机器感知与模式识别：移动数据的交通出行方式识别方法

第9卷第5期 智能系统学报 Vol.9 No.5 2014年10月 CAAI Transactions on Intelligent Systems 0ct.2014 D0:10.3969/j.issn.1673-4785.201404045 移动数据的交通出行方式识别方法 肖艳丽，张振宇，杨文忠 (新疆大学信息科学与工程学院，新鞭乌鲁木齐830046) 摘要：识别用户出行的交通方式，对理解用户移动性、交通状况的分析和预测、社会活动模式挖掘等方面起着非常 关键的作用。随着无线网络技术的快速发展，越来越多的传感器被用于收集移动数据，如何通过收集的信息准确地 识别用户不同的交通出行方式，近年来得到了广泛的研究。针对已有的从不同角度识别交通方式的方法，首先介绍 了每种方法的具体内容及应用，然后对不同方法进行分类研究，并重点分析了各类方法的特点，分析几种不同方法 在不同条件下的识别精确度，最后，给出了交通方式识别方法的进一步研究方向。 关键词：交通出行方式识别：用户行为：移动数据：无线网络技术；传感器 中图分类号：TP18文献标志码：A文章编号：1673-4785(2014)05-0536-08 中文引用格式：肖艳丽，张振宇，杨文忠.移动数据的交通出行方式识别方法[J].智能系统学报，2014,9(5)：536-543. 英文引用格式：XIAO Yanli,ZHANG Zhenyu,YANG Wenzhong.Research of the identification methods for transportation modes based on mobile data[J].CAAI Transactions on Intelligent Systems,2014,9(5):536-543. Research of the identification methods for transportation modes based on mobile data XIAO Yanli,ZHANG Zhenyu,YANG Wenzhong (School of Information Science and Engineering,Xinjiang University,Urumqi 830046,China) Abstract:Identification of different transportation modes in the process of user travel plays an important role in un- derstanding individuals'mobility,analyzing and forecasting traffic conditions and mining social activity pattern. With the rapid development of wireless network technology,more and more sensors are used to collect mobile data. Specially,how to accurately identify user's different transportation modes from the collected data has been exten- sively researched in recent years.In addition,the methods of identification proposed from different points of view to solve the problem were studied in this paper.Each method and its application was introduced in detail and then classified and researched,respectively.The focus of analysis is put on the characteristics of each method.The levels of the recognition accuracy of different methods under different conditions were analyzed in table form.Finally,the research directions of the identification methods for transportation modes were further discussed. Keywords:identification of transportation modes;user behavior;mobile data;wireless network technology;sensors 交通出行方式是理解用户移动行为的基本属 车经过某个地方，可以在该地方提供相应的业务推 性山。用户的移动状态总是表现出一定的规律性， 送。交通出行方式的识别还可以为个人的回忆提供 而对交通出行方式的识别能够体现出这种规律性， 丰富的信息，也能够很方便地和朋友分享生活经 并且可以为用户提供特定的服务，比如用户常常开 历。此外，通过交通出行方式的识别，还能够进 行交通状况的分析与预测，如特定时间里，在道路上 收稿日期：2014-04-23 基金项目：国家自然科学基金资助项目(61262089,61262087)：新颤教 (非停车场)用户乘坐的公交长时间没有移动，就可 育厅高校教师科研计划重点资助项目(XEDU2012I09):新 以判断该路段可能发生了交通堵塞。基于多个用户 疆大学博士毕业生科研启动基金资助项目(BS110127). 通信作者：肖艳丽.E-mail:xiaoyanli1314@163.com. 的交通方式识别，还能够检测城市里的热点区域和

第 ９ 卷第 ５ 期 智 能 系 统 学 报 Ｖｏｌ．９ №．５ ２０１４ 年 １０ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｏｃｔ． ２０１４ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１４０４０４５ 移动数据的交通出行方式识别方法 肖艳丽，张振宇，杨文忠 （新疆大学 信息科学与工程学院，新疆 乌鲁木齐 ８３００４６） 摘 要：识别用户出行的交通方式，对理解用户移动性、交通状况的分析和预测、社会活动模式挖掘等方面起着非常 关键的作用。 随着无线网络技术的快速发展，越来越多的传感器被用于收集移动数据，如何通过收集的信息准确地 识别用户不同的交通出行方式，近年来得到了广泛的研究。 针对已有的从不同角度识别交通方式的方法，首先介绍 了每种方法的具体内容及应用，然后对不同方法进行分类研究，并重点分析了各类方法的特点，分析几种不同方法 在不同条件下的识别精确度，最后，给出了交通方式识别方法的进一步研究方向。 关键词：交通出行方式识别；用户行为；移动数据；无线网络技术；传感器 中图分类号： ＴＰ１８ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１４）０５⁃０５３６⁃０８ 中文引用格式：肖艳丽，张振宇，杨文忠． 移动数据的交通出行方式识别方法［Ｊ］． 智能系统学报， ２０１４， ９（５）： ５３６⁃５４３． 英文引用格式：ＸＩＡＯ Ｙａｎｌｉ，ＺＨＡＮＧ Ｚｈｅｎｙｕ，ＹＡＮＧ Ｗｅｎｚｈｏｎｇ． Ｒｅｓｅａｒｃｈ ｏｆ ｔｈｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｓ ｆｏｒ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｍｏｄｅｓ ｂａｓｅｄ ｏｎ ｍｏｂｉｌｅ ｄａｔａ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１４， ９（５）： ５３６⁃５４３． Ｒｅｓｅａｒｃｈ ｏｆ ｔｈｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｓ ｆｏｒ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｍｏｄｅｓ ｂａｓｅｄ ｏｎ ｍｏｂｉｌｅ ｄａｔａ ＸＩＡＯ Ｙａｎｌｉ， ＺＨＡＮＧ Ｚｈｅｎｙｕ， ＹＡＮＧ Ｗｅｎｚｈｏｎｇ （Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｘｉｎｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｕｒｕｍｑｉ ８３００４６， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｄｉｆｆｅｒｅｎｔ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｍｏｄｅｓ ｉｎ ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ｕｓｅｒ ｔｒａｖｅｌ ｐｌａｙｓ ａｎ ｉｍｐｏｒｔａｎｔ ｒｏｌｅ ｉｎ ｕｎ⁃ ｄｅｒｓｔａｎｄｉｎｇ ｉｎｄｉｖｉｄｕａｌｓ’ ｍｏｂｉｌｉｔｙ， ａｎａｌｙｚｉｎｇ ａｎｄ ｆｏｒｅｃａｓｔｉｎｇ ｔｒａｆｆｉｃ ｃｏｎｄｉｔｉｏｎｓ ａｎｄ ｍｉｎｉｎｇ ｓｏｃｉａｌ ａｃｔｉｖｉｔｙ ｐａｔｔｅｒｎ． Ｗｉｔｈ ｔｈｅ ｒａｐｉｄ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｗｉｒｅｌｅｓｓ ｎｅｔｗｏｒｋ ｔｅｃｈｎｏｌｏｇｙ， ｍｏｒｅ ａｎｄ ｍｏｒｅ ｓｅｎｓｏｒｓ ａｒｅ ｕｓｅｄ ｔｏ ｃｏｌｌｅｃｔ ｍｏｂｉｌｅ ｄａｔａ． Ｓｐｅｃｉａｌｌｙ， ｈｏｗ ｔｏ ａｃｃｕｒａｔｅｌｙ ｉｄｅｎｔｉｆｙ ｕｓｅｒ’ｓ ｄｉｆｆｅｒｅｎｔ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｍｏｄｅｓ ｆｒｏｍ ｔｈｅ ｃｏｌｌｅｃｔｅｄ ｄａｔａ ｈａｓ ｂｅｅｎ ｅｘｔｅｎ⁃ ｓｉｖｅｌｙ ｒｅｓｅａｒｃｈｅｄ ｉｎ ｒｅｃｅｎｔ ｙｅａｒｓ． Ｉｎ ａｄｄｉｔｉｏｎ， ｔｈｅ ｍｅｔｈｏｄｓ ｏｆ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｐｒｏｐｏｓｅｄ ｆｒｏｍ ｄｉｆｆｅｒｅｎｔ ｐｏｉｎｔｓ ｏｆ ｖｉｅｗ ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｗｅｒｅ ｓｔｕｄｉｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ． Ｅａｃｈ ｍｅｔｈｏｄ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｗａｓ ｉｎｔｒｏｄｕｃｅｄ ｉｎ ｄｅｔａｉｌ ａｎｄ ｔｈｅｎ ｃｌａｓｓｉｆｉｅｄ ａｎｄ ｒｅｓｅａｒｃｈｅｄ， ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｔｈｅ ｆｏｃｕｓ ｏｆ ａｎａｌｙｓｉｓ ｉｓ ｐｕｔ ｏｎ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｅａｃｈ ｍｅｔｈｏｄ． Ｔｈｅ ｌｅｖｅｌｓ ｏｆ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ｄｉｆｆｅｒｅｎｔ ｍｅｔｈｏｄｓ ｕｎｄｅｒ ｄｉｆｆｅｒｅｎｔ ｃｏｎｄｉｔｉｏｎｓ ｗｅｒｅ ａｎａｌｙｚｅｄ ｉｎ ｔａｂｌｅ ｆｏｒｍ． Ｆｉｎａｌｌｙ， ｔｈｅ ｒｅｓｅａｒｃｈ ｄｉｒｅｃｔｉｏｎｓ ｏｆ ｔｈｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｓ ｆｏｒ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｍｏｄｅｓ ｗｅｒｅ ｆｕｒｔｈｅｒ ｄｉｓｃｕｓｓｅｄ． Ｋｅｙｗｏｒｄｓ：ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｍｏｄｅｓ； ｕｓｅｒ ｂｅｈａｖｉｏｒ； ｍｏｂｉｌｅ ｄａｔａ； ｗｉｒｅｌｅｓｓ ｎｅｔｗｏｒｋ ｔｅｃｈｎｏｌｏｇｙ； ｓｅｎｓｏｒｓ 收稿日期：２０１４⁃０４⁃２３． 基金项目：国家自然科学基金资助项目（ ６１２６２０８９，６１２６２０８７）；新疆教 育厅高校教师科研计划重点资助项目 （ＸＪＥＤＵ２０１２Ｉ０９）；新 疆大学博士毕业生科研启动基金资助项目 （ＢＳ１１０１２７）． 通信作者：肖艳丽．Ｅ⁃ｍａｉｌ：ｘｉａｏｙａｎｌｉ１３１４＠ １６３．ｃｏｍ． 交通出行方式是理解用户移动行为的基本属 性［１］ 。 用户的移动状态总是表现出一定的规律性， 而对交通出行方式的识别能够体现出这种规律性， 并且可以为用户提供特定的服务，比如用户常常开 车经过某个地方，可以在该地方提供相应的业务推 送。 交通出行方式的识别还可以为个人的回忆提供 丰富的信息，也能够很方便地和朋友分享生活经 历［２］ 。 此外，通过交通出行方式的识别，还能够进 行交通状况的分析与预测，如特定时间里，在道路上 （非停车场）用户乘坐的公交长时间没有移动，就可 以判断该路段可能发生了交通堵塞。 基于多个用户 的交通方式识别，还能够检测城市里的热点区域和

