CN110728459A - 出行方式识别系统、方法、装置及模型训练方法、装置 - Google Patents

出行方式识别系统、方法、装置及模型训练方法、装置 Download PDF

Info

Publication number
CN110728459A
CN110728459A CN201910994735.3A CN201910994735A CN110728459A CN 110728459 A CN110728459 A CN 110728459A CN 201910994735 A CN201910994735 A CN 201910994735A CN 110728459 A CN110728459 A CN 110728459A
Authority
CN
China
Prior art keywords
travel mode
track information
travel
layer
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910994735.3A
Other languages
English (en)
Inventor
刘冬梅
查文斌
张劲泉
张晓亮
赵琳
郭宇奇
侯德藻
汪林
王文静
王海鹏
乔国梁
丁丽媛
王晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute Of Highway Science Ministry Of Transport
Research Institute of Highway Ministry of Transport
Original Assignee
Institute Of Highway Science Ministry Of Transport
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute Of Highway Science Ministry Of Transport filed Critical Institute Of Highway Science Ministry Of Transport
Priority to CN201910994735.3A priority Critical patent/CN110728459A/zh
Publication of CN110728459A publication Critical patent/CN110728459A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种出行方式识别系统、方法、装置及模型训练方法、装置，该系统包括，卷积神经网络、基于注意力机制的双向长短期记忆神经网络、级联层、输出层；卷积神经网络用于根据输入数据生成第一轨迹信息；基于注意力机制的双向长短期记忆神经网络用于根据输入数据生成第二轨迹信息，第二轨迹信息包括加权向前轨迹信息和加权向后轨迹信息；级联层用于将第一轨迹信息和第二轨迹信息级联，并将级联后的第一轨迹信息和第二轨迹信息输入输出层；输出层用于根据级联后的第一轨迹信息和第二轨迹信息生成识别结果。该系统将各轨迹数据分配不同的权重，使系统对数据进行识别时减小无关数据带来的影响，提高了系统对轨迹信息处理的效率与准确性。

