对状态信息数据库中存储的状态信息进行预处理,删除影响定位精度的数据。影响GPS卫星定位准确性的因素包括观测误差、卫星星历误差、电离层和对流层的延迟误差等,外在表现为在天气条件差、障碍物遮挡等情况下,GPS定位精度会明显下降。此外,GPS定位的准确性还依赖于所用的GPS芯片的准确性、GPS天线的灵敏程度等。由于在数据的采集过程有可能会出现数据缺失和飘移的现象,因此,有必要将采集到的GPS手机定位数据进行过滤。处理数据时去除定位精度差的点,既可以节省对无效数据进行处理的时间,又可以提高数据处理的质量。在GPS定位中,包括视野内卫星数(SAT)和水平位置精度(horizontalxa0dilutionxa0ofxa0precision,简称HDOP)是反映定位精度的主要指标。视野内卫星数SAT,反应接收卫星数SAT小于3表明获得数据定位不准确,数据过滤时将该数据抛弃。HDOP是体现记录点水平定位精度的一个指标,单位为cm,HDOP越大,数据越不精确。经研究认为位置精确度一般在5到10m,实际情况下精度可能稍微差点,数据过滤时可以将HDOP>1000(100m)的数据抛弃。同时,还应根据采集地区的海拔高度、经纬度范围以及车辆行驶速度区间进行分析,当采集到的经度、纬度、高度等数据不在此范围内的数据将被抛弃。我们以在北京进行试验为例,因为北京市界的地理坐标为:北纬39”26’至41”03’,东经115”25’至117”30’;北京市界的海拔为8-2303米。据此,可以将经度在115”25’至117”30’范围之外数据删除,将纬度在39”26’至41”03’范围之外的数据删除,将高度在8-2303米之外的数据删除。步骤4:从状态信息数据库中提取样本数据。图4是从状态信息数据库中提取样本数据的示意图,如图4所示,从状态信息数据库中提取样本数据包括:步骤41:设定样本数据个数n。步骤42:从状态信息数据库中提取连续存储的m条记录;其中,m为设定值。步骤43:根据每条记录中的当前时间和瞬时速度,计算当前时间对应的加速度,得到m个加速度。因为m条记录中共有m个当前时间和m个瞬时速度,利用每个当前时间和其对应的瞬时速度,能够计算出该当前时间对应的加速度,这样共能够得到m个加速度。步骤44:计算m条记录中的视野内卫星数的均值,得到平均视野内卫星数;计算m条记录中的水平位置精度,得到平均水平位置精度。利用公式ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="364"/>计算m条记录中的视野内卫星数的均值,得到平均视野内卫星数SAT_Ave。利用公式ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="466"/>计算m条记录中的水平位置精度的均值,得到平均水平位置精度HDOP_Ave。步骤45:以m个瞬时速度、m个加速度、平均视野内卫星数和平均水平位置精度作为样本数据的输入数据,以待识别的交通出行方式作为样本数据的输出数据,得到一条样本数据。待识别的交通出行方式包括步行出行方式、公交出行方式和小汽车出行方式。步骤46:判断得到的样本数据的个数是否大于等于n,如果得到的样本数据的个数大于等于n,则结束提取过程;否则,返回步骤42。依照步骤42-步骤46,在状态信息数据库中提取n个连续存储的m条记录,即可获得n个样本数据。步骤5:将提取的样本数据分为训练样本数据和测试样本数据。样本数据的划分可以根据实际需要确定,一般将60%-70%的样本数据作为训练样本数据,将剩余的样本数据作为测试样本数据。步骤6:建立BP神经网络,利用训练样本数据训练BP神经网络。使用BP神经网络必须进行BP神经网络结构的设计,BP网络结构的设计包括:输入神经元个数、输出神经元个数、隐含层个数、隐含层中神经元数目、每层传递函数、学习率和迭代次数。在本发明中,用于要利用训练样本数据训练BP神经网络,因此可以使用训练样本数据的输入数据,即m个瞬时速度、m个加速度、平均视野内卫星数和平均水平位置精度作为BP神经网络的输入神经元,输入神经元个数为2m+2。使用训练样本数据的输出数据,即步行出行方式、公交出行方式和小汽车出行方式作为BP神经网络的输出神经元,即输出神经元个数为3。从原理上讲,反向传播算法可以应用无限多层的前馈网络。但是根据Kolmogorov定理,任何从输入到输出的连续映射都可以用一个三层非线性网络实现。即三层网络可以应对任何问题,虽然对于较复杂问题,更多层的网络可能获得更精简的结果。但是当反向传播算法直接用于多于三层的前馈网络时,陷入局部极小点而不收敛的可能性很大,而且通常需要更多的训练时间,因此采用只含一个隐层的三层BP神经网络作为交通方式识别分类器。三层前馈网络的输入层与输出层是由问题本身决定的,但是中间隐层的神经元数如何确定则缺乏有效的方法,一般来说,问题越复杂,需要的隐层神经元数越多;然而,隐层神经元数过多会增加使用时的计算量,而且会产生“过学习”效果,使对未出过的样本推广能力变差,而隐含层神经元过少时,可能会由于神经网络容量的不足而造成学习能力够。相关的研究表明,隐层所需神经元数主要取决于问题复杂程度而非样本数,因此,参考相关领域研究,选用的隐层神经元数满足一下公式:隐层神经元数=(输入神经元个+输出神经元个)/2由于BP网络是一个非线性网络,因此,初始权值的设定是否合理直接关系到网络能否收敛和训练时间的长度。如果权值过大,则加权后的输入容易落入S型函数导数接近于0的区域,因此权值调整步伐变得非常缓慢,而如果权值接近于0,则sigmoid函数的运算部分大致是线性的,神经网络退化为近似线性的模型,因此每个神经元的权值都能在S型函数斜率最大的附近调整。