第5期 肖艳丽，等：移动数据的交通出行方式识别方法研究综述 ·537. 经典路线。 1 快速发展的无线定位技术能够使人们更加方便 交通出行方式识别方法分类 地获得移动数据，这些数据不仅可以用于定位、跟 随着无线网络技术的快速发展，移动数据能够 踪，而且能够表示空间上的信息。例如，将单独的数 被多种传感器进行收集，如移动手机、全球定位系统 据点按照时间顺序排列，可得到用户的轨迹，这条轨 GPS(global positioning system)、加速度计等。通过 迹反映了个人的移动状态，而它随着不同的交通方 对移动数据的分析，可以获得不同的交通出行方式 式改变)。人们在生活工作中经常结合多种交通 信息。如表1所示，不同传感器在表达方式、精确 方式出行，例如去工作时，首先从家步行到公交车 度、覆盖范围等方面有明显的区别，收集的数据具有 站，然后乘坐公交车，下车后再步行至公司。在运动 不同的特征，因此通过不同传感器数据识别交通出 过程中，如何识别多种交通出行方式、它们之间如何 行方式的方法各异。 转换引起了许多研究者的关注。 表1不同传感器性能比较 Table 1 Performance comparison of the different sensors 传感器 表达方式 精确度 能耗强度 覆盖范围 是否受设备影响 GPS 地理坐标 高 强 户外 是 WiFi 接入口D+信号强度或坐标 中等 强 接入口100m内 是 GSM 接入口D+信号强度 中等 中等 1.5-10km 是 GIS 空间数据、属性数据 高 强 户外 是 加速度计 二维、三维加速度值 较高 弱 ±2-200g不等 否 交通出行方式的识别，一般是用不同传感器收 按照时间的先后顺序确定用户的运动路径，根据路 集多个用户的移动数据，然后从用户的历史数据中 径确定运动的起始点、目的地、运动开始和结束时 提取出特征，利用这些特征以不同的学习方法训练 间。相同起点和终点上的用户，使用K-means聚类 出一个分类模型，当遇到其他用户的移动数据时，该 方法分组，计算每组所使用的平均时间，将平均时间 模型可自动识别不同的交通方式。 与谷歌地图上对应路程所提供的时间进行对比，能 根据收集移动数据所使用的设备以及是否考虑 够估计这一组人所使用的交通出行方式，然后通过 能耗问题，将交通出行方式的识别方法分为4类： 粗略计算在相应路线上使用同种交通方式的人数， 1)基于移动手机的方法： 可推断每种交通方式在相应道路上所占比例。 2)基于GPS的方法： 上述几种识别方法没有考虑实时的交通状况， 3)基于多种传感器混合的方法： 文献[8]对交通正常和堵塞两种情况分别进行识 4)基于能源效率的方法。 别，正常情况下，通过分析平均速度，采用速度分配 1.1基于移动手机的方法 率构造隐藏马尔可夫模型识别，精确度达到了94%。 基于手机的方法大部分是通过估计速度来识别 堵塞情况下，利用历史数据对交通情况进行预测，并 的，速度是通过信号强度变化、通信时间、无线接入 使用经济学里的累计前景理论(CPT)分析在不确定 口的数量等特征值来估计的。随着智能手机的快速 交通状况时用户对交通方式的选择，识别的精确度 发展，手机上携带了许多内置传感器，如加速度计和 在70%~89%之间，精确度变化的原因是，堵塞情况 螺旋仪等。 下，用户可能会改变平常乘车的习惯，继续使用以前 文献[4-6]利用手机上携带的加速度计收集数 的历史数据预测当前交通出行方式会出现偏差。 据，首先从数据中抽取不依赖于方向的特征，如加速 除了利用移动手机携带的内置传感器收集数据 度信号的大小和加速度计水平、垂直方向上的信号 之外，研究者还通过全球移动通信系统(global sys- 强度。这些方法在决策树和水平、垂直的加速度信 tem for mobile communication,GSM),进行数据的收 号强度结合下能够达到较好的识别精确度。 集。文献[9-10]运用信号强度波动和服务小区数量 文献[7]使用AirSage收集的手机呼叫详细记 识别交通方式。通常情况下，速度越快，与静止或慢 录，该记录由匿名的手机信令消息数据构成。用 速时相比，其信号强度变化一般比较快，而且与它相 AirSage的无线信号抽取技术首先抽取位置信息，再 连的服务小区的数目也比较多。利用隐藏马尔可夫

经典路线。 快速发展的无线定位技术能够使人们更加方便 地获得移动数据，这些数据不仅可以用于定位、跟 踪，而且能够表示空间上的信息。 例如，将单独的数 据点按照时间顺序排列，可得到用户的轨迹，这条轨 迹反映了个人的移动状态，而它随着不同的交通方 式改变［３］ 。 人们在生活工作中经常结合多种交通 方式出行，例如去工作时，首先从家步行到公交车 站，然后乘坐公交车，下车后再步行至公司。 在运动 过程中，如何识别多种交通出行方式、它们之间如何 转换引起了许多研究者的关注。 １ 交通出行方式识别方法分类 随着无线网络技术的快速发展，移动数据能够 被多种传感器进行收集，如移动手机、全球定位系统 ＧＰＳ（ｇｌｏｂａｌ ｐｏｓｉｔｉｏｎｉｎｇ ｓｙｓｔｅｍ）、加速度计等。 通过 对移动数据的分析，可以获得不同的交通出行方式 信息。 如表 １ 所示，不同传感器在表达方式、精确 度、覆盖范围等方面有明显的区别，收集的数据具有 不同的特征，因此通过不同传感器数据识别交通出 行方式的方法各异。 表 １ 不同传感器性能比较 Ｔａｂｌｅ １ Ｐｅｒｆｏｒｍａｎｃｅ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｈｅ ｄｉｆｆｅｒｅｎｔ ｓｅｎｓｏｒｓ 传感器 表达方式 精确度 能耗强度 覆盖范围 是否受设备影响 ＧＰＳ 地理坐标 高 强 户外 是 ＷｉＦｉ 接入口 ＩＤ＋信号强度或坐标 中等 强 接入口 １００ ｍ 内 是 ＧＳＭ 接入口 ＩＤ＋信号强度 中等 中等 １．５～ １０ ｋｍ 是 ＧＩＳ 空间数据、属性数据 高 强 户外 是 加速度计 二维、三维加速度值 较高 弱 ±２～ ２００ ｇ 不等 否 交通出行方式的识别，一般是用不同传感器收 集多个用户的移动数据，然后从用户的历史数据中 提取出特征，利用这些特征以不同的学习方法训练 出一个分类模型，当遇到其他用户的移动数据时，该 模型可自动识别不同的交通方式。 根据收集移动数据所使用的设备以及是否考虑 能耗问题，将交通出行方式的识别方法分为 ４ 类： １）基于移动手机的方法； ２）基于 ＧＰＳ 的方法； ３）基于多种传感器混合的方法； ４）基于能源效率的方法。 １．１ 基于移动手机的方法 基于手机的方法大部分是通过估计速度来识别 的，速度是通过信号强度变化、通信时间、无线接入 口的数量等特征值来估计的。 随着智能手机的快速 发展，手机上携带了许多内置传感器，如加速度计和 螺旋仪等。 文献［４⁃６］利用手机上携带的加速度计收集数 据，首先从数据中抽取不依赖于方向的特征，如加速 度信号的大小和加速度计水平、垂直方向上的信号 强度。 这些方法在决策树和水平、垂直的加速度信 号强度结合下能够达到较好的识别精确度。 文献［７］ 使用 ＡｉｒＳａｇｅ 收集的手机呼叫详细记 录，该记录由匿名的手机信令消息数据构成。 用 ＡｉｒＳａｇｅ 的无线信号抽取技术首先抽取位置信息，再 按照时间的先后顺序确定用户的运动路径，根据路 径确定运动的起始点、目的地、运动开始和结束时 间。 相同起点和终点上的用户，使用 Ｋ⁃ｍｅａｎｓ 聚类 方法分组，计算每组所使用的平均时间，将平均时间 与谷歌地图上对应路程所提供的时间进行对比，能 够估计这一组人所使用的交通出行方式，然后通过 粗略计算在相应路线上使用同种交通方式的人数， 可推断每种交通方式在相应道路上所占比例。 上述几种识别方法没有考虑实时的交通状况， 文献［８］ 对交通正常和堵塞两种情况分别进行识 别，正常情况下，通过分析平均速度，采用速度分配 率构造隐藏马尔可夫模型识别，精确度达到了 ９４％。 堵塞情况下，利用历史数据对交通情况进行预测，并 使用经济学里的累计前景理论（ＣＰＴ）分析在不确定 交通状况时用户对交通方式的选择，识别的精确度 在 ７０％ ～ ８９％之间，精确度变化的原因是，堵塞情况 下，用户可能会改变平常乘车的习惯，继续使用以前 的历史数据预测当前交通出行方式会出现偏差。 除了利用移动手机携带的内置传感器收集数据 之外，研究者还通过全球移动通信系统 （ ｇｌｏｂａｌ ｓｙｓ⁃ ｔｅｍ ｆｏｒ ｍｏｂｉｌｅ ｃｏｍｍｕｎｉｃａｔｉｏｎ， ＧＳＭ），进行数据的收 集。 文献［９⁃１０］运用信号强度波动和服务小区数量 识别交通方式。 通常情况下，速度越快，与静止或慢 速时相比，其信号强度变化一般比较快，而且与它相 连的服务小区的数目也比较多。 利用隐藏马尔可夫 第 ５ 期 肖艳丽，等：移动数据的交通出行方式识别方法研究综述 ·５３７·

·538· 智能系统学报 第9卷 模型识别，达到了82%的精确度。文献[11]计算两 的速度值，并基于重新选择的速度值，估计每一段的 次连续数据点的欧几里得距离估计GSM的信号强 速度累计分布，最后通过速度分布就能够识别不同 度变化，然后采用二阶分类模式分别对静止、移动、 的交通出行方式。 行走、乘车4种出行方式进行识别。 文献[18]通过扩展关系马尔可夫网络自动的 1.2基于GPS的方法 识别用户的不同行为，这里的关系马尔可夫网络指 与移动手机收集的数据相比，GPS收集的定位 得是基于条件随机场[]方法构建的条件概率模型。 数据更加精确、内容更加丰富。越来越多的人，开始 只要给定了GPS数据的位置和时间信息，就能够识 使用基于GPS数据的交通出行方式识别。 别购物、吃饭、访问、工作等活动，但不能识别交通方 文献[12]利用手机中的GPS收集数据，运用神 式。文献[20]在文献[18]的基础上，运用最大期望 经网络原理自动识别交通出行方式。研究者首先从 算法首先识别用户的模式转化位置，最后应用分层 GPS数据中抽取特征，如平均速度、停留时间等。仅 马尔可夫模型估计在重要位置上的交通方式。 将移动特征作为神经网络的输入，不能够保证较高 除了识别行走、公交车、自行车等交通出行方式 的识别精确度。研究者发现输入数据量大，不仅增 之外，文献[21]对道路上的卡车和轿车进行了分 加了识别的计算能力，而且还消耗了移动设备的资 类。首先在主干道上分别用GPS收集轿车和卡车 源。为了提高识别的精确度和减少输入的数据量， 的定位数据，然后对两个数据集进行预处理，将轨迹 又提出了一个关键点算法，算法能够过滤一些不必 分为相似长度的子轨迹。从数据集中，抽取出与速 要的GPS数据，而只保留最重要的点的信息。利用 度相关的加速度、减速度、加速度和减速度标准偏差 关键点和移动特征作为神经网络的输入，使精确度 4个特征值，然后选用内核支持向量机SVM对车辆 达到了91.23%，同时保存了移动设备的资源。 进行分类，其误分类率仅为4.2%。文献[22]通过提 文献[13]利用移动数据与真实世界一般常识 取相应出行属性数据，利用模糊推理机制也实现了 相结合的方法来识别，并引入了一个3层的分类模 对机动车、自行车、步行等交通出行方式的识别。 型，其中模型包括低级过滤、局部过滤和真实地图3 1.3基于传感器混合的方法 部分，低级过滤能够连续地纠正传感器的错误信息， 采用一种传感器收集数据，由于传感器故障等 粒子滤波能够运用状态转换空间识别多种模式，真 原因造成收集的数据不可靠，导致交通方式无法正 实地图指导高级转换模型。由于考虑了实际的地图 确识别。因此交通出行方式的识别有时需要多种传 信息，因此所设计的方法具有一定的局限性，只能识 感器混合收集数据，这样能够保证识别方法的可靠 别该地图区域内的交通方式。为了使方法能够适用 性。当一种传感器失效时，可以借助其他传感器记 于其他的GPS数据集，文献[14-16]通过不考虑实 录数据。 际地图信息的方法来识别，这些方法的预处理过程 1.31传统的传感器混合方法 都是相似的，即将用户轨迹用基于变化点的方式分 文献[23-24]使用20多种传感器，收集了大量 段。在抽取特征方面，文献[14]选择基本特征，如 的基础数据，并从时间和空间两个方面抽取位置信 距离、平均速度等。文献[15-16]除了利用基本特征息、光强度、呼吸强度等特征。由于抽取出的特征值 之外，还抽取了一些高级特征，如速度改变率、停车 较多，利用二次抽取方式去除了一些不必要的特征 率等。一些基于实例的分类方法根据对应的特征识 值，最后选取6种特征值作为分类的依据，然后利用 别不同交通方式，然而基于变化点的分段方法结合 自动生成决策树进行识别。这种方法能够达到较高 决策树算法进行识别能够得到较高的精确度，识别 的识别精确度，并以较高的精确度识别不同行为，但 精确度达到了76%。由于在训练和后处理阶段都运 由于采集数据时需要将多种传感器随身携带，在现 用了人工标记数据，这使得该方法的工作量较大。 实生活中实现比较困难。为了简化收集数据的工 与以上提出的方法不同，为了减少人工标记数 作，文献[25]使用5个携带在人不同部位的二轴加 据的工作量，文献[17]中运用了无监督方法对无标 速度计收集数据。从数据当中抽取加速度大小、频 记的GPS数据进行识别，这种方法基于两个假设：率、速度等特征值，利用决策树自动识别，达到了较 (1)相同方式的速度分布是相似的，(2)不同方式的 高的精确度。文献[26]从不同角度出发，使用一个 速度分布不一样。首先将GPS轨迹分段，给定任一 多模式的传感器板收集数据。虽然传统传感器混合 子段和它的速度分布，并给每一个速度值分配一个 方法在识别方面达到了理想的精确度，但由于携带 概率。然后通过电学当中的加权自举技术选择最高的设备太多，往往会给数据采集造成许多不便，针对