Description

出行方式识别系统、方法、装置及模型训练方法、装置
技术领域
本发明涉及数据处理领域，具体涉及一种出行方式识别系统、方法、装置及模型训练方法、装置。
背景技术
交通行为是一种派生性的需求，人始终是交通的主体，人的偏好(属性特征)是决定交通出行方式等出行特征的因素。因而，交通出行的特征分析要从每一个交通主体出发，只有以翔实的、准确的个体出行活动链特征数据为基础，才能准确把握区域范围内的居民出行特征。为了提高居民的出行质量，在对居民的出行数据进行研究时，居民交通出行方式的识别是尤为重要的一项，但是在现有技术中，对出行方式的识别通常是依靠个体的移动速度的不同进行判断，这种识别方式较为简单、粗略，并且对于移动速度相近的交通出行方式，这种方法无法做出准确的判断，例如对公交出行和汽车出行，二者移动速度相近，仅根据移动速度是无法做出准确的判断的。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中的无法准确对交通出行方式做出识别的缺陷，从而提供一种出行方式识别系统、方法、装置及模型训练方法、装置。
本发明第一方面提供一种出行方式识别系统，包括，卷积神经网络、基于注意力机制的双向长短期记忆神经网络、级联层、输出层；卷积神经网络用于根据输入数据生成第一轨迹信息；基于注意力机制的双向长短期记忆神经网络用于根据输入数据生成第二轨迹信息，第二轨迹信息包括加权向前轨迹信息和加权向后轨迹信息；级联层用于将第一轨迹信息和第二轨迹信息级联，并将级联后的第一轨迹信息和第二轨迹信息输入输出层；输出层用于根据级联后的第一轨迹信息和第二轨迹信息生成识别结果。
可选地，卷积神经网络包括：卷积层和池化层；卷积层包括第一区块、第二区块、第三区块；第一区块用于根据输入数据生成第一特征映射向量；第二区块用于根据输入数据生成第二特征映射向量；第三区块用于根据输入数据生成第三特征映射向量；池化层用于分别对第一特征映射向量、第二特征映射向量、第三特征映射向量进行池化，得到第一特征向量、第二特征向量、第三特征向量，并将第一特征向量、第二特征向量、第三特征向量级联，生成第一轨迹信息。
可选地，基于注意力机制的双向长短期记忆神经网络包括：双向长短期记忆层和注意力层；双向长短期记忆层包括向前层和向后层；向前层用于对输入数据进行向前传递计算生成向前轨迹信息；向后层用于对输入数据进行向后传递计算生成向后轨迹信息；注意力层用于分别为向前轨迹信息和向后轨迹信息中的不同轨迹数据分配不同的权重，生成加权向前轨迹信息和加权向后轨迹信息。
可选地，输出层根据如下公式生成识别结果：
Figure BDA0002239385370000021
youtput＝WTyinput+b，
Figure BDA0002239385370000031
其中，yinput表示输出层中的第一输出值，Ws表示输出层中的第一权值，bs表示输出层中的第一偏置，Cf表示加权向前轨迹信息，Cb表示加权向后轨迹信息，pdrop表示随机失活比率，RELU表示激活函数，youtput表示输出层中的第二输出值，WT表示输出层中的第二权值，b表示输出层中的第二偏置，problabel_i表示第i个类别的概率，k表示种类数量。
本发明第二方面提供一种出行方式识别方法，包括：根据输入数据生成第一轨迹信息；根据输入数据生成第二轨迹信息，第二轨迹信息包括加权向前轨迹信息和加权向后轨迹信息；将第一轨迹信息和第二轨迹信息级联，并将级联后的第一轨迹信息和第二轨迹信息输入输出层；根据级联后的第一轨迹信息和第二轨迹信息生成识别结果。
本发明第三方面提供一种出行方式识别模型训练方法，包括：获取出行数据；提取出行数据中单一方式出行的非转换点序列；提取非转换点序列中各采样点的特征向量；将特征向量输入神经网络系统，对神经网络系统进行训练，得到出行方式识别模型，神经网络系统为如本发明第一方面提供的出行方式识别系统。
本发明第四方面提供一种出行方式识别方法，包括：获取待识别出行数据；提取待识别出行数据中的待识别非转换点序列；提取待识别非转换点序列中各采样点的待识别特征向量；将待识别特征向量输入出行方式识别模型，生成识别结果，出行方式识别模型通过如本发明第三方面提供的出行方式识别模型训练方法训练获得。
本发明第五方面提供一种出行方式识别模型训练装置，包括：出行数据获取模块，用于获取出行数据；非转换点序列提取模块，用于提取出行数据中单一方式出行的非转换点序列；特征向量提取模块，用于提取非转换点序列中各采样点的特征向量；出行方式识别模型训练模块，用于将特征向量输入神经网络系统，对神经网络系统进行训练，得到出行方式识别模型，神经网络系统为如本发明第一方面提供的出行方式识别系统。
本发明第六方面提供一种出行方式识别装置，包括：待识别出行数据获取模块，用于获取待识别出行数据；待识别非转换点序列提取模块，用于提取待识别出行数据中的待识别非转换点序列；待识别特征向量提取模块，用于提取待识别非转换点序列中各采样点的待识别特征向量；出行方式识别模块，用于将待识别特征向量输入出行方式识别模型，生成识别结果，出行方式识别模型通过如本发明第三方面提供的出行方式识别模型训练方法训练获得。
本发明第七方面提供一种计算机设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，从而实现如本发明第一方面提供的出行方式识别系统，或，执行如本发明第二方面提供的出行方式识别方法，或，执行如本发明第三方面提供的出行方式识别模型训练方法，或，执行如本发明第四方面提供的出行方式识别方法。
