基于ELM的交通模式挖掘方法的研究.pdf

1、近年來，隨著定位技術(shù)、無線通信技術(shù)和智能移動終端技術(shù)的迅猛發(fā)展，基于位置的服務(wù)(LBS)得到了越來越廣泛的應(yīng)用，軌跡分析技術(shù)作為LBS的支撐技術(shù)之一進(jìn)而成為當(dāng)前學(xué)術(shù)界與產(chǎn)業(yè)界一個新的研究熱點。在軌跡分析技術(shù)中，軌跡的交通模式信息，如步行、自行車、汽車、火車等，在智能交通、城市規(guī)劃和線路個性化推薦等方面具有重要的應(yīng)用價值。大部分現(xiàn)有的軌跡交通模式挖掘研究以單一交通模式的軌跡數(shù)據(jù)為研究對象，然而在真實情況下，一條軌跡中可能包含多種交通模式，

2、此外大多數(shù)相關(guān)研究還存在著軌跡特征受交通情況影響嚴(yán)重、軌跡特征辨別力低、數(shù)據(jù)模型訓(xùn)練時間長等問題。
　　針對以上問題，本文采用真實交通軌跡數(shù)據(jù)對交通模式挖掘技術(shù)進(jìn)行了研究。
　　首先，在軌跡數(shù)據(jù)預(yù)處理方面，針對單一交通模式的軌跡無法反映真實的情況，本文形式化定義了包含多種交通模式的軌跡和軌跡劃分問題，并針對軌跡劃分問題提出了一種基于分層劃分的軌跡預(yù)處理技術(shù);針對復(fù)雜交通情況影響軌跡分類的問題，設(shè)計了一種基于Grid的軌跡數(shù)據(jù)

3、預(yù)處理技術(shù)，以挖掘軌跡的時間相關(guān)的交通信息。
　　其次，在軌跡特征提取方面，本文設(shè)計了簡單特征、高級特征和頻繁序列模式特征。其中簡單特征考慮了交通情況和GPS定位異常的影響;而高級特征可以更好地反映交通模式的固有特點，具有更好的辨別力和交通健壯性;頻繁序列模式特征則是將軌跡轉(zhuǎn)換成基于空間網(wǎng)格的近似軌跡后挖掘得到的，進(jìn)一步的提高了軌跡分類的準(zhǔn)確度。
　　再次，在分類模型方面，本文使用極限學(xué)習(xí)機(jī)(ELM)來完成軌跡的分類，ELM

4、已經(jīng)廣泛地應(yīng)用于人臉識別、指紋識別和視網(wǎng)膜識別等領(lǐng)域，相比于傳統(tǒng)分類模型，它在部署效率、學(xué)習(xí)速度和泛化性能等方面具有一定的優(yōu)勢。
　　最后，本文使用真實的GPS軌跡數(shù)據(jù)集進(jìn)行了大量的實驗與分析，實驗結(jié)果表明:本文提出的軌跡數(shù)據(jù)預(yù)處理技術(shù)提高了軌跡分類的準(zhǔn)確度;設(shè)計的軌跡特征在交通健壯性、GPS定位異常影響的消除和分類準(zhǔn)確度方面具有明顯優(yōu)勢;相比于REP-Tree, SMO、Bayesian Net三個傳統(tǒng)分類模型，本文使用的分類模