模型识别，达到了 ８２％的精确度。 文献［１１］计算两 次连续数据点的欧几里得距离估计 ＧＳＭ 的信号强 度变化，然后采用二阶分类模式分别对静止、移动、 行走、乘车 ４ 种出行方式进行识别。 １．２ 基于 ＧＰＳ 的方法 与移动手机收集的数据相比，ＧＰＳ 收集的定位 数据更加精确、内容更加丰富。 越来越多的人，开始 使用基于 ＧＰＳ 数据的交通出行方式识别。 文献［１２］利用手机中的 ＧＰＳ 收集数据，运用神 经网络原理自动识别交通出行方式。 研究者首先从 ＧＰＳ 数据中抽取特征，如平均速度、停留时间等。 仅 将移动特征作为神经网络的输入，不能够保证较高 的识别精确度。 研究者发现输入数据量大，不仅增 加了识别的计算能力，而且还消耗了移动设备的资 源。 为了提高识别的精确度和减少输入的数据量， 又提出了一个关键点算法，算法能够过滤一些不必 要的 ＧＰＳ 数据，而只保留最重要的点的信息。 利用 关键点和移动特征作为神经网络的输入，使精确度 达到了９１．２３％，同时保存了移动设备的资源。 文献［１３］ 利用移动数据与真实世界一般常识 相结合的方法来识别，并引入了一个 ３ 层的分类模 型，其中模型包括低级过滤、局部过滤和真实地图 ３ 部分，低级过滤能够连续地纠正传感器的错误信息， 粒子滤波能够运用状态转换空间识别多种模式，真 实地图指导高级转换模型。 由于考虑了实际的地图 信息，因此所设计的方法具有一定的局限性，只能识 别该地图区域内的交通方式。 为了使方法能够适用 于其他的 ＧＰＳ 数据集，文献［１４⁃１６］ 通过不考虑实 际地图信息的方法来识别，这些方法的预处理过程 都是相似的，即将用户轨迹用基于变化点的方式分 段。 在抽取特征方面，文献［１４］ 选择基本特征，如 距离、平均速度等。 文献［１５⁃１６］除了利用基本特征 之外，还抽取了一些高级特征，如速度改变率、停车 率等。 一些基于实例的分类方法根据对应的特征识 别不同交通方式，然而基于变化点的分段方法结合 决策树算法进行识别能够得到较高的精确度，识别 精确度达到了 ７６％。 由于在训练和后处理阶段都运 用了人工标记数据，这使得该方法的工作量较大。 与以上提出的方法不同，为了减少人工标记数 据的工作量，文献［１７］中运用了无监督方法对无标 记的 ＧＰＳ 数据进行识别，这种方法基于两个假设： （１）相同方式的速度分布是相似的，（２）不同方式的 速度分布不一样。 首先将 ＧＰＳ 轨迹分段，给定任一 子段和它的速度分布，并给每一个速度值分配一个 概率。 然后通过电学当中的加权自举技术选择最高 的速度值，并基于重新选择的速度值，估计每一段的 速度累计分布，最后通过速度分布就能够识别不同 的交通出行方式。 文献［１８］ 通过扩展关系马尔可夫网络自动的 识别用户的不同行为，这里的关系马尔可夫网络指 得是基于条件随机场［１９］方法构建的条件概率模型。 只要给定了 ＧＰＳ 数据的位置和时间信息，就能够识 别购物、吃饭、访问、工作等活动，但不能识别交通方 式。 文献［２０］在文献［１８］的基础上，运用最大期望 算法首先识别用户的模式转化位置，最后应用分层 马尔可夫模型估计在重要位置上的交通方式。 除了识别行走、公交车、自行车等交通出行方式 之外，文献［ ２１］ 对道路上的卡车和轿车进行了分 类。 首先在主干道上分别用 ＧＰＳ 收集轿车和卡车 的定位数据，然后对两个数据集进行预处理，将轨迹 分为相似长度的子轨迹。 从数据集中，抽取出与速 度相关的加速度、减速度、加速度和减速度标准偏差 ４ 个特征值，然后选用内核支持向量机 ＳＶＭ 对车辆 进行分类，其误分类率仅为 ４．２％。 文献［２２］通过提 取相应出行属性数据，利用模糊推理机制也实现了 对机动车、自行车、步行等交通出行方式的识别。 １．３ 基于传感器混合的方法 采用一种传感器收集数据，由于传感器故障等 原因造成收集的数据不可靠，导致交通方式无法正 确识别。 因此交通出行方式的识别有时需要多种传 感器混合收集数据，这样能够保证识别方法的可靠 性。 当一种传感器失效时，可以借助其他传感器记 录数据。 １．３．１ 传统的传感器混合方法 文献［２３⁃２４］使用 ２０ 多种传感器，收集了大量 的基础数据，并从时间和空间两个方面抽取位置信 息、光强度、呼吸强度等特征。 由于抽取出的特征值 较多，利用二次抽取方式去除了一些不必要的特征 值，最后选取 ６ 种特征值作为分类的依据，然后利用 自动生成决策树进行识别。 这种方法能够达到较高 的识别精确度，并以较高的精确度识别不同行为，但 由于采集数据时需要将多种传感器随身携带，在现 实生活中实现比较困难。 为了简化收集数据的工 作，文献［２５］使用 ５ 个携带在人不同部位的二轴加 速度计收集数据。 从数据当中抽取加速度大小、频 率、速度等特征值，利用决策树自动识别，达到了较 高的精确度。 文献［２６］从不同角度出发，使用一个 多模式的传感器板收集数据。 虽然传统传感器混合 方法在识别方面达到了理想的精确度，但由于携带 的设备太多，往往会给数据采集造成许多不便，针对 ·５３８· 智 能 系 统 学 报 第 ９ 卷

第5期 肖艳丽，等：移动数据的交通出行方式识别方法研究综述 ·539· 这个问题，研究者又提出了许多识别方法，结合少量 1.3.4基于GPS和GIS的结合 设备用以减少采集数据的工作量。 GSM、WFi、加速度计等收集的数据精确度不 1.3.2基于GPS与加速度计的方法 高，很多情况下，识别交通方式需要比较精确的信 文献[27]运用传感器分别收集移动数据。首 息。GPS与全球信息系统GIS能够提供比较精确的 先从GPS数据中抽取特征，识别精确度只有86.5%， 地理信息，结合这两种传感器能够获得较为精确的 然后从加速度数据中抽取特征，识别精度为90%。 数据，从而能够提高识别方法的精确度。 最后，将GS与加速度数据特征相结合识别精确度 文献[32]使用概率矩阵识别。通过自行车所 达到了93%。方法表明了结合GPS和加速度计收 有权，即用户是否含有自行车来判断自行车的权重， 集数据，能够更好地识别交通出行方式。 如果没有将权重设置为0，并通过轨迹的多种速度 文献[28]使用连续隐藏马尔可夫模型和决策 特征来识别其他的交通方式。不同的权重根据速度 树，分别与一阶连续隐藏马尔可夫模型结合，形成组 的范围分配给不同的交通方式，然后结合GS信息， 合模型识别交通方式。使用决策树与一阶离散隐藏 将机动车辆划分为特定的类别，通过GS收集的公 马尔可夫模型的结合对交通方式识别有较高的精确 交车站和轨道信息及平均速度识别公交车与火车两 度。不过该方法只区分了行走、自行车和机动车，而 种方式。但是该方法存在一定的不足，当GPS失效 不能有效地对机动车的类别进行区分。 时，将会导致无法识别交通方式。除此之外，在交通 已有的单独设备识别方法大部分假设在GPS 堵塞的情况下，也不能区分机动车辆的类别。 信号不会丢失的情况下对交通方式进行识别，而这 为了区分机动车辆的类别，文献[33]使用GPS 种方法只能识别少量的交通方式。针对这种情况文 和真实交通网络信息对交通方式进行识别。研究者 献[29]提出用GPS和加速度数据共同识别，这样即 除了使用基本特征，如平均速度、最大速度等，还引 使在GPS信号丢失的情况下，也能够区分交通方 入了平均车辆亲密度、平均铁路亲密度、平均候选车 式，并且能够识别多种交通方式。方法首先从数据 辆亲密度等额外特征用于识别。文章首次提出了区 集中提取速度、加速度、减速度、角速度4个特征，然 分机动车类别的方法，也是第一次将火车看做是一 后使用随机分类器和隐藏马尔可夫模型的结合自动 种交通出行方式，并以93.5%的精确度识别出汽车、 识别交通出行方式。最终不仅识别了多种交通出行 公交等6种交通出行方式。 方式，而且还区分了机动车的类别。 文献[34]提出了两个版本的分析系统，第一种 1.3.3基于GSM和WiFi的结合 用一个只依赖GPS信息的系统，也就是仅仅将GPS 考虑到GPS、加速度器等传感器在大型环境下， 信息当做输人，运用模糊逻辑的算法识别交通方式， 成本和收集数据的复杂度较高，研究者开始选用适 第二种则利用集成的GPS和GIS地理信息作为输 合于大型环境下传感器结合的方法。由于W和入，利用模式匹配的识别子系统进行识别。方法整 GSM覆盖面广，成本较低，许多基于这两种传感器 体识别的精确率达到了91%，GPS数据结合GIS地 的方法开始出现。 理信息中的公交线路信息对公交车的识别从76%提 文献[30]分别从GSM和WiFi数据集中抽取识 高到了80%。此外，用GS中的公共交通路线与 别网络、区域、接入端口、信号强度等特征。将抽取 GPS轨迹相匹配，使有轨电车的识别精确率达到了 出的特征，作为分类模型的输入数据，并使用决策树 88%。 进行识别，与只用GSM数据识别的精确度相比，基 文献[35]将GPS轨迹根据交通方式转化位置 于GSM和WFi结合的方法有了很大提高。 进行分段，通过基于地理信息的算法识别行走、公交 文献[31]提出了一个移动性分类方法。在识 等5种交通方式，其精确率达到82.6%。文献[36] 别阶段采用C.4.5决策树作为分类模型。决策树作 设计了一个用户独立的层次马尔可夫模型，从用户 为分类模型使得推断过程的处理复杂度降低，运用 历史数据中，分析用户的出行目的地和路程，推断行 GSM和手机上收集的WFi数据则保证了相对较低 走和乘车。这个方法的精确度可以达到84%。 的能耗，而且，由于GSM和WFi的覆盖范围比较 文献[37]提出了GS地图匹配算法和基于规则 广，能够保证用户数据的持久性。方法能够区分出 的算法来识别交通出行方式，精确度达到了91.7%。 静止，走路和骑车3种移动状态，并且能够达到80. 周小红等)也利用GS与匹配二维地图的方式，在 2%的精确率。 客户端利用HTML5作为渲染引擎，对交通方式的识