本发明第八方面提供一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机实现如本发明第一方面提供的出行方式识别系统，或，执行如本发明第二方面提供的出行方式识别方法，或，执行如本发明第三方面提供的出行方式识别模型训练方法，或，执行如本发明第四方面提供的出行方式识别方法。
本发明技术方案，具有如下优点：
1.本发明提供的出行方式识别系统，将卷积神经网络和基于注意力机制的双向长短期记忆神经网络相结合，分别通过两种神经网络生成第一轨迹信息和第二轨迹信息，输出层根据级联后的第一轨迹信息和第二轨迹信息生成识别结果。其中，第二轨迹信息包括加权向前轨迹信息和加权向后轨迹信息，将轨迹信息中各轨迹数据分配不同的权重，使系统对输入数据进行识别时，减小无关数据带来的影响，极大提高了系统对轨迹信息处理的效率与准确性。
2.本发明提供的出行方式识别系统，通过注意力层分别为向前轨迹信息和向后轨迹信息中的不同轨迹数据分配不同的权重，生成加权向前轨迹信息和加权向后轨迹信息，由于在不同交通出行方式中，不同的轨迹数据对于识别交通出行方式的贡献度是不同的，通过注意力层将给不同的轨迹数据分配不同的权重，有助于系统更准确地识别不同交通出行方式的关键运动特征，减小无关特征的影响，因此在出行方式识别系统中加入注意力层可以使该系统对出行方式的识别更准确。
3.本发明提供的出行方式识别方法，将卷积神经网络和基于注意力机制的双向长短期记忆神经网络相结合，分别通过两种神经网络生成第一轨迹信息和第二轨迹信息，最后根据级联后的第一轨迹信息和第二轨迹信息生成识别结果。其中，第二轨迹信息包括加权向前轨迹信息和加权向后轨迹信息，将轨迹信息中各轨迹数据分配不同的权重，使系统对输入数据进行识别时，减小无关数据带来的影响，极大提高了系统对轨迹信息处理的效率与准确性。
4.本发明提供的出行方式识别模型训练方法，将单一出行方式出行的所有轨迹点的特征向量输入本发明第一方面提供的出行方式识别系统中，对本发明第一方面提供的出行方式识别系统进行训练，得到出行方式识别模型，本发明以出行段中所有轨迹点的特征向量作为模型训练的训练数据输入本发明第一方面提供的出行方式识别系统中，该系统对所有轨迹点的轨迹数据分配不同的权重，因此通过该方法训练出的出行方式识别模型可以更准确地识别不同出行方式的关键运动特征，减小无关特征的影响，识别结果更为准确。
5.本发明提供的出行方式识别方法，首先提取待识别非转换点序列中各采样点的待识别特征向量，然后将待识别特征向量输入出行方式识别模型中，生成识别结果，其中，出行方式识别模型是通过本发明第三方面提供的出行方式识别模型训练方法训练出的。由于本发明第三方面提供的出行方式识别模型训练方法以出行段中所有轨迹点的特征向量作为模型训练的训练数据输入本发明第一方面提供的出行方式识别系统中，该系统对所有轨迹点的轨迹数据分配不同的权重，因此通过该模型训练方法训练出的出行方式识别模型可以更准确地识别不同出行方式的关键运动特征，减小无关特征的影响，识别结果更为准确。因此本发明提供的出行方式识别方法使用本发明第三方面提供的出行方式识别模型训练方法训练出的出行方式识别模型，其识别结果更为准确。
6.本发明提供的出行方式识别模型训练装置，将单一出行方式出行的所有轨迹点的特征向量输入本发明第一方面提供的出行方式识别系统中，对本发明第一方面提供的出行方式识别系统进行训练，得到出行方式识别模型，本发明以出行段中所有轨迹点的特征向量作为模型训练的训练数据输入本发明第一方面提供的出行方式识别系统中，该系统对所有轨迹点的轨迹数据分配不同的权重，因此通过该装置训练出的出行方式识别模型可以更准确地识别不同出行方式的关键运动特征，减小无关特征的影响，识别结果更为准确。
7.本发明提供的出行方式识别装置，首先提取待识别非转换点序列中各采样点的待识别特征向量，然后将待识别特征向量输入出行方式识别模型中，生成识别结果，其中，出行方式识别模型是通过本发明第三方面提供的出行方式识别模型训练方法训练出的。由于本发明第三方面提供的出行方式识别模型训练方法以出行段中所有轨迹点的特征向量作为模型训练的训练数据输入本发明第一方面提供的出行方式识别系统中，该系统对所有轨迹点的轨迹数据分配不同的权重，因此通过该模型训练方法训练出的出行方式识别模型可以更准确地识别不同出行方式的关键运动特征，减小无关特征的影响，识别结果更为准确。因此本发明提供的出行方式识别装置使用本发明第三方面提供的出行方式识别模型训练方法训练出的出行方式识别模型，其识别结果更为准确。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中出行方式识别系统的原理框图；
图2为本发明实施例中出行方式识别系统的一个具体示例的原理框图；
图3-图4为本发明实施例中出行方式识别系统的原理框图；
图5为本发明实施例中出行方式识别系统的一个具体示例的原理框图；
图6为本发明实施例中出行方式识别方法的流程示意图；
图7为本发明实施例中出行方式识别模型训练方法的流程示意图；
图8为本发明实施例中6个模型在训练过程中的准确率和损失率的变化情况；
图9为本发明实施例中出行方式识别方法的流程示意图；
图10为本发明实施例中出行方式识别模型训练装置的原理框图；
图11为本发明实施例中出行方式识别装置的原理框图；
图12为本发明实施例中计算机设备的一个具体示例的结构框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种出行方式识别系统，如图1和图2所示，包括，卷积神经网络10、基于注意力机制的双向长短期记忆神经网络20、级联层30、输出层40。
