基于多尺度相位聚合轨迹表示的出行方式识别模型

摘要：

现有出行方式识别模型通常依赖在数据采集设备中插入额外传感器元件或提高设备采样率的方法提升识别准确率,但现实工作环境中提高设备采样率或传感器数量的做法会增加采样设备的能耗,并且设备采样率难以统一也影响了出行方式识别模型的准确率.针对上述问题,提出基于多尺度相位聚合-深层神经决策森林的出行方式识别模型.提取轨迹数据中的多尺度局部和全局特征令牌,采用卷积神经网络层提取令牌间的时空相关性.使用相位检测令牌混合层,动态调整神经网络中令牌与固定权重的关系,捕捉令牌间的相位关系,得到多尺度相位聚合的轨迹表示.利用深层神经决策森林算法,得到出行方式的分类结果.实验结果表明,与基于随机森林的出行方式识别模型相比,所提模型在3种低频重采样数据上的平均识别准确率提升了2.726个百分点,能够更有效地识别出行方式.

关键词：出行方式识别、深度学习、GPS数据、神经决策森林、卷积神经网络

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：公安部科技强警基础工作专项项目;中国人民公安大学基本科研业务费专项

在线出版日期：2023-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：289-297