这个问题，研究者又提出了许多识别方法，结合少量 设备用以减少采集数据的工作量。 １．３．２ 基于 ＧＰＳ 与加速度计的方法 文献［２７］ 运用传感器分别收集移动数据。 首 先从 ＧＰＳ 数据中抽取特征，识别精确度只有 ８６．５％， 然后从加速度数据中抽取特征，识别精度为 ９０％。 最后，将 ＧＰＳ 与加速度数据特征相结合识别精确度 达到了 ９３％。 方法表明了结合 ＧＰＳ 和加速度计收 集数据，能够更好地识别交通出行方式。 文献［２８］ 使用连续隐藏马尔可夫模型和决策 树，分别与一阶连续隐藏马尔可夫模型结合，形成组 合模型识别交通方式。 使用决策树与一阶离散隐藏 马尔可夫模型的结合对交通方式识别有较高的精确 度。 不过该方法只区分了行走、自行车和机动车，而 不能有效地对机动车的类别进行区分。 已有的单独设备识别方法大部分假设在 ＧＰＳ 信号不会丢失的情况下对交通方式进行识别，而这 种方法只能识别少量的交通方式。 针对这种情况文 献［２９］提出用 ＧＰＳ 和加速度数据共同识别，这样即 使在 ＧＰＳ 信号丢失的情况下，也能够区分交通方 式，并且能够识别多种交通方式。 方法首先从数据 集中提取速度、加速度、减速度、角速度 ４ 个特征，然 后使用随机分类器和隐藏马尔可夫模型的结合自动 识别交通出行方式。 最终不仅识别了多种交通出行 方式，而且还区分了机动车的类别。 １．３．３ 基于 ＧＳＭ 和 ＷｉＦｉ 的结合 考虑到 ＧＰＳ、加速度器等传感器在大型环境下， 成本和收集数据的复杂度较高，研究者开始选用适 合于大型环境下传感器结合的方法。 由于 ＷｉＦｉ 和 ＧＳＭ 覆盖面广，成本较低，许多基于这两种传感器 的方法开始出现。 文献［３０］分别从 ＧＳＭ 和 ＷｉＦｉ 数据集中抽取识 别网络、区域、接入端口、信号强度等特征。 将抽取 出的特征，作为分类模型的输入数据，并使用决策树 进行识别，与只用 ＧＳＭ 数据识别的精确度相比，基 于 ＧＳＭ 和 ＷｉＦｉ 结合的方法有了很大提高。 文献［３１］ 提出了一个移动性分类方法。 在识 别阶段采用 Ｃ．４．５ 决策树作为分类模型。 决策树作 为分类模型使得推断过程的处理复杂度降低，运用 ＧＳＭ 和手机上收集的 ＷｉＦｉ 数据则保证了相对较低 的能耗，而且，由于 ＧＳＭ 和 ＷｉＦｉ 的覆盖范围比较 广，能够保证用户数据的持久性。 方法能够区分出 静止，走路和骑车 ３ 种移动状态，并且能够达到 ８０． ２％的精确率。 １．３．４ 基于 ＧＰＳ 和 ＧＩＳ 的结合 ＧＳＭ、ＷｉＦｉ、加速度计等收集的数据精确度不 高，很多情况下，识别交通方式需要比较精确的信 息。 ＧＰＳ 与全球信息系统 ＧＩＳ 能够提供比较精确的 地理信息，结合这两种传感器能够获得较为精确的 数据，从而能够提高识别方法的精确度。 文献［３２］ 使用概率矩阵识别。 通过自行车所 有权，即用户是否含有自行车来判断自行车的权重， 如果没有将权重设置为 ０，并通过轨迹的多种速度 特征来识别其他的交通方式。 不同的权重根据速度 的范围分配给不同的交通方式，然后结合 ＧＩＳ 信息， 将机动车辆划分为特定的类别，通过 ＧＩＳ 收集的公 交车站和轨道信息及平均速度识别公交车与火车两 种方式。 但是该方法存在一定的不足，当 ＧＰＳ 失效 时，将会导致无法识别交通方式。 除此之外，在交通 堵塞的情况下，也不能区分机动车辆的类别。 为了区分机动车辆的类别，文献［３３］使用 ＧＰＳ 和真实交通网络信息对交通方式进行识别。 研究者 除了使用基本特征，如平均速度、最大速度等，还引 入了平均车辆亲密度、平均铁路亲密度、平均候选车 辆亲密度等额外特征用于识别。 文章首次提出了区 分机动车类别的方法，也是第一次将火车看做是一 种交通出行方式，并以 ９３．５％的精确度识别出汽车、 公交等 ６ 种交通出行方式。 文献［３４］提出了两个版本的分析系统，第一种 用一个只依赖 ＧＰＳ 信息的系统，也就是仅仅将 ＧＰＳ 信息当做输入，运用模糊逻辑的算法识别交通方式， 第二种则利用集成的 ＧＰＳ 和 ＧＩＳ 地理信息作为输 入，利用模式匹配的识别子系统进行识别。 方法整 体识别的精确率达到了 ９１％，ＧＰＳ 数据结合 ＧＩＳ 地 理信息中的公交线路信息对公交车的识别从 ７６％提 高到了 ８０％。 此外，用 ＧＩＳ 中的公共交通路线与 ＧＰＳ 轨迹相匹配，使有轨电车的识别精确率达到了 ８８％。 文献［３５］将 ＧＰＳ 轨迹根据交通方式转化位置 进行分段，通过基于地理信息的算法识别行走、公交 等 ５ 种交通方式，其精确率达到 ８２．６％。 文献［３６］ 设计了一个用户独立的层次马尔可夫模型，从用户 历史数据中，分析用户的出行目的地和路程，推断行 走和乘车。 这个方法的精确度可以达到 ８４％。 文献［３７］提出了 ＧＩＳ 地图匹配算法和基于规则 的算法来识别交通出行方式，精确度达到了 ９１．７％。 周小红等［３８］也利用 ＧＩＳ 与匹配二维地图的方式，在 客户端利用 ＨＴＭＬ５ 作为渲染引擎，对交通方式的识 第 ５ 期 肖艳丽，等：移动数据的交通出行方式识别方法研究综述 ·５３９·

·540· 智能系统学报 第9卷 别进行可视化操作，结果较为直观。 定程度上来说，并不是绝对的，因为有些方法，除了 1.4基于能量效率的方法 考虑用不同传感器收集移动数据之外，还考虑了其 已经存在的许多识别方法很少考虑能量效率问 他因素，如：抽取特征不同，将导致划分种类不同：使 题，如内存的大小、电池的寿命等。近几年来，有很 用不同分类方法，也会导致识别的多样性。为了更 多识别方法都开始考虑能量效率的问题。提出一个好地说明上述4种方法的特点，分析不同方法的精 普遍适用、能耗较低、同时保持较高识别精确度的方 确度，从以下几个方面对不同方法进行比较，分析比 法，成为目前新的挑战。 较结果如表2、表3和表4所示。 文献[39]提出一个自适应加速度活动识别方 1)从实验数据方面：由于收集数据的传感器存 法，用于对连续的活动、移动状态进行识别。该方法 在很大差异，见表1，导致收集到的具体数据差别较 的核心是连续的处理当前或下一时刻的数据，然后 大。在几种实验数据中，由于手机的普及，移动手机 动态的调整抽样频率和分类特征两个参数，并用于 数据最容易获得。GPS数据较为精确，在记录数据 最优的识别活动。对于特定的活动，通过调整相适 时通常以经纬度形式表现，但在室内收集会受到限 应的分类特征，以保证特征值的抽取既符合当前的 制。GSM和WFi数据通常以信号强度、频率等形式 活动识别，又避免抽取多余不必要的特征，从而达到 存在，容易受到外界环境（如基站等）的影响。加速 节约能量这个目标。 度计、螺旋仪、磁力计等数据使用相对较少，且精确 文献[40]提出了一个高效节能移动传感系统 度相对较差。在识别过程中，首先根据不同数据抽 (EEMSS)识别人们日常生活中的活动与交通出行方 取具体特征，然后根据抽取的不同特征选择合适分 式。高效节能移动传感系统的核心是通过分层管理 类器，最后对交通方式进行具体识别。数据差异是 移动设备上的传感器，有选择地使用有用的传感器， 造成识别方法多样性的主要原因。 关闭暂时不用的传感器，从而到达节约电量的目标。 2)从传感器方面：由于不同传感器在收集移动 除此之外，还对加速度计和移动手机收集的数据进 数据类型、表达方式、能源消耗等方面都具有明显的 行了实时的分类，通过分类算法能够识别出移动物 不同，因此对于交通方式的识别，不同传感器收集的 体的状态，而且还能使电量保持在75%左右。 移动数据具有不同的特性。 文献[41-42]的目标是设计一个低功耗低成本 3)从特征提取方面：由于不同的交通出行方式 的交通方式探测器。为了达到这个目标，使用了一 是以特定形式表示的，因此抽取的特征不同，识别结 个低功耗低成本的感测器集线器，该设备由处理单 果也会不一样。 元、限制的内存和一系列的传感器构成，本身就具有 4)从分类器选择方面：现在常用的分类器主要 低功耗低成本的特点。该方法首先通过简化数据集 有BP神经网络、贝叶斯网络、马尔可夫模型、决策 和模型以缩小分类器大小，使其符合感测器集线器树、支持向量机等。贝叶斯网络和马尔可夫模型都 的内存限制，达到能量消耗最少的目标。然后通过 是基于统计分类的，需要的样本量大、经验风险小、 数据的低阶多项式映射和权值向量的计算，比较决 非线性拟合能力较强，这2种从理论上都解决了最 策树、自适应增强和支持向量机3种分类器的识别 优分类器的设计问题，但是在实施时，首先必须要解 性能，可以得出支持向量机不仅在能量上消耗最少， 决概率密度估计问题。BP神经网络，直接通过观测 而且还保持了较高的精确度。该方法的能耗在5% 数据，从训练集中学习，是一种启发式技术。决策 左右，并且对5种交通方式识别的精确度达到了 树、支持向量机都是基于结构分类的，需要样本少、 90%。 效率较高，但是不适合划分多类。在表3、表4中，用 无线网络协议Zigbee具有近距离、低复杂度、低 相应缩写字母表示不同的分类器：隐藏马尔可夫 功耗、低成本等特点，加速度计相比于其他传感器， (HMM),混淆矩阵(CM),决策树(DT),神经网络 能量消耗也相对较少。文献[43]结合本身低功耗 (NNs),支持向量机(SVM),一阶马尔可夫(FM),随 低成本的Zigbee和加速度计，使得识别过程消耗较 机森林(RF),概率矩阵(TPM)。 低的能量，并且保证了较高的识别精确度。 5)是否考虑能耗：由于考虑能耗的交通方式识 别方法是近几年才提出的，还不太成熟，因此本文先 2 交通出行方式识别方法的比较 从收集移动数据的传感器角度将其分类，分别在表 上述提出的4种交通出行方式识别方法，从一 2、表3中列出