卷积神经网络10用于根据输入数据生成第一轨迹信息。在一具体实施例中，输入数据为单一出行方式的出行数据的各采样点的特征向量，并且由于各种交通工具的出行距离存在差别，采集数据的轨迹段时长不一，不同交通方式的轨迹段的运动特征向量大小也不一致，且在卷积神经网络10中，所有的输入数据要具有相同的形状和大小，因此在本发明实施例中，将特征向量的长度统一为1024位，出行方式段特征向量长度超过1024位则进行截断，不足1024位则用0补充，然后将1024×1个特征向量整形为32×32的正方形矩阵来创建类图像二维数据，然后将其作为输入数据输入到出行方式识别系统中。
基于注意力机制的双向长短期记忆神经网络20用于根据输入数据生成第二轨迹信息，第二轨迹信息包括加权向前轨迹信息和加权向后轨迹信息。在一具体实施例中，在不同方式出行的轨迹数据中，存在一部分对于区分交通方式贡献度较小甚至会影响识别结果的数据。例如，拥堵时的小汽车的轨迹运动特征与行人步行的轨迹运动特征很难区分，但是基于注意力机制的双向长短期记忆神经网络20生成的加权向前轨迹信息和加权轨迹向后信息中，同一出行段的不同轨迹数据被分配了不同的权重，从而可以使系统获取不同出行方式的关键运动特征，减少无关特征的影响。
级联层30用于将第一轨迹信息和第二轨迹信息级联，并将级联后的第一轨迹信息和第二轨迹信息输入输出层40。
输出层40用于根据级联后的第一轨迹信息和第二轨迹信息生成识别结果。
本发明实施例提供的出行方式识别系统，将卷积神经网络10和基于注意力机制的双向长短期记忆神经网络20相结合，分别通过两种神经网络生成第一轨迹信息和第二轨迹信息，输出层40根据级联后的第一轨迹信息和第二轨迹信息生成识别结果。其中，第二轨迹信息包括加权向前轨迹信息和加权向后轨迹信息，将轨迹信息中各轨迹数据分配不同的权重，使系统对输入数据进行识别时，减小无关数据带来的影响，极大提高了系统对轨迹信息处理的效率与准确性。
在一可选实施例中，如图2和图3所示，卷积神经网络10络包括：卷积层11和池化层12。
卷积层11包括第一区块111、第二区块112、第三区块113，其中，第一区块111用于根据输入数据生成第一特征映射向量。第二区块112用于根据输入数据生成第二特征映射向量。第三区块113用于根据输入数据生成第三特征映射向量。
池化层12用于分别对第一特征映射向量、第二特征映射向量、第三特征映射向量进行池化，得到第一特征向量、第二特征向量、第三特征向量，并将第一特征向量、第二特征向量、第三特征向量级联，生成第一轨迹信息。
在一具体实施例中，如图2所示，在本实施例中，每个区块(region)由64个卷积核(filter)组成，一共192个filter，第一区块111(region one)的高度是3，第二区块112(region two)的高度是4，第三区块113(region three)的高度是5。每个区块都会生成64个特征映射向量，然后对每个特征向量进行一维池化，最后得到三个分别对应于三个区块的长度均为64的特征向量，并将这三个特征向量级联成一个长度为192的特征向量作为第一轨迹信息。
在一可选实施例中，如图4所示，基于注意力机制的双向长短期记忆神经网络20包括：双向长短期记忆层21和注意力层22。
双向长短期记忆层21包括向前层211和向后层212。
向前层211用于对输入数据进行向前传递计算生成向前轨迹信息。在一具体实施例中，向前层211通过如下公式(1)计算向前轨迹信息：
hfi＝LSTM(Xi),i∈[1,32], (1)
向后层212用于对输入数据进行向后传递计算生成向后轨迹信息。在一具体实施例中，向后层212通过如下公式(2)计算向后轨迹信息：
hbi＝LSTM(Xi),i∈[32,1]， (2)
注意力层22用于分别为向前轨迹信息和向后轨迹信息中的不同轨迹数据分配不同的权重，生成加权向前轨迹信息和加权向后轨迹信息。
在一具体实施例中，以向前轨迹信息为例，首先，注意力层22根据向前轨迹信息计算向前轨迹信息的注意力得分fatt(hfi_t)，计算公式(3)如下所示：
Figure BDA0002239385370000121
其中，fatt(hfi_t)表示向前层211第i个输出向量到输出层40第t个神经元的注意力得分，vf和Wf表示注意力层22的参数，在对该系统进行训练时中，vf和Wf不断迭代更新。
其次，根据向前轨迹信息和向前轨迹信息的注意力得分计算前向层第i个输出向量到输出层40第t个神经元之间的注意力权重fαt,i，计算公式(4)如下所示：
Figure BDA0002239385370000122
最后，根据注意力权重计算向前层211第i个输出向量到输出层40第t个神经元的加权向前轨迹信息，计算公式(5)如下所示：
Figure BDA0002239385370000123
同理可以得到向后层212输出向量到输出层40神经元之间的注意力权重bαt,i和加权向后轨迹信息和bct。
在一可选实施例中，输出层40结构如图5所示，在一具体实施例中，输出层40由全连接层和分类函数构成，在本实施例中，分类函数选用softmax函数。输出层40根据如下公式(6)-(8)生成识别结果：
Figure BDA0002239385370000124
youtput＝WTyinput+b， (7)
其中，yinput表示输出层40中的第一输出值，Ws表示输出层40中的第一权值，bs表示输出层40中的第一偏置，Cf表示加权向前轨迹信息，Cb表示加权向后轨迹信息，pdrop表示随机失活比率，RELU表示激活函数，youtput表示输出层40中的第二输出值，WT表示输出层40中的第二权值，b表示输出层40中的第二偏置，problabel_i表示第i个类别的概率，k表示种类数量。
实施例2
本实施例提供一种出行方式识别方法，如图6所示，包括：
