[发明专利]一种基于智能手机的出行调查和人工神经网络粒子群优化算法的出行目的识别方法

说明书

本发明提出了一种基于智能手机的出行调查和人工神经网络粒子群优化算法的出行目的识别方法。该方法以个体出行者为研究对象，以智能手机采集的GPS信息并对受访者即时召回验证特征作为数据源，首先通过出行者的GPS数据和问卷调查信息确定出行特征、个人特征和家庭特征；而后用等比例方法确定数据训练集；最后利用人工神经网络结合粒子群优化算法从调查数据中检测出行目的。应用本发明所述的识别方法可以基于智能手机的出行调查数据实现回家、工作/教育、外出就餐、购物、社交访问和接送某人共六种出行目的的自动化识别，可以为交通规划、交通管理决策等提供有效的数据参考，对于促进城市交通系统的健康发展具有重要意义。

技术领域

本发明涉及出行目的识别技术领域，具体而言，涉及一种基于智能手机的出行调查和人工神经网络粒子群优化算法的出行目的识别方法。

背景技术

居民日常出行目的调查是交通调查中的重要内容，也是出行行为分析和建模的主要数据来源，其对城市功能结构规划，城市道路网络规划，交通组织设计及优化具有重要的意义。传统出行调查要求志愿者报告调查期间每次出行的起终点、起止时问、出行方式和出行目的等信息，会对志愿者造成较大负担，而且数据精度难以保证。

通信与互联网技术的发展与普及应用，应运而生的是对其背后蕴藏的大量潜在信息的大数据的挖掘研究，目前有大量的GPS、视频监控设备可以感知并记录个体实时位置信息，基于全球定位系统的出行调查在以下方面具有优于传统调查的潜在优势:(1)定位数据是被动收集的，不会给受访者带来负担； (2)记录了大多数行程的完整路线，从而有可能恢复未报告的行程；(3)可以自动检测准确的行程开始和结束时间以及行程长度，提高了收集出行特征的准确性和便捷性。但是对于出行目的这样主观的出行行为信息却无法直接通过信息设备进行感知。

现有研究在进行数据特征描述时，出行特征大部分只是基于出行端点的兴趣点特性来描述，但是随着城市用地越来越复杂，居民出行越来越多样化，仅根据兴趣点很难对出行目的进行准确的识别，而以往研究在个人特征和家庭特征的描述中也往往缺乏全面性，因此需要更加全面的特征变量来有效描述数据特征。另一方面，现有出行目的检测的机器学习方法包括支持向量机、随机森林、多项式逻辑模型、反向传播算法和决策树。这些机器学习方法的模型往往直接输出非概率的类别确定，这意味着它不能处理与出行目的检测内在相关的模糊性，反向传播算法还易陷入局部最优，同时这些模型还需要复杂的先验限制且最终的分类能力也相对较低。

鉴于此，我们可以发现如果采用更全面的特征变量来描述数据特征，在出行特征土地利用类型中加入针对性的特征描述，结合有效的个人特征和家庭特征，可以更全面的描述个体出行数据，在识别阶段提高检测精度；同时在模型选择时，采用不依赖于任何特定分布数据的人工神经网络，并利用粒子群优化算法可以避免陷入局部最优，用人工神经网络描述因变量和自变量之间复杂的高度非线性关系，并有效地处理有噪声的输入数据，最终可以大大提高识别精度。鉴于此，针对目前出行目的识别中特征描述不全面，识别精度相对较低的问题，本发明提出一种基于智能手机的出行调查和人工神经网络粒子群优化算法的出行目的识别方法。

发明内容

为了克服现有技术的上述缺点，本发明提供了一种基于智能手机的出行调查和人工神经网络粒子群优化算法的出行目的识别方法。

一种基于智能手机的出行调查和人工神经网络粒子群优化算法的出行目的识别方法，其特征在于包括以下步骤：

(1)、特征提取：根据手机GPS应用程序每秒记录一次的纬度、经度、时间、航向、瞬时速度和其他数据质量信息提取出行特征，通过问卷调查确定个人特征和家庭特征；

(2)、通过基于多边形的信息和三个来自调查问卷的虚拟变量确定出行终点的土地使用类型；

(3)、选取训练集和测试集；

(4)、人工神经网络结构设置；

(5)、粒子群算法优化人工神经网络。