别进行可视化操作，结果较为直观。 １．４ 基于能量效率的方法 已经存在的许多识别方法很少考虑能量效率问 题，如内存的大小、电池的寿命等。 近几年来，有很 多识别方法都开始考虑能量效率的问题。 提出一个 普遍适用、能耗较低、同时保持较高识别精确度的方 法，成为目前新的挑战。 文献［３９］ 提出一个自适应加速度活动识别方 法，用于对连续的活动、移动状态进行识别。 该方法 的核心是连续的处理当前或下一时刻的数据，然后 动态的调整抽样频率和分类特征两个参数，并用于 最优的识别活动。 对于特定的活动，通过调整相适 应的分类特征，以保证特征值的抽取既符合当前的 活动识别，又避免抽取多余不必要的特征，从而达到 节约能量这个目标。 文献［４０］ 提出了一个高效节能移动传感系统 （ＥＥＭＳＳ）识别人们日常生活中的活动与交通出行方 式。 高效节能移动传感系统的核心是通过分层管理 移动设备上的传感器，有选择地使用有用的传感器， 关闭暂时不用的传感器，从而到达节约电量的目标。 除此之外，还对加速度计和移动手机收集的数据进 行了实时的分类，通过分类算法能够识别出移动物 体的状态，而且还能使电量保持在 ７５％左右。 文献［４１⁃４２］的目标是设计一个低功耗低成本 的交通方式探测器。 为了达到这个目标，使用了一 个低功耗低成本的感测器集线器，该设备由处理单 元、限制的内存和一系列的传感器构成，本身就具有 低功耗低成本的特点。 该方法首先通过简化数据集 和模型以缩小分类器大小，使其符合感测器集线器 的内存限制，达到能量消耗最少的目标。 然后通过 数据的低阶多项式映射和权值向量的计算，比较决 策树、自适应增强和支持向量机 ３ 种分类器的识别 性能，可以得出支持向量机不仅在能量上消耗最少， 而且还保持了较高的精确度。 该方法的能耗在 ５％ 左右，并且对 ５ 种交通方式识别的精确度达到了 ９０％。 无线网络协议 Ｚｉｇｂｅｅ 具有近距离、低复杂度、低 功耗、低成本等特点，加速度计相比于其他传感器， 能量消耗也相对较少。 文献［４３］ 结合本身低功耗 低成本的 Ｚｉｇｂｅｅ 和加速度计，使得识别过程消耗较 低的能量，并且保证了较高的识别精确度。 ２ 交通出行方式识别方法的比较 上述提出的 ４ 种交通出行方式识别方法，从一 定程度上来说，并不是绝对的，因为有些方法，除了 考虑用不同传感器收集移动数据之外，还考虑了其 他因素，如：抽取特征不同，将导致划分种类不同；使 用不同分类方法，也会导致识别的多样性。 为了更 好地说明上述 ４ 种方法的特点，分析不同方法的精 确度，从以下几个方面对不同方法进行比较，分析比 较结果如表 ２、表 ３ 和表 ４ 所示。 １）从实验数据方面：由于收集数据的传感器存 在很大差异，见表 １，导致收集到的具体数据差别较 大。 在几种实验数据中，由于手机的普及，移动手机 数据最容易获得。 ＧＰＳ 数据较为精确，在记录数据 时通常以经纬度形式表现，但在室内收集会受到限 制。 ＧＳＭ 和 ＷｉＦｉ 数据通常以信号强度、频率等形式 存在，容易受到外界环境（如基站等）的影响。 加速 度计、螺旋仪、磁力计等数据使用相对较少，且精确 度相对较差。 在识别过程中，首先根据不同数据抽 取具体特征，然后根据抽取的不同特征选择合适分 类器，最后对交通方式进行具体识别。 数据差异是 造成识别方法多样性的主要原因。 ２）从传感器方面：由于不同传感器在收集移动 数据类型、表达方式、能源消耗等方面都具有明显的 不同，因此对于交通方式的识别，不同传感器收集的 移动数据具有不同的特性。 ３）从特征提取方面：由于不同的交通出行方式 是以特定形式表示的，因此抽取的特征不同，识别结 果也会不一样。 ４）从分类器选择方面：现在常用的分类器主要 有 ＢＰ 神经网络、贝叶斯网络、马尔可夫模型、决策 树、支持向量机等。 贝叶斯网络和马尔可夫模型都 是基于统计分类的，需要的样本量大、经验风险小、 非线性拟合能力较强，这 ２ 种从理论上都解决了最 优分类器的设计问题，但是在实施时，首先必须要解 决概率密度估计问题。 ＢＰ 神经网络，直接通过观测 数据，从训练集中学习，是一种启发式技术。 决策 树、支持向量机都是基于结构分类的，需要样本少、 效率较高，但是不适合划分多类。 在表 ３、表 ４ 中，用 相应缩写字母表示不同的分类器：隐藏马尔可夫 （ＨＭＭ），混淆矩阵（ＣＭ）， 决策树（ＤＴ），神经网络 （ＮＮｓ），支持向量机（ＳＶＭ），一阶马尔可夫（ＦＭ），随 机森林（ＲＦ），概率矩阵（ＴＰＭ）。 ５）是否考虑能耗：由于考虑能耗的交通方式识 别方法是近几年才提出的，还不太成熟，因此本文先 从收集移动数据的传感器角度将其分类，分别在表 ２、表 ３ 中列出。 ·５４０· 智 能 系 统 学 报 第 ９ 卷

第5期 肖艳丽，等：移动数据的交通出行方式识别方法研究综述 .541. 6)精确度：表示在一次识别过程中，得到的识别 别方法越好。 结果与真实值之间的接近程度，精确度越高，说明识 表2方法使用不同实验数据的比较 Table 2 Comparison of the different experiment data used by the method 文献方法 数据 [9] [10,12][13][16,17][26] [28,29] [30] [32,33][39] [41] 移动手机数据 GSM数据 GPS数据 WFi数据 GIS数据 加速度计数据 螺旋仪数据 磁力计数据 表3基于单一传感器识别方法比较 Table 3 Comparison of the identification methods based on single sensor 方法 传感器 提取特征 分类器 是否考虑能耗 精确度/% 文献[9] 移动手机 平均速度、用户的历史通话数据 HMM 否 94.00 文献[42] 移动手机 加速度大小、信号强度大小等 CM 是 81.75 文献[10,11] GSM 信号强度大小、服务小区数量 HMM 否 82.00 文献[12] GSM 数据点欧几里得距离、信号塔数目等 DT 否 85.00 文献[13] 移动手机 最大速度、车站间距离、停留时间等 NNs 是 91.23 文献[16,17] GPS 方向改变率、停车率、速度改变率等 DT 否 76.00 表4基于多种传感器混合识别方法比较 Table 4 Comparison of the identification methods based on various sensors 方法 传感器 提取特征 分类器 是否考虑能耗 精确度/% 文献[40,41] 多种传感器 加速度标准差、距离等 SVM 是 90.000 文献[26] 多种传感器 能量、速度、谱嫡等 HMM 否 90.000 文献[39] 多种传感器 瞬时速度、接入口数目等 EEMSS 是 90.365 文献[28] GPS、加速度计 速度变化量、移动距离等 DT、FM 否 93.600 文献[29] GPS、加速度计 加减速度、角速度等 RF HMM 否 91.000 文献[30] GSM、WiFi 端口数目、信号强度等 DT 否 88.000 文献[32] GPS、GIS 轨迹距离、站点位置信息 TPM 否 95.000 文献[33] GPS、GIS 平均车辆、铁路亲密度等 RF 否 93.500 3 结束语 仪器收集数据，在实际情况中不太可取。运用移动 手机、GPS、加速度计等少量传感器收集数据的方 影响交通出行方式识别的因素很多，目前已有 法，这种方法减少了收集数据的难度，并对机动车辆 的方法大部分是根据具体应用设计的，具有一定的 进行了识别，使得应用的范围更加广泛。以上方法， 局限性。通过多种随身携带仪器收集的移动数据， 大多没有考虑能耗问题，近几年来，许多研究者在交 选择适合特定种类的移动特征进行识别限制了交通 通出行方式的识别中开始考虑能耗问题，虽然已经 出行方式识别的多样性。除此之外，由人携带多种 提出了几种解决方法[39-43]，但还并不成熟。因

６）精确度：表示在一次识别过程中，得到的识别 结果与真实值之间的接近程度，精确度越高，说明识 别方法越好。 表 ２ 方法使用不同实验数据的比较 Ｔａｂｌｅ ２ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｈｅ ｄｉｆｆｅｒｅｎｔ ｅｘｐｅｒｉｍｅｎｔ ｄａｔａ ｕｓｅｄ ｂｙ ｔｈｅ ｍｅｔｈｏｄ 数据 文献方法 ［９］ ［１０，１２］ ［１３］ ［１６，１７］ ［２６］ ［２８，２９］ ［３０］ ［３２，３３］ ［３９］ ［４１］ 移动手机数据 × × × × ＧＳＭ 数据 × × ＧＰＳ 数据 × × × × × ＷｉＦｉ 数据 × ＧＩＳ 数据 × 加速度计数据 × × × × 螺旋仪数据 × × 磁力计数据 × 表 ３ 基于单一传感器识别方法比较 Ｔａｂｌｅ ３ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｈｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｓ ｂａｓｅｄ ｏｎ ｓｉｎｇｌｅ ｓｅｎｓｏｒ 方法 传感器 提取特征 分类器 是否考虑能耗 精确度／ ％ 文献［９］ 移动手机 平均速度、用户的历史通话数据 ＨＭＭ 否 ９４．００ 文献［４２］ 移动手机 加速度大小、信号强度大小等 ＣＭ 是 ８１．７５ 文献［１０，１１］ ＧＳＭ 信号强度大小、服务小区数量 ＨＭＭ 否 ８２．００ 文献［１２］ ＧＳＭ 数据点欧几里得距离、信号塔数目等 ＤＴ 否 ８５．００ 文献［１３］ 移动手机 最大速度、车站间距离、停留时间等 ＮＮｓ 是 ９１．２３ 文献［１６，１７］ ＧＰＳ 方向改变率、停车率、速度改变率等 ＤＴ 否 ７６．００ 表 ４ 基于多种传感器混合识别方法比较 Ｔａｂｌｅ ４ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｈｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｓ ｂａｓｅｄ ｏｎ ｖａｒｉｏｕｓ ｓｅｎｓｏｒｓ 方法 传感器 提取特征 分类器 是否考虑能耗 精确度／ ％ 文献［４０，４１］ 多种传感器 加速度标准差、距离等 ＳＶＭ 是 ９０．０００ 文献［２６］ 多种传感器 能量、速度、谱熵等 ＨＭＭ 否 ９０．０００ 文献［３９］ 多种传感器 瞬时速度、接入口数目等 ＥＥＭＳＳ 是 ９０．３６５ 文献［２８］ ＧＰＳ、加速度计 速度变化量、移动距离等 ＤＴ、ＦＭ 否 ９３．６００ 文献［２９］ ＧＰＳ、加速度计 加减速度、角速度等 ＲＦ、ＨＭＭ 否 ９１．０００ 文献［３０］ ＧＳＭ、ＷｉＦｉ 端口数目、信号强度等 ＤＴ 否 ８８．０００ 文献［３２］ ＧＰＳ、ＧＩＳ 轨迹距离、站点位置信息 ＴＰＭ 否 ９５．０００ 文献［３３］ ＧＰＳ、ＧＩＳ 平均车辆、铁路亲密度等 ＲＦ 否 ９３．５００ ３ 结束语 影响交通出行方式识别的因素很多，目前已有 的方法大部分是根据具体应用设计的，具有一定的 局限性。 通过多种随身携带仪器收集的移动数据， 选择适合特定种类的移动特征进行识别限制了交通 出行方式识别的多样性。 除此之外，由人携带多种 仪器收集数据，在实际情况中不太可取。 运用移动 手机、ＧＰＳ、加速度计等少量传感器收集数据的方 法，这种方法减少了收集数据的难度，并对机动车辆 进行了识别，使得应用的范围更加广泛。 以上方法， 大多没有考虑能耗问题，近几年来，许多研究者在交 通出行方式的识别中开始考虑能耗问题，虽然已经 提出了几种解决方法［ ３９⁃４３］，但还并不成熟。 因 第 ５ 期 肖艳丽，等：移动数据的交通出行方式识别方法研究综述 ·５４１·

