基于手機GPS定位軌跡的出行信息采集技術

趙瑜，李玉，王利雷，李朋州

(西南交通大學交通工程系，四川成都　610031)

?

基于手機GPS定位軌跡的出行信息采集技術

趙瑜，李玉，王利雷，李朋州

(西南交通大學交通工程系，四川成都610031)

摘要：針對居民出行調查主要依靠傳統紙質問卷形式獲取居民出行信息、調查數據很難準確反映實際交通需求特征的問題，提出運用手機GPS技術獲取個體出行軌跡信息，挖掘分析不同交通方式的軌跡特征，并運用支持向量機算法對出行方式進行識別。結合實例分析表明：提出的算法對步行-自行車-步行、步行-公交車-步行、步行-小汽車-步行3種組合的出行方式識別正確率均較高，為以后城市居民出行調查提供一種新型的調查方法。

關鍵詞：手機GPS；出行軌跡；出行方式識別；支持向量機

近年來隨著我國城市化進程的加快和人口的集聚，交通擁堵問題日益突顯，交通基礎數據的采集是解決城市交通問題的重要手段。居民出行調查是把握城市居民交通需求的基本工具，是交通相關部門制定科學交通規劃方案和交通政策的重要依據。

居民出行調查大多是依靠傳統紙質問卷形式獲取居民出行信息，該類方法通過居民回憶出行過程得到調查數據，普遍存在數據精度不高、被調查者不愿意配合、調查組織難度大等問題，調查數據很難準確反映實際交通需求特征?；贕PS定位的個體出行信息采集已經逐漸成為交通工程領域國際前沿熱點之一，國內外學者對GPS出行信息采集技術與傳統交通調查技術做了比較研究，并開始對基于GPS軌跡數據的出行信息提取算法進行探索。文獻[1]提出結合GIS地圖匹配算法和基于規則的數學算法，成功實現了步行、自行車、公交車和小汽車4種交通方式的識別；文獻[2]利用GPS-GIS數據開發一套基于模糊邏輯的交通方式自動識別算法，通過與出行日志對比，該方法對不同交通方式識別的準確率達到90%左右；文獻[3]通過GPS設備收集出行行為特征數據，運用神經網絡算法識別個體出行模式，研究發現該算法對居民單一交通方式的出行具有較好的識別效果。文獻[4]通過分析GPS軌跡的多源不確定性和高模糊度等數據特征，提出一種基于模糊最大隸屬度法則的出行方式識別算法。文獻[5]探討利用手機軟件檢測和記錄的參數，分析出行軌跡特征信息，并對比支持向量機、神經網絡、決策樹3種算法對出行方式的識別效果，表明支持向量機具有更好的識別性能，識別正確率為89.6%。文獻[6]通過手機GPS軟件采集GPS軌跡數據，運用小波模極大值算法將整個出行軌跡劃分成不同的出行段，并運用神經網絡算法和公交站點匹配算法對不同交通方式和換乘點進行識別，得出換乘點識別誤差在1 min以內、交通方式識別正確率在85%以上的結論。

本文提出運用手機GPS軟件采集移動定位軌跡數據，并運用支持向量機算法識別提取出行方式信息，形成一整套的出行信息采集與提取技術。

1手機GPS技術

近年來，隨著衛星定位技術的快速發展，基于手機GPS定位的交通數據采集技術越來越受到研究人員的關注[7-9]。基于手機GPS的交通數據采集技術是指被調查者攜帶具有GPS功能的智能手機，利用手機內置GPS定位芯片計算交通出行者的實時位置，并將數據傳輸到處理中心，計算得出速度、加速度等居民出行的相關交通信息[10]。該技術作為移動式交通采集技術的一種，相比其他交通調查方式，可以獲得更為客觀、精確的交通行為特征數據，并且數據更新動態性更強，數據精度明顯提高。此外，該技術避免了手持式GPS儀器成本昂貴的缺點，將成為未來居民出行調查重要的輔助手段，有著廣闊的應用前景。

2GPS數據預處理

由于目前市場上智能手機選用的GPS芯片質量參差不齊，GPS定位精度也明顯不同，因而運用手機GPS軟件在數據采集過程中會發生部分數據缺失和數據飄移等現象，此外，由于在進行實際GPS數據采集時，會因為高樓、樹蔭、下穿隧道、高架道路等環境影響，使獲取的GPS軌跡點出現數據突變情況。因此，在挖掘GPS數據特征之前，必須結合數據除噪算法對基礎數據進行數據預處理操作。