步骤S110：根据输入数据生成第一轨迹信息，详细描述见上述实施例1中对卷积神经网络10的描述。
步骤S120：根据输入数据生成第二轨迹信息，第二轨迹信息包括加权向前轨迹信息和加权向后轨迹信息，详细描述见上述实施例1中对基于注意力机制的双向长短期记忆神经网络20的描述。
步骤S130：将第一轨迹信息和第二轨迹信息级联，并将级联后的第一轨迹信息和第二轨迹信息输入输出层40，详细描述见上述实施例1中对级联层30的描述。
步骤S140：根据级联后的第一轨迹信息和第二轨迹信息生成识别结果，详细描述见上述实施例1中对输出层40的描述。
本发明实施例提供的出行方式识别方法，将卷积神经网络10和基于注意力机制的双向长短期记忆神经网络20相结合，分别通过两种神经网络生成第一轨迹信息和第二轨迹信息，最后根据级联后的第一轨迹信息和第二轨迹信息生成识别结果。其中，第二轨迹信息包括加权向前轨迹信息和加权向后轨迹信息，将轨迹信息中各轨迹数据分配不同的权重，使系统对输入数据进行识别时，减小无关数据带来的影响，极大提高了系统对轨迹信息处理的效率与准确性。
实施例3
本发明实施例提供一种出行方式识别模型训练方法，如图7所示，包括：
步骤S210：获取出行数据。
步骤S220：提取出行数据中单一方式出行的非转换点序列。
在一具体实施例中，个体出行时，考虑到出行成本及便捷度，可能会选择两种及两种以上的交通方式，因此在对出行数据的交通出行方式进行识别时，需要提取出出行数据中以单一方式出行的数据段，并且提取的出行数据是由多个采样点构成的，因此提取出行数据中以单一方式出行的数据段，即是提取单一方式出行的采样点序列，即为非转换点序列，获取单一方式出行的非转换点序列时，可以先识别采样点中进行交通方式转换时的转换点，两段相邻的转换点序列之间的采样点序列即为本实施例所需的单一方式出行的非转换点序列。
步骤S230：提取非转换点序列中各采样点的特征向量。
在一具体实施例中，在提取特征向量时，采用滑动窗口的方法，以当前采样点前后各30个采样点组成的时序子轨迹来计算当前点的特征，每个采样点包含速度，加速度等相关的一共17个特征，非转换点序列前后各30个点由于不满足窗口计算条件，无法计算其特征，本发明实施例分别在非转换点序列首尾点前后按时序各补充30个相同的采样点记录，计算所有点的特征向量组合在一起构成非转换点序列的运动特征向量。其中，各采样点的17个特征包括：1、速度相关特征：子轨迹段95％，75％，50％分位速度，平均速度，最大速度，最小速度，速度方差；2、加速度相关特征：子轨迹段95％，75％，50％分位加速度，平均加速度，最大加速度，最小加速度，加速度方差；3、其他特征：子轨迹段出行持续时间，子轨迹段低速点比例，在子轨迹段中，瞬时速度低于10m/s的采样点占子轨迹段的比例，子轨迹段平均方向改变次数，在子轨迹段中，相邻采样点坐标方位角改变幅度大于90°次数。
步骤S240：将特征向量输入神经网络系统，对神经网络系统进行训练，得到出行方式识别模型，神经网络系统为如本发明实施例1提供的出行方式识别系统。
在一具体实施例中，由于不同特征值具有不同的量纲，为了消除不同特征值之间的量纲和取值范围差异的影响，需要在步骤S220之后，步骤S240之前，对特征值进行标准化处理，将数据按照比例进行缩放，使之落入一个特定的区域，便于进行综合分析同时加快模型收敛的速度，本发明实施例采用最小-最大规范化，也称为离散标准化，通过如下公式对原始数据的线性变换，将数据值映射到[0,1]之间：
Figure BDA0002239385370000151
其中，x表示特征值，min表示特征值中的最小值，max表示特征值中的最大值。
并且，由于各种交通工具的出行距离存在差别，采集数据的轨迹段时长不一，不同交通方式的轨迹段的运动特征向量大小也不一致，且在卷积神经网络10中，所有的输入数据要具有相同的形状和大小，因此在本发明实施例中，将特征向量的长度统一为1024位，出行方式段特征向量长度超过1024位则进行截断，不足1024位则用0补充，然后将1024×1个特征向量整形为32×32的正方形矩阵来创建类图像二维数据，然后将其作为输入数据输入到出行方式识别系统中。
本发明提供的出行方式识别模型训练方法，将单一出行方式出行的所有轨迹点的特征向量输入本发明实施例1提供的出行方式识别系统中，对本发明实施例1提供的出行方式识别系统进行训练，得到出行方式识别模型，本发明以出行段中所有轨迹点的特征向量作为模型训练的训练数据输入本发明实施例1提供的出行方式识别系统中，该系统对所有轨迹点的轨迹数据分配不同的权重，因此通过该方法训练出的出行方式识别模型可以更准确地识别不同出行方式的关键运动特征，减小无关特征的影响，识别结果更为准确。
在一可选实施例中，在上述步骤S240之后，该出行方式识别模型训练方法还包括：
确定出行方式识别模型的损失函数；
通过计算损失函数的最小值对出行方式识别模型进行优化。
在一具体实施例中，可采用softmax交叉熵函数作为损失函数，具体的，对于全连接层输出的youtput，首先根据公式(9)和(10)来计算softmax函数值：
logits＝youtput， (9)
Figure BDA0002239385370000171
其中，k为模型分类类别，如，当出行方式识别模型需识别步行、自行车、汽车三种交通方式时，k值为3，当出行方式识别模型需识别步行、自行车、小汽车、公交车四种交通方式时，k值为4；
单个样本的损失函数，根据如下公式(11)计算：
Figure BDA0002239385370000172
其中，当样本对应其真实标签时，yij为1，否则为0，hij(logits)为第i个样本预测为第j类的概率。