所以,初始权值通常取接近于0的随机值。即开始模型接近于线性的,并且随权值的增加而变成非线性的。传递函数的确定要满足以下几个要求:首先,f必须存在非线性,否则三层网络将不提供高于两层网络之上的任何计算能力;其次,f需要具有饱和性,存在最大输出和最小输入值,这可以限定权值和激发函数的上下边界,使得训练次数是有限的。再次,f还应具有连续性和光滑性,f和f′(即f的导数)在它们的整个自变量范围内都有定义。基于以上原则,选择Sigmoid函数作为传递函数,公式为 f = 1 1 - e - γ ( x - θ ) ]]>其中γ和θ为可调参数,控制Sigmoid函数的陡度和范围。通过前面对BP神经网络的分析可知,学习率决定着每次迭代神经元间权值的修改量。如果学习率设置的过大,可能导致神经网络系统不稳定,学习率设置过小,则会导致训练时间过长,收敛的速度非常缓慢,但是使用小学习率能保证网络的误差值在容许范围内。所以,通常根据经验学习速率趋向于选择较小的值,范围在(0,0.8)之间。为了寻求收敛速度与识别精度的最优,设置不同的学习速率,分别观察其对收敛速度和精度的影响,最终选择最优的学习速率。改变多层感知器神经网络的参数设置,分别考察学习率和迭代次数对识别准确率的影响,得出结果如表2。xa0xa0方案
xa0xa0准确率
xa0xa0训练时间
xa0xa0学习率=0.01,训练时间=100次
xa0xa076.65
xa0xa014.35
xa0xa0学习率=0.1,训练时间=300次
xa0xa081.71
xa0xa05.32
xa0xa0学习率=0.3,训练时间=300次
xa0xa082.58
xa0xa02.15
xa0xa0学习率=0.3,训练时间=400次
xa0xa082.35
xa0xa03.47
xa0xa0学习率=0.3,训练时间=500次
xa0xa081.90
xa0xa05.37
表2不同参数下交通方式识别准确率对比表如上表所示,当使用相同的输入数据进行模式识别时,改变学习率和训练时间的参数能够影响模式识别的准确率,当学习率设为0.3时,训练时间达到300次迭代时最高的识别准确率达到82.58%,这表明训练时间当达到500次迭代以上时,增加迭代次数反而会造成准确率的降低。因此,可以选择学习率0.3,训练时间为300次。基于以上的神经网络的参数设置,本发明设计的基于AGPS技术的交通出行方式识别方法的BP神经网络结构如下图5所示。步骤7:将测试样本数据代入训练后的BP神经网络,得到交通出行方式识别结果。下面以北京市内某道路为例,以若干个定位点速度、加速度、一个平均的视野内卫星数和一个平均HDOP值作为输入数据,输出层神经元个数决定于需要识别的交通方式个数,由于需要对小汽车、公交车和步行三种方式进行识别,因此输出层神经元个数为3。输出端矩阵元素值为1则表示BP神经网络将样例分类为该交通方式。例如在该路段,在采样周期为5分钟,频率为每周期内2次的基础上,采集到的小汽车、公交车和步行每种交通方式各6小时的AGPS手机定位数据,这样18个小时的定位数据被划分为216个样本数据,每种交通方式的样本数为60/5×6=72个,得到如下表3的交通方式识别矩阵:xa0xa0被分为→
xa0xa0步行
xa0xa0公交车
xa0xa0小汽车
xa0xa0步行
xa0xa065
xa0xa07
xa0xa00
xa0xa0公交车
xa0xa07
xa0xa053
xa0xa012
xa0xa0小汽车
xa0xa04
xa0xa020
xa0xa048
表3BP神经网络进行交通方式识别矩阵按照本发明设计的交通方式识别方法,使用BP神经网络进行交通方式识别的总体精度为76.8%.利用kappa统计值为0.8712从交通方式识别结果来看,在72例步行中,只有7例被错误识别为公交车;72例公交车有12例被分为小汽车,有7例被分为步行;而72例小汽车则有20例被分为公交车。识别的结果表明,步行是最容易识别的交通方式,只有少量步行会被错误分类为公交车。而小汽车由于其行驶特性与GPS定位特性都接近公交车,因此,存在的主要问题是小汽车和公交车相互混淆。具体对识别错误的案例进行观察可以得出几种典型识别错误的原因:(1)步行被分为公交车的,主要是由于步行速度过快。(2)公交车被分为小汽车的情况有三种,一是公交车的速度高于正常值,这通常发生交通状况很好的非高峰时段。二是加速度超过正常值,这与不同司机的驾驶习惯有关。三是视野内卫星数高于正常值。(3)小汽车为错误分为公交车的,通常发生在拥堵时段,路网中小汽车和公交车的行驶速度趋近相同。本发明通过实时采集、分析GPS手机定位的数据,将普通用户的手机移动终端作为一种有效的交通检测器。无需在手机终端上安装任何特殊设备、无需安装任何软件,可以节约大量基础设施投资。本发明在手机采集交通数据上,避免了手机数据采集交通信息多依靠手机Handover(切换)技术的问题,采用的A-GPS定位技术使得定位准确性更高。同时克服了当前交通信息采集方式所存在的样本量覆盖范围较小、专业采集设备依赖较强、成本高等不足等问题。本发明能够明确地对交通参与者的交通方式进行识别,较为准确地识别出小汽车、公交车及步行的交通方式,使得交通数据更为可靠,有效,指导性更强。可以为城市交通运输管理提供有效的检测和监控手段。以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。