.542. 智能系统学报 第9卷 此，设计一个能耗较低、精确度较高的识别方法是未 [12]GONZALEZ P,WEINSTEIN J,BARBEAU S,et al.Auto- 来研究的重点。 mating mode detection using neural networks and assisted GPS data collected using gps-enabled mobile phones[J]. 参考文献： Intelligent Transport Systems,2010,4(1):37-49. [1]MIAO Lin,HSU Wenjing.Mining GPS data for mobility pat- [13]PATTERSON DJ,LIAO Like,WANG Longhao,et al.In- ferring high-level behavior from low-level sensors[C]// terns:a survey EB/OL].2014-06-20 http://www.sci- encedirect.com/science/article/pii/S1574119213000825. UbiComp 2003:Ubiquitous Computing.Seattle:Springer [2]谢幸，郑宇基于地理信息的用户行为理解[J刀]计算机学 Berlin Heidelberg,2003:73-89. [14]ZHENG Yu,LIU Like,WANG Longhao,et al.Learning 会通讯，2008,4(10)：45-51. transportation mode from raw GPS data for geographic ap- XIE Xing,ZHEN Yu.To understand user behavior based on plications on the web[C]//Proceedings of the 17th Inter- geographical information [J].Communications of the CCF, national Conference on World Wide Web.Beijing:ACM, 2008.4(10):45-51. 2008:247-256. [3]张治华.基于GPS轨迹的出行信息提取研究[D].上海： [15]ZHENG Yu,CHEN Yukun,LI Quannan,et al.Under- 华东师范大学，2010：15-51 standing transportation modes based on GPS data for web ZHANG Zhihua.Deriving trip information from gps trajecto- applications[J].ACM Transactions on the Web(TWEB), ries[D].Shanghai:East China Normal University,2010:15- 2010,4(1):1-36. 51. [16]ZHENG Yu,LI Quannan,CHEN Yingying,et al.Under- [4]YANG Jun.Toward physical activity diary:motion recogni- standing mobility based on GPS data[C]//Proceedings of tion using simple acceleration features with mobile phones the 10th International Conference on Ubiquitous Computing. [C]//Proceedings of the 1st International workshop on In- South Korea ACM,2008:312-321. teractive multimedia for consumer electronics.Beijing:ACM [17]LIN M,HSU W J,LEE Z Q.Detecting modes of transport Press,2009:1-10. from unlabelled positioning sensor data[J].Journal of Loca- [5]RAVI N,DANDEKAR N,MYSORE P,et al.Activity rec- tion Based Services,2013:1-19. ognition from accelerometer data [C]//Proceedings of [18]LIAO L.Location-based activity recognition[D].Washing- thel7th Conference on Innovative Applications of Artificial ton:University of Washington,2006:1-35. Intelligence.Pittsburgh:AAAI Press,2005:1541-1546. [19]LAFFERTY J,MCCALLUM A,PEREIRA FCN.Condi- [6]WANG S,CHEN C,MA J.Accelerometer based transporta- tional random fields:Probabilistic models for segmenting tion mode recognition on mobile phones[C]//2010 Asia-Pa- and labeling sequence data[C]//Proceedings of Interna- cific Conference on Wearable Computing Systems (AP. tional Conference on Machine Learning.Williams Town: WCS).Shenzhen,China,2010:44-46. ACM.2001:282-289. [7]WANG H,CALABRESE F,DI LORENZO G,et al.Trans- 20]LIAO L.PATTERSON DJ,FOX D,et al.Learning and portation mode inference from anonymized and aggregated inferring transportation routines[J].Artificial Intelligence, mobile phone call detail records[C]//2010 13th Interna- 2007,171(5):311-331. tional IEEE Conference on Intelligent Transportation Systems [21]SUN Zhanbo,BAN Xungang.Vehicle classification using (ITSC).Piscataway:IEEE,2010:318-323. GPS data [J].Transportation Research Part C:Emerging [8]XU Dafeng,SONG Guojie,GAO Peng,et al.Transportation Technologies,2013,37:102-117. modes identification from mobile phone data using probabi- [22]张德欣，刘小明，孙立光，等.基于大规模定位数据的出 listic models[C]//Proceedings of the 7th International Con- 行方式模糊判别研究[J].交通信息与安全，2011,29 ference on Advanced Data Mining and Applications.Beijing: (2):14. China.2011:359-371. ZHANG Dexin,LIU Xiaoming,SUN Liguang,et al.Fuzzy [9]MULLER IAH.Practical activity recognition using GSM data classification of trip mode based on large scale location data [C]//Proceedings of the 5th International Semantic Web [J].Journal of Transport Information and Safety,2011,29 Conference ISWC).Athens,2006:1-8. (2):1-4. [10]ANDERSON I,MULLER H.Exploring GSM data in perva- [23]PARKKA J,ERMES M,KORPIPAA P,et al.Activity sive environments[J].International Journal of Pervasive classification using realistic data from wearable sensors[J. Computing and Communications,2008,4(1):8-25. IEEE Transactions on,2006,10(1):119-128. [11]SOHN T,VARSHAVSKY A,LAMARCA A,et al.Mobili- [24]ERMES M,PARKKA J,MANTYJARVI J,et al.Detection ty detection using everyday gsm traces [C]//UbiComp of daily activities and sports with wearable sensors in con- 2006:Ubiquitous Computing.Orange County:Springer Ber- trolled and uncontrolled conditions[J].IEEE Transactions lin Heidelberg,2006:212-224. on Information Technology in Biomedicine,2008,12(1):