全体训练样本的损失函数，根据如下公式(12)计算：
Figure BDA0002239385370000173
其中，m为样本总数。
本发明实施例中，为了对出行方式识别模型的有效性进行分析，在对出行方式识别模型进行训练时，选取了六种不同的神经网络系统进行训练，包括：卷积神经网络(CNN)，双向长短期记忆神经网络(BiLSTM)，基于注意力机制的双向长短期记忆神经网络(BiLSTM-Attention)，基于注意力机制的卷积神经网络(CNN-Attention)，卷积神经网络与双向长短期记忆神经网络相结合的神经网络(BiLSTM-CNN)，以及本发明实施例中第一方面提供的出行方式识别系统(ABLCNN)。如图8所示，为上述6个不同的神经网络在训练过程中的准确率和损失率的变化情况。从训练过程中模型的准确率和损失率的变化情况可以看出，本发明实施例提出的出行方式识别模型训练方法中使用的出行方式识别系统，约在1100步(step)，也就是大约在7轮次(epoch)就达到收敛状态，相比较于其他5种模型，收敛速度更快，模型也更稳健，不存在过拟合倾向。
对出行方式识别模型训练完成之后，选取部分出行数据作为测试集输入出行方式识别模型，对出行方式识别模型的准确率进行分析。测试结果如下表1所示：
表1
Figure BDA0002239385370000181
由上表所示，本发明实施例提供的出行方式识别模型训练方法训练出的出行方式识别模型对于四种交通方式的识别的准确率都较高，因此该出行方式识别模型训练方法训练出的出行方式识别模型可靠性高。
实施例4
本发明实施例提供一种出行方式识别方法，如图9所示，包括：
步骤S310：获取待识别出行数据。
步骤S320：提取待识别出行数据中的待识别非转换点序列，详细描述见上述实施例3中对步骤S220的描述。
步骤S330：提取待识别非转换点序列中各采样点的待识别特征向量，详细描述见上述实施例3中对步骤S230的描述。
步骤S340：将待识别特征向量输入出行方式识别模型，生成识别结果，出行方式识别模型通过如上述实施例3中提供的出行方式识别模型训练方法训练获得。
本发明实施例提供的出行方式识别方法，首先提取待识别非转换点序列中各采样点的待识别特征向量，然后将待识别特征向量输入出行方式识别模型中，生成识别结果，其中，出行方式识别模型是通过本发明实施例3提供的出行方式识别模型训练方法训练出的。由于本发明实施例3提供的出行方式识别模型训练方法以出行段中所有轨迹点的特征向量作为模型训练的训练数据输入本发明实施例1提供的出行方式识别系统中，该系统对所有轨迹点的轨迹数据分配不同的权重，因此通过该模型训练方法训练出的出行方式识别模型可以更准确地识别不同出行方式的关键运动特征，减小无关特征的影响，识别结果更为准确。因此本发明提供的出行方式识别方法使用本发明实施例3提供的出行方式识别模型训练方法训练出的出行方式识别模型，其识别结果更为准确。
实施例5
本发明实施例提供一种出行方式识别模型训练装置，如图10所示，包括：
出行数据获取模块210，用于获取出行数据。
非转换点序列提取模块220，用于提取出行数据中单一方式出行的非转换点序列，详细描述见上述实施例3中对步骤S220的描述。
特征向量提取模块230，用于提取非转换点序列中各采样点的特征向量，详细描述见上述实施例3中对步骤S230的描述。
出行方式识别模型训练模块240，用于将特征向量输入神经网络系统，对神经网络系统进行训练，得到出行方式识别模型，神经网络系统为如本发明实施例1提供的出行方式识别系统。
本发明提供的出行方式识别模型训练装置，将单一出行方式出行的所有轨迹点的特征向量输入本发明第一方面提供的出行方式识别系统中，对本发明实施例1提供的出行方式识别系统进行训练，得到出行方式识别模型，本发明以出行段中所有轨迹点的特征向量作为模型训练的训练数据输入本发明实施例1提供的出行方式识别系统中，该系统对所有轨迹点的轨迹数据分配不同的权重，因此通过该装置训练出的出行方式识别模型可以更准确地识别不同出行方式的关键运动特征，减小无关特征的影响，识别结果更为准确。
实施例6
本发明实施例提供一种出行方式识别装置，如图11所示，包括：
待识别出行数据获取模块310，用于获取待识别出行数据。
待识别非转换点序列提取模块320，用于提取待识别出行数据中的待识别非转换点序列，详细描述见上述实施例4中对步骤S320的描述。
待识别特征向量提取模块330，用于提取待识别非转换点序列中各采样点的待识别特征向量，详细描述见上述实施例4中对步骤S330的描述。
出行方式识别模块340，用于将待识别特征向量输入出行方式识别模型，生成识别结果，出行方式识别模型通过如本发明实施例3提供的出行方式识别模型训练方法训练获得。
本发明提供的出行方式识别装置，首先提取待识别非转换点序列中各采样点的待识别特征向量，然后将待识别特征向量输入出行方式识别模型中，生成识别结果，其中，出行方式识别模型是通过本发明实施例3提供的出行方式识别模型训练方法训练出的。由于本发明实施例3提供的出行方式识别模型训练方法以出行段中所有轨迹点的特征向量作为模型训练的训练数据输入本发明实施例1提供的出行方式识别系统中，该系统对所有轨迹点的轨迹数据分配不同的权重，因此通过该模型训练方法训练出的出行方式识别模型可以更准确地识别不同出行方式的关键运动特征，减小无关特征的影响，识别结果更为准确。因此本发明提供的出行方式识别装置使用本发明实施例3提供的出行方式识别模型训练方法训练出的出行方式识别模型，其识别结果更为准确。
实施例7
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (11)