2.1漂移去除

選取成都市中心城區的GPS試驗調查數據，對不符合成都市地理位置特征的GPS數據予以刪除。此外，手機GPS軟件獲取定位數據的前提必須保證至少有3顆衛星信號。按照成都各級道路的限速規定，成都市中心城區的機動車限速為80 km/h。文獻[11]研究得出室內手機GPS定位精度為±50 m,數據過濾時將定位誤差大于100 m的數據清除。綜合考慮，本文主要從經緯度、海拔、衛星個數、定位誤差、機動車速度幾個方面進行數據漂移除去操作。

通過編寫MATLAB程序，當緯度小于30°05′或者緯度大于31°26′、經度小于102°54′或者經度大于104°53′、衛星個數小于3顆、海拔高度小于0 m或者海拔高度大于1 000 m、速度大于22.2 m/s時，去除相應的漂移數據。

2.2數據濾波

GPS軌跡中位置的隨機性影響數據后續處理過程，因此需要進行濾波除噪處理。使用高斯濾波器進行除噪，高斯濾波器是一種在除噪方面比較理想的濾波器，也稱為時頻寬積最小的最優濾波器。高斯濾波器在很大程度上克服了傳統濾波相移和設計復雜的缺陷，并廣泛運用到信號數據除噪等數據預處理領域。高斯濾波器對每一個點的坐標x、y，濾波處理后的值[12]

(1)

(2)

根據式(1)、(2)，編寫MATLAB濾波算法程序對GPS軌跡進行濾波處理，對步行-公交車-步行組合出行(即先從出發地步行一段距離到公交站，然后乘坐公交車，到終點附近的公交站后再步行至目的地)調查數據進行對比分析，最終濾波結果如圖1所示。

由圖1可知，濾波前，當出行時間為17.5 min時公交車的瞬時速度波動最大，幾乎接近18 m/s，而進行高斯濾波處理后，該時間點的瞬時速度約為12 m/s左右，既減少了速度的異常突變，又維持了公交車的速度特征。此外，經過處理后出行時間為27 min時的步行速度也減少了突變，各段的速度較為平滑，這為后續的數據特征分析奠定了基礎。

2.3GPS數據分析

為了比較分析不同組合出行的GPS軌跡數據，進行數據預處理后，選取了步行-自行車-步行、步行-公交車-步行、步行-小汽車-步行3種組合的GPS數據，通過繪制速度-時間折線圖得到：步行速度≤2 m/s，自行車速度為2～4 m/s，公交車速度為10 m/s左右，小汽車速度為15 m/s左右。步行-公交車-步行示例如圖2所示。

圖1　濾波前后的速度-時間折線圖

圖2　步行-公交車-步行組合出行GPS速度特征

3支持向量機算法

3.1支持向量機基本原理

基于GPS軌跡的出行信息識別本質上屬于一種非線性的模式識別問題，目前，交通方式識別算法有神經網絡、決策樹、模糊識別等，且支持向量機算法在處理非線性問題上具有突出的數據挖掘和提取識別能力，獲取結果相對其他算法具有更高的精度[13]。

支持向量機是在統計學習理論中提出的重要機器學習方法，也是目前應用最廣泛、綜合效果最好的模式分類技術。簡單地講，支持向量機算法對模式識別的過程類似于神經網絡，其樣本數據分類模型結構主要包括3部分[14-15]，如圖3所示。其中，φj(X)為訓練樣本X第j個特征函數，K(xj,X)為模型自帶的核函數，其中X=(x1,x2,x3…xm)。

1)輸入層。將m維的訓練樣本數據導入支持向量機數學模型。

2)隱含層。通過對輸入層導入的基礎數據進行訓練，生成最優的出行模式預測模型。

3)輸出層。運用訓練得到的預測模型，對其他數據進行預測識別，最后輸出樣本的識別結果。

3.2非線性支持向量的數學模型

設樣本集合為(xi,yi)，i=1,2,…,n，n為樣本個數，xi∈Rd，yi∈{-1,+1}表示不同類別的標號。由于在d維空間中線性判別函數的一般形式為g(x)=wT·X+b，其中，w為d維的平面法向量,b為模型初始值參數。

因此可以得到一個分類面方程[16]

wT·X+b=0。

圖3　支持向量機示意圖

本文中隱含層的預測模型實際上等價于求得一個最優化問題，略去具體推導過程[17-18]，得到支持向量機的最終數學模型：

s.t.