此，设计一个能耗较低、精确度较高的识别方法是未 来研究的重点。 参考文献： ［１］ＭＩＡＯ Ｌｉｎ， ＨＳＵ Ｗｅｎｊｉｎｇ． Ｍｉｎｉｎｇ ＧＰＳ ｄａｔａ ｆｏｒ ｍｏｂｉｌｉｔｙ ｐａｔ⁃ ｔｅｒｎｓ： ａ ｓｕｒｖｅｙ ［ ＥＢ／ ＯＬ］． ［ ２０１４⁃０６⁃２０］ ｈｔｔｐ： ／ ／ ｗｗｗ． ｓｃｉ⁃ ｅｎｃｅｄｉｒｅｃｔ．ｃｏｍ／ ｓｃｉｅｎｃｅ ／ ａｒｔｉｃｌｅ ／ ｐｉｉ ／ Ｓ１５７４１１９２１３０００８２５． ［２］谢幸，郑宇．基于地理信息的用户行为理解［ Ｊ］．计算机学 会通讯， ２００８， ４（１０）： ４５⁃５１． ＸＩＥ Ｘｉｎｇ，ＺＨＥＮ Ｙｕ．Ｔｏ ｕｎｄｅｒｓｔａｎｄ ｕｓｅｒ ｂｅｈａｖｉｏｒ ｂａｓｅｄ ｏｎ ｇｅｏｇｒａｐｈｉｃａｌ ｉｎｆｏｒｍａｔｉｏｎ ［ Ｊ］． Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆ ｔｈｅ ＣＣＦ， ２００８，４（１０）：４５⁃５１． ［３］张治华．基于 ＧＰＳ 轨迹的出行信息提取研究［Ｄ］．上海： 华东师范大学， ２０１０： １５⁃５１． ＺＨＡＮＧ Ｚｈｉｈｕａ． Ｄｅｒｉｖｉｎｇ ｔｒｉｐ ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ ｇｐｓ ｔｒａｊｅｃｔｏ⁃ ｒｉｅｓ［Ｄ］．Ｓｈａｎｇｈａｉ：Ｅａｓｔ Ｃｈｉｎａ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ，２０１０： １５⁃ ５１． ［４］ＹＡＮＧ Ｊｕｎ． Ｔｏｗａｒｄ ｐｈｙｓｉｃａｌ ａｃｔｉｖｉｔｙ ｄｉａｒｙ： ｍｏｔｉｏｎ ｒｅｃｏｇｎｉ⁃ ｔｉｏｎ ｕｓｉｎｇ ｓｉｍｐｌｅ ａｃｃｅｌｅｒａｔｉｏｎ ｆｅａｔｕｒｅｓ ｗｉｔｈ ｍｏｂｉｌｅ ｐｈｏｎｅｓ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １ｓｔ Ｉｎｔｅｒｎａｔｉｏｎａｌ ｗｏｒｋｓｈｏｐ ｏｎ Ｉｎ⁃ ｔｅｒａｃｔｉｖｅ ｍｕｌｔｉｍｅｄｉａ ｆｏｒ ｃｏｎｓｕｍｅｒ ｅｌｅｃｔｒｏｎｉｃｓ． Ｂｅｉｊｉｎｇ： ＡＣＭ Ｐｒｅｓｓ， ２００９： １⁃１０． ［５］ＲＡＶＩ Ｎ， ＤＡＮＤＥＫＡＲ Ｎ， ＭＹＳＯＲＥ Ｐ， ｅｔ ａｌ． Ａｃｔｉｖｉｔｙ ｒｅｃ⁃ ｏｇｎｉｔｉｏｎ ｆｒｏｍ ａｃｃｅｌｅｒｏｍｅｔｅｒ ｄａｔａ ［ Ｃ ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ１７ｔｈ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｎｏｖａｔｉｖｅ Ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ｐｉｔｔｓｂｕｒｇｈ： ＡＡＡＩ Ｐｒｅｓｓ， ２００５： １５４１⁃１５４６． ［６］ＷＡＮＧ Ｓ， ＣＨＥＮ Ｃ， ＭＡ Ｊ． Ａｃｃｅｌｅｒｏｍｅｔｅｒ ｂａｓｅｄ ｔｒａｎｓｐｏｒｔａ⁃ ｔｉｏｎ ｍｏｄｅ ｒｅｃｏｇｎｉｔｉｏｎ ｏｎ ｍｏｂｉｌｅ ｐｈｏｎｅｓ［Ｃ］ ／ ／ ２０１０ Ａｓｉａ⁃Ｐａ⁃ ｃｉｆｉｃ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｅａｒａｂｌｅ Ｃｏｍｐｕｔｉｎｇ Ｓｙｓｔｅｍｓ （ ＡＰ⁃ ＷＣＳ）．Ｓｈｅｎｚｈｅｎ，Ｃｈｉｎａ， ２０１０： ４４⁃４６． ［７］ＷＡＮＧ Ｈ， ＣＡＬＡＢＲＥＳＥ Ｆ， ＤＩ ＬＯＲＥＮＺＯ Ｇ， ｅｔ ａｌ． Ｔｒａｎｓ⁃ ｐｏｒｔａｔｉｏｎ ｍｏｄｅ ｉｎｆｅｒｅｎｃｅ ｆｒｏｍ ａｎｏｎｙｍｉｚｅｄ ａｎｄ ａｇｇｒｅｇａｔｅｄ ｍｏｂｉｌｅ ｐｈｏｎｅ ｃａｌｌ ｄｅｔａｉｌ ｒｅｃｏｒｄｓ［Ｃ］ ／ ／ ２０１０ １３ｔｈ Ｉｎｔｅｒｎａ⁃ ｔｉｏｎａｌ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍｓ （ＩＴＳＣ）． Ｐｉｓｃａｔａｗａｙ： ＩＥＥＥ， ２０１０： ３１８⁃３２３． ［８］ＸＵ Ｄａｆｅｎｇ， ＳＯＮＧ Ｇｕｏｊｉｅ， ＧＡＯ Ｐｅｎｇ， ｅｔ ａｌ． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｍｏｄｅｓ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｒｏｍ ｍｏｂｉｌｅ ｐｈｏｎｅ ｄａｔａ ｕｓｉｎｇ ｐｒｏｂａｂｉ⁃ ｌｉｓｔｉｃ ｍｏｄｅｌｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎ⁃ ｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｄ Ｄａｔａ Ｍｉｎｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ． Ｂｅｉｊｉｎｇ： Ｃｈｉｎａ， ２０１１： ３５９⁃３７１． ［９］ＭＵＬＬＥＲ ＩＡＨ． Ｐｒａｃｔｉｃａｌ ａｃｔｉｖｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ ｕｓｉｎｇ ＧＳＭ ｄａｔａ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｅｍａｎｔｉｃ Ｗｅｂ Ｃｏｎｆｅｒｅｎｃｅ （ＩＳＷＣ）．Ａｔｈｅｎｓ， ２００６： １⁃８． ［１０］ＡＮＤＥＲＳＯＮ Ｉ， ＭＵＬＬＥＲ Ｈ． Ｅｘｐｌｏｒｉｎｇ ＧＳＭ ｄａｔａ ｉｎ ｐｅｒｖａ⁃ ｓｉｖｅ ｅｎｖｉｒｏｎｍｅｎｔｓ ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｐｅｒｖａｓｉｖｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ， ２００８， ４（１）： ８⁃２５． ［１１］ＳＯＨＮ Ｔ， ＶＡＲＳＨＡＶＳＫＹ Ａ， ＬＡＭＡＲＣＡ Ａ， ｅｔ ａｌ． Ｍｏｂｉｌｉ⁃ ｔｙ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｅｖｅｒｙｄａｙ ｇｓｍ ｔｒａｃｅｓ ［ Ｃ］ ／ ／ ＵｂｉＣｏｍｐ ２００６：Ｕｂｉｑｕｉｔｏｕｓ Ｃｏｍｐｕｔｉｎｇ． Ｏｒａｎｇｅ Ｃｏｕｎｔｙ： Ｓｐｒｉｎｇｅｒ Ｂｅｒ⁃ ｌｉｎ Ｈｅｉｄｅｌｂｅｒｇ， ２００６： ２１２⁃２２４． ［１２］ＧＯＮＺＡＬＥＺ Ｐ， ＷＥＩＮＳＴＥＩＮ Ｊ， ＢＡＲＢＥＡＵ Ｓ， ｅｔ ａｌ． Ａｕｔｏ⁃ ｍａｔｉｎｇ ｍｏｄｅ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ａｎｄ ａｓｓｉｓｔｅｄ ＧＰＳ ｄａｔａ ｃｏｌｌｅｃｔｅｄ ｕｓｉｎｇ ｇｐｓ⁃ｅｎａｂｌｅｄ ｍｏｂｉｌｅ ｐｈｏｎｅｓ ［ Ｊ］． Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔ Ｓｙｓｔｅｍｓ， ２０１０， ４（１）： ３７⁃４９． ［１３］ＰＡＴＴＥＲＳＯＮ ＤＪ， ＬＩＡＯ Ｌｉｋｅ， ＷＡＮＧ Ｌｏｎｇｈａｏ， ｅｔ ａｌ． Ｉｎ⁃ ｆｅｒｒｉｎｇ ｈｉｇｈ⁃ｌｅｖｅｌ ｂｅｈａｖｉｏｒ ｆｒｏｍ ｌｏｗ⁃ｌｅｖｅｌ ｓｅｎｓｏｒｓ ［ Ｃ］ ／ ／ ＵｂｉＣｏｍｐ ２００３： Ｕｂｉｑｕｉｔｏｕｓ Ｃｏｍｐｕｔｉｎｇ． Ｓｅａｔｔｌｅ： Ｓｐｒｉｎｇｅｒ Ｂｅｒｌｉｎ Ｈｅｉｄｅｌｂｅｒｇ， ２００３： ７３⁃８９． ［１４］ ＺＨＥＮＧ Ｙｕ， ＬＩＵ Ｌｉｋｅ， ＷＡＮＧ Ｌｏｎｇｈａｏ， ｅｔ ａｌ． Ｌｅａｒｎｉｎｇ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｍｏｄｅ ｆｒｏｍ ｒａｗ ＧＰＳ ｄａｔａ ｆｏｒ ｇｅｏｇｒａｐｈｉｃ ａｐ⁃ ｐｌｉｃａｔｉｏｎｓ ｏｎ ｔｈｅ ｗｅｂ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １７ｔｈ Ｉｎｔｅｒ⁃ ｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ． Ｂｅｉｊｉｎｇ： ＡＣＭ， ２００８： ２４７⁃２５６． ［１５］ ＺＨＥＮＧ Ｙｕ， ＣＨＥＮ Ｙｕｋｕｎ， ＬＩ Ｑｕａｎｎａｎ， ｅｔ ａｌ． Ｕｎｄｅｒ⁃ ｓｔａｎｄｉｎｇ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｍｏｄｅｓ ｂａｓｅｄ ｏｎ ＧＰＳ ｄａｔａ ｆｏｒ ｗｅｂ ａｐｐｌｉｃａｔｉｏｎｓ［ Ｊ］．ＡＣＭ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｔｈｅ Ｗｅｂ（ＴＷＥＢ）， ２０１０， ４（１）： １⁃３６． ［１６］ＺＨＥＮＧ Ｙｕ， ＬＩ Ｑｕａｎｎａｎ， ＣＨＥＮ Ｙｉｎｇｙｉｎｇ， ｅｔ ａｌ． Ｕｎｄｅｒ⁃ ｓｔａｎｄｉｎｇ ｍｏｂｉｌｉｔｙ ｂａｓｅｄ ｏｎ ＧＰＳ ｄａｔａ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｕｂｉｑｕｉｔｏｕｓ Ｃｏｍｐｕｔｉｎｇ． Ｓｏｕｔｈ Ｋｏｒｅａ ＡＣＭ， ２００８： ３１２⁃３２１． ［１７］ＬＩＮ Ｍ， ＨＳＵ Ｗ Ｊ， ＬＥＥ Ｚ Ｑ． Ｄｅｔｅｃｔｉｎｇ ｍｏｄｅｓ ｏｆ ｔｒａｎｓｐｏｒｔ ｆｒｏｍ ｕｎｌａｂｅｌｌｅｄ ｐｏｓｉｔｉｏｎｉｎｇ ｓｅｎｓｏｒ ｄａｔａ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｌｏｃａ⁃ ｔｉｏｎ Ｂａｓｅｄ Ｓｅｒｖｉｃｅｓ， ２０１３： １⁃１９． ［１８］ ＬＩＡＯ Ｌ． Ｌｏｃａｔｉｏｎ⁃ｂａｓｅｄ ａｃｔｉｖｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ［Ｄ］．Ｗａｓｈｉｎｇ⁃ ｔｏｎ： Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｗａｓｈｉｎｇｔｏｎ，２００６：１⁃３５． ［１９］ ＬＡＦＦＥＲＴＹ Ｊ， ＭＣＣＡＬＬＵＭ Ａ， ＰＥＲＥＩＲＡ ＦＣＮ． Ｃｏｎｄｉ⁃ ｔｉｏｎａｌ ｒａｎｄｏｍ ｆｉｅｌｄｓ： Ｐｒｏｂａｂｉｌｉｓｔｉｃ ｍｏｄｅｌｓ ｆｏｒ ｓｅｇｍｅｎｔｉｎｇ ａｎｄ ｌａｂｅｌｉｎｇ ｓｅｑｕｅｎｃｅ ｄａｔａ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｉｎｔｅｒｎａ⁃ ｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ． Ｗｉｌｌｉａｍｓ Ｔｏｗｎ： ＡＣＭ， ２００１： ２８２⁃２８９． ［２０］ＬＩＡＯ Ｌ， ＰＡＴＴＥＲＳＯＮ ＤＪ， ＦＯＸ Ｄ， ｅｔ ａｌ． Ｌｅａｒｎｉｎｇ ａｎｄ ｉｎｆｅｒｒｉｎｇ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｒｏｕｔｉｎｅｓ［ Ｊ］． Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２００７， １７１（５）： ３１１⁃３３１． ［２１］ ＳＵＮ Ｚｈａｎｂｏ， ＢＡＮ Ｘｕｎｇａｎｇ． Ｖｅｈｉｃｌｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ＧＰＳ ｄａｔａ ［ Ｊ］． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｐａｒｔ Ｃ： Ｅｍｅｒｇｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ， ２０１３， ３７： １０２⁃１１７． ［２２］张德欣，刘小明，孙立光，等． 基于大规模定位数据的出 行方式模糊判别研究［ Ｊ］． 交通信息与安全， ２０１１， ２９ （２）： １⁃４． ＺＨＡＮＧ Ｄｅｘｉｎ， ＬＩＵ Ｘｉａｏｍｉｎｇ， ＳＵＮ Ｌｉｇｕａｎｇ， ｅｔ ａｌ． Ｆｕｚｚｙ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｔｒｉｐ ｍｏｄｅ ｂａｓｅｄ ｏｎ ｌａｒｇｅ ｓｃａｌｅ ｌｏｃａｔｉｏｎ ｄａｔａ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｔｒａｎｓｐｏｒｔ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｓａｆｅｔｙ， ２０１１， ２９ （２）： １⁃４． ［２３］ ＰＡＲＫＫＡ Ｊ， ＥＲＭＥＳ Ｍ， ＫＯＲＰＩＰＡＡ Ｐ， ｅｔ ａｌ． Ａｃｔｉｖｉｔｙ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ｒｅａｌｉｓｔｉｃ ｄａｔａ ｆｒｏｍ ｗｅａｒａｂｌｅ ｓｅｎｓｏｒｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ， ２００６， １０（１）： １１９⁃１２８． ［２４］ＥＲＭＥＳ Ｍ， ＰＡＲＫＫＡ Ｊ， ＭＡＮＴＹＪＡＲＶＩ Ｊ， ｅｔ ａｌ． Ｄｅｔｅｃｔｉｏｎ ｏｆ ｄａｉｌｙ ａｃｔｉｖｉｔｉｅｓ ａｎｄ ｓｐｏｒｔｓ ｗｉｔｈ ｗｅａｒａｂｌｅ ｓｅｎｓｏｒｓ ｉｎ ｃｏｎ⁃ ｔｒｏｌｌｅｄ ａｎｄ ｕｎｃｏｎｔｒｏｌｌｅｄ ｃｏｎｄｉｔｉｏｎｓ ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ Ｂｉｏｍｅｄｉｃｉｎｅ， ２００８， １２（１）： ·５４２· 智 能 系 统 学 报 第 ９ 卷