1.一种出行方式识别系统，其特征在于，包括，卷积神经网络、基于注意力机制的双向长短期记忆神经网络、级联层、输出层；
所述卷积神经网络用于根据输入数据生成第一轨迹信息；
所述基于注意力机制的双向长短期记忆神经网络用于根据所述输入数据生成第二轨迹信息，所述第二轨迹信息包括加权向前轨迹信息和加权向后轨迹信息；
所述级联层用于将所述第一轨迹信息和所述第二轨迹信息级联，并将级联后的第一轨迹信息和第二轨迹信息输入所述输出层；
所述输出层用于根据所述级联后的第一轨迹信息和第二轨迹信息生成识别结果。
2.根据权利要求1所述的出行方式识别系统，其特征在于，所述卷积神经网络包括：卷积层和池化层；
所述卷积层包括第一区块、第二区块、第三区块；
所述第一区块用于根据所述输入数据生成第一特征映射向量；
所述第二区块用于根据所述输入数据生成第二特征映射向量；
所述第三区块用于根据所述输入数据生成第三特征映射向量；
所述池化层用于分别对所述第一特征映射向量、第二特征映射向量、第三特征映射向量进行池化，得到第一特征向量、第二特征向量、第三特征向量，并将所述第一特征向量、第二特征向量、第三特征向量级联，生成所述第一轨迹信息。
3.根据权利要求1所述的出行方式识别系统，其特征在于，所述基于注意力机制的双向长短期记忆神经网络包括：双向长短期记忆层和注意力层；
所述双向长短期记忆层包括向前层和向后层；
所述向前层用于对所述输入数据进行向前传递计算生成向前轨迹信息；
所述向后层用于对所述输入数据进行向后传递计算生成向后轨迹信息；
所述注意力层用于分别为所述向前轨迹信息和所述向后轨迹信息中的不同轨迹数据分配不同的权重，生成所述加权向前轨迹信息和所述加权向后轨迹信息。
4.根据权利要求3所述的出行方式识别系统，其特征在于，所述输出层根据如下公式生成识别结果：
youtput＝WTyinput+b，
Figure FDA0002239385360000022
其中，yinput表示所述输出层中的第一输出值，Ws表示所述输出层中的第一权值，bs表示所述输出层中的第一偏置，Cf表示所述加权向前轨迹信息，Cb表示所述加权向后轨迹信息，pdrop表示随机失活比率，RELU表示激活函数，youtput表示所述输出层中的第二输出值，WT表示所述输出层中的第二权值，b表示所述输出层中的第二偏置，problabel_i表示第i个类别的概率，k表示种类数量。
5.一种出行方式识别方法，其特征在于，包括：
根据输入数据生成第一轨迹信息；
根据所述输入数据生成第二轨迹信息，所述第二轨迹信息包括加权向前轨迹信息和加权向后轨迹信息；
将所述第一轨迹信息和所述第二轨迹信息级联，并将级联后的第一轨迹信息和第二轨迹信息输入输出层；
根据所述级联后的第一轨迹信息和第二轨迹信息生成识别结果。
6.一种出行方式识别模型训练方法，其特征在于，包括：
获取出行数据；
提取所述出行数据中单一方式出行的非转换点序列；
提取所述非转换点序列中各采样点的特征向量；
将所述特征向量输入神经网络系统，对所述神经网络系统进行训练，得到所述出行方式识别模型，所述神经网络系统为如权利要求1-4任一项所述的出行方式识别系统。
7.一种出行方式识别方法，其特征在于，包括：
获取待识别出行数据；
提取所述待识别出行数据中的待识别非转换点序列；
提取所述待识别非转换点序列中各采样点的待识别特征向量；
将所述待识别特征向量输入出行方式识别模型，生成识别结果，所述出行方式识别模型通过如权利要求6所述的出行方式识别模型训练方法训练获得。
8.一种出行方式识别模型训练装置，其特征在于，包括：
出行数据获取模块，用于获取出行数据；
非转换点序列提取模块，用于提取所述出行数据中单一方式出行的非转换点序列；
特征向量提取模块，用于提取所述非转换点序列中各采样点的特征向量；
出行方式识别模型训练模块，用于将所述特征向量输入神经网络系统，对所述神经网络系统进行训练，得到所述出行方式识别模型，所述神经网络系统为如权利要求1-4任一项所述的出行方式识别系统。
9.一种出行方式识别装置，其特征在于，包括：
待识别出行数据获取模块，用于获取待识别出行数据；
待识别非转换点序列提取模块，用于提取所述待识别出行数据中的待识别非转换点序列；
待识别特征向量提取模块，用于提取所述待识别非转换点序列中各采样点的待识别特征向量；
出行方式识别模块，用于将所述待识别特征向量输入出行方式识别模型，生成识别结果，所述出行方式识别模型通过如权利要求5所述的出行方式识别模型训练方法训练获得。
10.一种计算机设备，其特征在于，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而实现如权利要求1-4中任一项所述的出行方式识别系统，或，执行如权利要求5所述的出行方式识别方法，或，执行如权利要求6所述的出行方式识别模型训练方法，或，执行如权利要求7所述的出行方式识别方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机实现如权利要求1-4中任一项所述的出行方式识别系统，或，执行如权利要求5所述的出行方式识别方法，或，执行如权利要求6所述的出行方式识别模型训练方法，或，执行如权利要求7所述的出行方式识别方法。
CN201910994735.3A 2019-09-27 2019-09-27 出行方式识别系统、方法、装置及模型训练方法、装置 Pending CN110728459A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910994735.3A CN110728459A (zh) 2019-09-27 2019-09-27 出行方式识别系统、方法、装置及模型训练方法、装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910925488.1A CN110675074A (zh) 2019-09-27 2019-09-27 出行目标点识别方法及装置、模型开发、评价方法及装置
CN201910994735.3A CN110728459A (zh) 2019-09-27 2019-09-27 出行方式识别系统、方法、装置及模型训练方法、装置