最優分類函數：

式中：W(α)為目標函數；αi，αj分別為第i個樣本和j個樣本的拉格朗日乘子；K(xi,Xj)為第i個樣本和第j個樣本的內積核函數值；xi、xj分別為第i個和第j個樣本點數據；yi、yj分別為第i個和第j個樣本點的類別標號；K(xi,X)為第i個樣本與所有樣本的內積核函數值；αi*為實現最優分類時的第i個樣本的拉格朗日乘子；b*為確定最優解的參數。

一般而言，非線性支持向量機會因選擇不同的內積核函數而得到不同的模型，常用的核函數有多項式、高斯徑向基函數(RBF)、Sigmoid核函數，本文選擇RBF核函數進行出行信息識別[19]，有

4案例分析

4.1數據來源

選取四川省成都市人民北路-人民南路南站為GPS數據采集試驗調查線路。該試驗線路全程長約11 km，為雙向6車道主干路，兩側有機動車輔路和非機動車道，呈南北走向，北起人民北路公交站，南至人民南路南站，此線路包括地鐵1#線、16路公交車線等公共交通線路，途徑天府廣場、錦江賓館等商業中心，是成都市南北交通的主要通道。運用開發的手機GPS定位軟件采集步行-自行車-步行、步行-公交車-步行、步行-小汽車-步行3種組合的GPS軌跡數據，運用支持向量機算法對GPS軌跡中出行方式進行識別。

4.2識別結果

運用LIBSVM工具箱分別對不同組合出行軌跡中的出行方式進行識別。

1)用不同數字代表不同交通方式。用1、2、3、4分別表示步行、自行車、公交車和小汽車出行方式。

2)構建最優支持向量機數學模型。選擇高斯徑向基核函數，并運用3組公交車、小汽車、自行車速度數據進行訓練建模，通過網格尋優法獲取搜索步長為50 s，參數取值c=1，g=0.019(c，g為LIBSVM工具箱自帶參數，初始設置為c=2，g=0.2，需要調試尋最優)，從而構建最優的支持向量機數學模型[20]。

3)支持向量機識別出行信息結果。利用支持向量機算法訓練和識別得到各組交通方式識別結果如圖4～6所示。

由圖4可知，步行-自行車組合識別結果與實際結果比較一致。由圖5、6知，公交車和小汽車兩種交通方式識別結果相互干擾，即步行-公交車組合和步行-小汽車組合出現一定的識別誤差。此外，根據各組識別結果還可以直接讀取步行與機動車之間的換乘點信息。

圖4　步行-自行車-步行識別結果

圖5　步行-公交車-步行識別結果

圖6　步行-小汽車-步行識別結果

對步行-自行車組合、步行-機動車組合的每次出行數據，運用支持向量機算法進行訓練識別后(每組數據識別1次)，得到唯一一種結果，并且對識別結果進行統計。已知步行-自行車組合、步行-公交車組合2種組合的實際出行次數均為14次，步行-小汽車組合的實際出行次數為12次。運用支持向量機算法分別對14組步行-自行車組合數據、14組步行-公交車組合數據、12組步行-小汽車組合數據進行識別，共識別40次，得到所有出行試驗數據的出行方式識別結果，再運用數理統計方法，得到3種組合出行試驗數據的出行方式識別正確率，如表1所示。從表1中可以看出，步行-自行車組合的識別正確率最高，為100%，其次是步行-公交車組合，識別正確率為92.86%，最后是步行-小汽車組合，識別正確率為75%。

表1　不同組合出行方式識別結果

5結語

本文分別采集步行-自行車-步行、步行-公交車-步行、步行-小汽車-步行3種組合的GPS軌跡基礎數據，通過對軌跡中的速度數據進行數據特征分析，建立支持向量機數學模型，對不同組合出行中的GPS軌跡中的出行方式進行識別提取。研究發現：步行-自行車組合的識別正確率最高，為100%，步行-公交車組合為92.86%，步行-小汽車組合為75%。由于公交車和小汽車速度數據特征比較相似，導致小汽車識別誤差較大，因此后續研究需要結合多源軌跡數據或者地圖匹配信息，以獲取較高的識別正確率。

參考文獻：

[1]SAREMBAUD A.A trip reconstruction tool for GPS-based personal travel surveys[J].Transportation Planning & Technology, 2005, 28(5)：381-401.

[2]TSUI S，SHALABY A.Enhanced system for link and mode identification for personal travel surveys based on global positioning systems[J].Transportation Research Record Journal of the Transportation Research Board，2006, 1972(1)：38-45.

[3]BYON Y, ABDULHAI B, SHALABY A.Real-time transportation mode detection via tracking global positioning system mobile devices[J].Journal of Intelligent Transportation Systems，2009, 13(4)：161-170.

[4]徐超，季民河，陳雯.GPS軌跡中交通方式的模糊識別及算法實現[J].中國科技論文在線，2011, 4(21)：1938-1945.

XU Chao，JI Minhe，CHEN Wen.Identifying travel mode from GPS trajectories through fuzzy pattern recognition[J].Sciencepaper Online, 2011, 4(21)：1938-1945.

[5]汪磊，左忠義，傅軍豪.基于SVM的出行方式特征分析和識別研究[J].交通運輸系統工程與信息，2014, 1(3)：70-75.

WANG Lei，ZUO Zhongyi，FU Junhao.Travel mode character analysis and recognition based on SVM[J].Journal of Transportation Systems Engineering and Information Technology, 2014, 14(3)：70-75.

[6]YANG F， YAO Z，JIN P J.GPS and acceleration data in multimode trip data recognition based on wavelet transform modulus maximum algorithm[J].Transportation Research Record Journal of the Transportation Research Board，2015，2526：90-98.

[7]李勇.GPS全球衛星定位導航系統的發展與應用[J].電腦知識與技術，2007(18)：1640-1641.

LI Yong.Development and application of global positioning system-GPS[J].Computer Knowledge and Technology，2007(18)：1640-1641.

[8]田永軍，賈國慶.A-GPS定位技術在智能手機中的研究與應用[J].科技信息，2009(4)：160.

TIAN Yongjun，JIA Guoqing.Application research on A-GPS positioning technology in the smart phone[J].Science and Technology Information，2009(4)：160.

[9]夏熙梅.差分GPS定位技術及應用[J].現代情報，2002，22(3)： 99-100.

XIA Ximei.Differential GPS positioning technology and its application[J].Modern Intelligence，2002，22(3)：99-100.

[10]SU Ya，YANG Yanlan, WU Xiaojia, et al.Design and development of android-based mobile positioning software[J].Computer Science &Application，2013(3)：17-22.

[11]謝翔, 荊昊, 郭際明.室內環境下手機GPS定位精度研究[J].測繪通報, 2012(8)：95-98.

XIE Xiang, JING Hao, GUO Jiming.Research on accuracy of indoor-mobile-GPS positioning[J].Bulletin of Surveying and Mapping, 2012(8)：95-98.

[12]連仁包，王衛星.一種異性擴散的自適應平滑濾波算法[J].計算機工程與應用，2013，49(20)： 141-144.

LIAN Renbao, WANG Weixing.Anisotropic diffusion and adaptive smoothing algorithm[J].Computer Engineering and Applications, 2013, 49(20)：141-144.

[13]ADREW A M.An introduction to support vector machines and other kernel-based learning methods[J].AI Magazine，2000，32(8)：1-28.

[14]CORTES C, VAPNIK V.Support-vector networks[J].Machine Learning, 1995, 20(3)：273-297.

[15]BOSER B E, GUYON I M, VAPNIK V N.A training algorithm for optimal margin classifiers[J].Proceedings of Annual Acm Workshop on Computational Learning Theory，1996(5): 144-152.

[16]王定成.支持向量機建模預測與控制[M].北京：氣象出版社, 2009.

[17]趙風治，尉繼英.約束最優化計算方法[M].北京: 科學出版社，1991.

[18]杜樹新，吳鐵軍.模式識別中的支持向量機方法[J].浙江大學學報(工學版)，2003, 37(5)： 521-527.

DU Shuxin, WU Tiejun.Support vector machine method in pattern recognition[J].Journal of Zhejiang University(Engi-neering Sience),2003, 37(5)：521-527.

[19]趙瑩.支持向量機中高斯核函數的研究[D].上海：華東師范大學, 2007.

ZHAO Ying.The research of gaussian kernel function of the support vector machine[D].Shanghai：East China Normal Univer-sity, 2007.

[20]ZHUANG L, DAI H.Parameter optimization of kernel-based one-class classifier on imbalance learning[J].Journal of Compu-ters，2006，1(7)： 434-443.

(責任編輯：楊秀紅)

收稿日期：2016-05-17

作者簡介：趙瑜(1989—)，男，重慶人，碩士研究生，主要研究方向為智能交通技術與應用,E-mail：zhaoyu.mail@163.com.

DOI：10.3969/j.issn.1672-0032.2016.02.003

中圖分類號：U491

文獻標志碼：A

文章編號：1672-0032(2016)02-0012-07

Travel Information Collection Technology Based on Mobile Phone GPS Trajectory

ZHAOYu，LIYu，WANGLilei，LIPengzhou

(DepartmentofTransportationEngineering，SouthWestJiaotongUniversity，Chengdu610031,China)

Abstract:The traditional resident travel survey mainly relies on paper questionnaires to obtain the resident travel information. The survey data are hard to reflect the characteristics of the actual traffic demand accurately. In this paper, the mobile phone GPS technology is used to collect individual travel path information through the analysis of the trajectory characteristics of different transport modes. Then, the support vector machine (SVM) algorithm is used for the travel mode identification. Combined with the case analysis, the research shows that the proposed algorithm gets higher extraction accuracy for three kinds of combination travel ways: walking-bike-walking, walking-bus-walking and walking-car-walking, which provides a new method for the urban resident trip survey.

Key words:mobile phone GPS；travel trajectory；travel mode identification；support vector machine