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201910925488.1A Division CN110675074A (zh) 2019-09-27 2019-09-27 出行目标点识别方法及装置、模型开发、评价方法及装置

Publications (1)

Publication Number Publication Date
CN110728459A true CN110728459A (zh) 2020-01-24

Family

ID=69079581

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201910925488.1A Pending CN110675074A (zh) 2019-09-27 2019-09-27 出行目标点识别方法及装置、模型开发、评价方法及装置
CN201910994735.3A Pending CN110728459A (zh) 2019-09-27 2019-09-27 出行方式识别系统、方法、装置及模型训练方法、装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201910925488.1A Pending CN110675074A (zh) 2019-09-27 2019-09-27 出行目标点识别方法及装置、模型开发、评价方法及装置

Country Status (1)

Country Link
CN (2) CN110675074A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882102A (zh) * 2020-06-05 2020-11-03 百度在线网络技术（北京）有限公司 轨迹中的中断区间信息的补偿方法、设备及存储介质
CN114757451A (zh) * 2022-06-14 2022-07-15 北京航空航天大学 一种面向大型活动的动态交通出行需求预测方法
CN116088321A (zh) * 2023-04-12 2023-05-09 宁波吉利汽车研究开发有限公司 一种自动驾驶决策控制方法、装置及电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682654B (zh) * 2011-03-16 2014-05-07 高德软件有限公司 交通信息渲染方法和装置
CN105547306B (zh) * 2015-08-11 2018-08-07 深圳大学 一种路线推送方法及系统
CN106931974B (zh) * 2017-03-29 2020-04-03 清华大学 基于移动终端gps定位数据记录计算个人通勤距离的方法
CN108775900A (zh) * 2018-07-31 2018-11-09 上海哔哩哔哩科技有限公司 基于web的语音导航方法、系统和存储介质
CN110276563A (zh) * 2019-07-01 2019-09-24 长安大学 一种基于支持向量机模型的交通方式换乘行为识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882102A (zh) * 2020-06-05 2020-11-03 百度在线网络技术（北京）有限公司 轨迹中的中断区间信息的补偿方法、设备及存储介质
CN111882102B (zh) * 2020-06-05 2024-03-22 百度在线网络技术（北京）有限公司 轨迹中的中断区间信息的补偿方法、设备及存储介质
CN114757451A (zh) * 2022-06-14 2022-07-15 北京航空航天大学 一种面向大型活动的动态交通出行需求预测方法
CN114757451B (zh) * 2022-06-14 2022-10-25 北京航空航天大学 一种面向大型活动的动态交通出行需求预测方法
CN116088321A (zh) * 2023-04-12 2023-05-09 宁波吉利汽车研究开发有限公司 一种自动驾驶决策控制方法、装置及电子设备

Also Published As

Publication number Publication date
CN110675074A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
CN110796168B (zh) 一种基于改进YOLOv3的车辆检测方法
CN109919108B (zh) 基于深度哈希辅助网络的遥感图像快速目标检测方法
CN107492251B (zh) 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法
CN110084151B (zh) 基于非局部网络深度学习的视频异常行为判别方法
CN111291678B (zh) 一种基于多特征融合的人脸图像聚类方法及装置
CN110728459A (zh) 出行方式识别系统、方法、装置及模型训练方法、装置
CN112183153A (zh) 一种基于视频分析的对象行为检测方法及装置
CN106650913A (zh) 一种基于深度卷积神经网络的车流密度估计方法
CN109887279B (zh) 一种交通拥堵预测方法及系统
CN109726802B (zh) 一种铁路和风电场环境风速机器学习预测方法
CN101719220A (zh) 基于有向截尾均值距离的轨迹聚类方法
CN107977683A (zh) 基于卷积特征提取和机器学习的联合sar目标识别方法
CN115512152B (zh) 一种cnn和lstm神经网络组合的船舶轨迹分类方法及系统
CN114937182B (zh) 一种基于情感轮和卷积神经网络的图像情感分布预测方法
CN111563555A (zh) 一种司机驾驶行为分析方法及系统
CN114299607A (zh) 一种基于自动驾驶汽车的人车碰撞危险度分析方法
CN111907523B (zh) 一种基于模糊推理的车辆跟驰寻优控制方法
CN113011386B (zh) 一种基于等分特征图的表情识别方法及系统
CN109255339B (zh) 基于自适应深度森林人体步态能量图的分类方法
CN112507881A (zh) 一种基于时间卷积神经网络的sEMG信号分类方法及系统
CN117037006B (zh) 一种高续航能力的无人机跟踪方法
CN113255543B (zh) 基于图卷积网络的面部表情识别方法
CN112232254B (zh) 一种考虑行人激进度的行人风险评估方法
CN112699741A (zh) 一种公交车内部拥挤度计算方法、系统及设备
CN110213741B (zh) 一种基于宽度学习的车辆发送信息真伪性的实时检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200124