第5期 肖艳丽，等：移动数据的交通出行方式识别方法研究综述 ·543. 20-26. 2007,171(5):311-331 [25]BAO L,INTILLE SS.Activity recognition from user-anno- [37]CHUNG E H,SHALABY A.A trip reconstruction tool for tated acceleration data[C]//Proceceedings of the 2nd In- GPS-based personal travel surveys[J].Transportation Plan- ternational Conference on Pervasive Computing.Vienna: ning and Technology,2005,28(5):381-401. Springer Berlin Heidelberg,2004:1-17. [38]周小红，刘松.基于GS的城市交通出行方式自动识别 [26]LESTER J,CHOUDHURY T,BORRIELLO G.A practical 模型[J].现代测绘，2013,36(3)：46-48. approach to recognizing physical activities[M]//Pervasive [39]YAN Z,SUBBARAJU V,CHAKRABORTY D,et al.En- Computing.Berlin:Springer Berlin Heidelberg,2006:1- ergy efficient continuous activity recognition on mobile 16 phones:an activity-adaptive approach[C]//2012 16th In- [27]TROPED P J,OLIVEIRA M S,MATTHEWS C E,et al. ternational Symposium on Wearable Computers (ISWC). Prediction of activity mode with global positioning system Newcastle:IEEE,2012:17-24. and accelerometer data[J].Medicine and Science in Sports [40]WANG Y I,LIN JIALIU.ANNAVARAM M,et al.A and Exercise,.2008,40(5):972-979. framework of energy efficient mobile sensing for automatic [28]REDDY S,MUN M,BURKE J,et al.Using mobile user state recognition[C]//Proceedings of the 7th Interna- phones to determine transportation modes[J].ACM Trans- tional Conference on Mobile Systems,Applications,and actions on Sensor Networks(TOSN),2010,6(2):13-40. Services.ACM,Krakow,2009:179-192. [29]MILUZZO E,LANE ND,FODOR K,et al.Sensing meets [41]YU MC,YU T,LIN C J,et al.Low power and low cost mobile social networks:the design,implementation and e. sensor hub for transportation-mode detection EB/OL]. valuation of the CenceMe application [C]//Proceedings of [2013-02-03 ]Studio Engineering,HTC,Tech Rep, the 6th ACM Conference on Embedded Network sensor Sys- 2013.http://www.csie.ntu.edu.tw/cjlin/papers/transporta- tems.Raleigh:ACM Press,2008:337-350. tion-mode/transportation.pdf. [30]MUN M,ESTRIN D,BURKE J,et al.Parsimonious mob- [42]YU T,WANG S C.YU M C,et al.Careful use of machine ility classification using GSM and WiFi traces C]//Pro- learning methods is needed for mobile applications:a case ceedings of the 5th Workshop on Embedded Networked study on transportation-mode detection[R].Studio Engi- Sensors HotEmNets).Charlottesville:ACM,2008:1-5. neering,HTC,2013. [31]MUN MY,SEO YW.Everyday mobility context classifica- [43]MUNISANKAR M,NAGENDRA R.Transportation Mode tion using radio beacons[C]//Consumer Communications Recognition with Zigbee Using Accelerometer[J].Interna- and Networking Conference.Las Vegas:IEEE,2013:112- tional Journal of Emerging Technology and Advanced Engi- 117. neering,2012,2(5):155-163. [32]STOPHER P,FITZGERALD C,ZHANG J.Search for a 作者简介： global positioning system device to measure person travel 肖艳丽，女.1989年生，主要研究 [J].Transportation Research Part C:Emerging Technolo- 方向为数据挖掘、模式识别技术等。 gies,2008,16(3):350-369. [33]STENNETH L.WOLFSON O,YU P S,et al.Transporta- tion mode detection using mobile phones and GIS informa- tion[C]//Proceedings of the 19th ACM SIGSPATIAL In- ternational Conference on Advances in Geographic Informa- 张振宇，男1964年生，副教授，主 tion Systems.Chicago:ACM,2011:54-63. 要研究方向为模式识别技术、数据挖 [34]TSUI S Y A,SHALABY A S.Enhanced system for link 掘、移动对等网铬、机会网络等。 and mode identification for personal travel surveys based on global positioning systems[J].Transportation Research Re- cord:Journal of the Transportation Research Board,2006, 1972(1):38-45. 杨文忠，男，1971年生，博士，副教 [35]GONG H,CHEN C,BIALOSTOZKY E,et al.A GPS/GIS 授。主要研究方向为，物联网、数据挖 method for travel mode detection in New York City[J]. 掘、信息安全等。 Computers,Environment and Urban Systems,2012,36 (2):131-139. [36]LIAO L,PATTERSON D J,FOX D,et al.Learning and inferring transportation routines[J]Artificial Intelligence

２０⁃２６． ［２５］ＢＡＯ Ｌ， ＩＮＴＩＬＬＥ ＳＳ． Ａｃｔｉｖｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ ｆｒｏｍ ｕｓｅｒ⁃ａｎｎｏ⁃ ｔａｔｅｄ ａｃｃｅｌｅｒａｔｉｏｎ ｄａｔａ［Ｃ］ ／ ／ Ｐｒｏｃｅｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２ｎｄ Ｉｎ⁃ ｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐｅｒｖａｓｉｖｅ Ｃｏｍｐｕｔｉｎｇ． Ｖｉｅｎｎａ： Ｓｐｒｉｎｇｅｒ Ｂｅｒｌｉｎ Ｈｅｉｄｅｌｂｅｒｇ， ２００４： １⁃１７． ［２６］ＬＥＳＴＥＲ Ｊ， ＣＨＯＵＤＨＵＲＹ Ｔ， ＢＯＲＲＩＥＬＬＯ Ｇ．Ａ ｐｒａｃｔｉｃａｌ ａｐｐｒｏａｃｈ ｔｏ ｒｅｃｏｇｎｉｚｉｎｇ ｐｈｙｓｉｃａｌ ａｃｔｉｖｉｔｉｅｓ［Ｍ］ ／ ／ Ｐｅｒｖａｓｉｖｅ Ｃｏｍｐｕｔｉｎｇ． Ｂｅｒｌｉｎ： Ｓｐｒｉｎｇｅｒ Ｂｅｒｌｉｎ Ｈｅｉｄｅｌｂｅｒｇ， ２００６： １⁃ １６ ［２７］ＴＲＯＰＥＤ Ｐ Ｊ， ＯＬＩＶＥＩＲＡ Ｍ Ｓ， ＭＡＴＴＨＥＷＳ Ｃ Ｅ， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ａｃｔｉｖｉｔｙ ｍｏｄｅ ｗｉｔｈ ｇｌｏｂａｌ ｐｏｓｉｔｉｏｎｉｎｇ ｓｙｓｔｅｍ ａｎｄ ａｃｃｅｌｅｒｏｍｅｔｅｒ ｄａｔａ［Ｊ］．Ｍｅｄｉｃｉｎｅ ａｎｄ Ｓｃｉｅｎｃｅ ｉｎ Ｓｐｏｒｔｓ ａｎｄ Ｅｘｅｒｃｉｓｅ， ２００８， ４０（５）： ９７２⁃９７９． ［２８］ ＲＥＤＤＹ Ｓ， ＭＵＮ Ｍ， ＢＵＲＫＥ Ｊ， ｅｔ ａｌ． Ｕｓｉｎｇ ｍｏｂｉｌｅ ｐｈｏｎｅｓ ｔｏ ｄｅｔｅｒｍｉｎｅ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｍｏｄｅｓ［ Ｊ］．ＡＣＭ Ｔｒａｎｓ⁃ ａｃｔｉｏｎｓ ｏｎ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋｓ（ＴＯＳＮ）， ２０１０， ６（２）： １３⁃４０． ［２９］ＭＩＬＵＺＺＯ Ｅ， ＬＡＮＥ ＮＤ， ＦＯＤＯＲ Ｋ， ｅｔ ａｌ． Ｓｅｎｓｉｎｇ ｍｅｅｔｓ ｍｏｂｉｌｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ： ｔｈｅ ｄｅｓｉｇｎ， ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ａｎｄ ｅ⁃ ｖａｌｕａｔｉｏｎ ｏｆ ｔｈｅ ＣｅｎｃｅＭｅ ａｐｐｌｉｃａｔｉｏｎ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ６ｔｈ ＡＣＭ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｍｂｅｄｄｅｄ Ｎｅｔｗｏｒｋ ｓｅｎｓｏｒ Ｓｙｓ⁃ ｔｅｍｓ． Ｒａｌｅｉｇｈ： ＡＣＭ Ｐｒｅｓｓ， ２００８： ３３７⁃３５０． ［３０］ＭＵＮ Ｍ， ＥＳＴＲＩＮ Ｄ， ＢＵＲＫＥ Ｊ， ｅｔ ａｌ． Ｐａｒｓｉｍｏｎｉｏｕｓ ｍｏｂ⁃ ｉｌｉｔｙ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ＧＳＭ ａｎｄ ＷｉＦｉ ｔｒａｃｅｓ ［ Ｃ］ ／ ／ Ｐｒｏ⁃ ｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ５ｔｈ Ｗｏｒｋｓｈｏｐ ｏｎ Ｅｍｂｅｄｄｅｄ Ｎｅｔｗｏｒｋｅｄ Ｓｅｎｓｏｒｓ （ＨｏｔＥｍＮｅｔｓ）．Ｃｈａｒｌｏｔｔｅｓｖｉｌｌｅ：ＡＣＭ， ２００８： １⁃５． ［３１］ＭＵＮ ＭＹ， ＳＥＯ ＹＷ． Ｅｖｅｒｙｄａｙ ｍｏｂｉｌｉｔｙ ｃｏｎｔｅｘｔ ｃｌａｓｓｉｆｉｃａ⁃ ｔｉｏｎ ｕｓｉｎｇ ｒａｄｉｏ ｂｅａｃｏｎｓ ［ Ｃ］ ／ ／ Ｃｏｎｓｕｍｅｒ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒｋｉｎｇ Ｃｏｎｆｅｒｅｎｃｅ．Ｌａｓ Ｖｅｇａｓ：ＩＥＥＥ， ２０１３： １１２⁃ １１７． ［３２］ ＳＴＯＰＨＥＲ Ｐ， ＦＩＴＺＧＥＲＡＬＤ Ｃ， ＺＨＡＮＧ Ｊ． Ｓｅａｒｃｈ ｆｏｒ ａ ｇｌｏｂａｌ ｐｏｓｉｔｉｏｎｉｎｇ ｓｙｓｔｅｍ ｄｅｖｉｃｅ ｔｏ ｍｅａｓｕｒｅ ｐｅｒｓｏｎ ｔｒａｖｅｌ ［Ｊ］． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｐａｒｔ Ｃ： Ｅｍｅｒｇｉｎｇ Ｔｅｃｈｎｏｌｏ⁃ ｇｉｅｓ， ２００８， １６（３）： ３５０⁃３６９． ［３３］ＳＴＥＮＮＥＴＨ Ｌ， ＷＯＬＦＳＯＮ Ｏ， ＹＵ Ｐ Ｓ， ｅｔ ａｌ． Ｔｒａｎｓｐｏｒｔａ⁃ ｔｉｏｎ ｍｏｄｅ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｍｏｂｉｌｅ ｐｈｏｎｅｓ ａｎｄ ＧＩＳ ｉｎｆｏｒｍａ⁃ ｔｉｏｎ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １９ｔｈ ＡＣＭ ＳＩＧＳＰＡＴＩＡＬ Ｉｎ⁃ ｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｓ ｉｎ Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａ⁃ ｔｉｏｎ Ｓｙｓｔｅｍｓ． Ｃｈｉｃａｇｏ：ＡＣＭ， ２０１１： ５４⁃６３． ［３４］ ＴＳＵＩ Ｓ Ｙ Ａ， ＳＨＡＬＡＢＹ Ａ Ｓ． Ｅｎｈａｎｃｅｄ ｓｙｓｔｅｍ ｆｏｒ ｌｉｎｋ ａｎｄ ｍｏｄｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｏｒ ｐｅｒｓｏｎａｌ ｔｒａｖｅｌ ｓｕｒｖｅｙｓ ｂａｓｅｄ ｏｎ ｇｌｏｂａｌ ｐｏｓｉｔｉｏｎｉｎｇ ｓｙｓｔｅｍｓ［Ｊ］．Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｒｅ⁃ ｃｏｒｄ： Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｂｏａｒｄ， ２００６， １９７２（１）： ３８⁃４５． ［３５］ＧＯＮＧ Ｈ， ＣＨＥＮ Ｃ， ＢＩＡＬＯＳＴＯＺＫＹ Ｅ， ｅｔ ａｌ． Ａ ＧＰＳ ／ ＧＩＳ ｍｅｔｈｏｄ ｆｏｒ ｔｒａｖｅｌ ｍｏｄｅ ｄｅｔｅｃｔｉｏｎ ｉｎ Ｎｅｗ Ｙｏｒｋ Ｃｉｔｙ ［ Ｊ］． Ｃｏｍｐｕｔｅｒｓ， Ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ Ｕｒｂａｎ Ｓｙｓｔｅｍｓ， ２０１２， ３６ （２）： １３１⁃１３９． ［３６］ＬＩＡＯ Ｌ， ＰＡＴＴＥＲＳＯＮ Ｄ Ｊ， ＦＯＸ Ｄ， ｅｔ ａｌ． Ｌｅａｒｎｉｎｇ ａｎｄ ｉｎｆｅｒｒｉｎｇ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｒｏｕｔｉｎｅｓ［Ｊ］．Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２００７， １７１（５）： ３１１⁃３３１． ［３７］ＣＨＵＮＧ Ｅ Ｈ， ＳＨＡＬＡＢＹ Ａ．Ａ ｔｒｉｐ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｔｏｏｌ ｆｏｒ ＧＰＳ⁃ｂａｓｅｄ ｐｅｒｓｏｎａｌ ｔｒａｖｅｌ ｓｕｒｖｅｙｓ［Ｊ］．Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｐｌａｎ⁃ ｎｉｎｇ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， ２００５， ２８（５）： ３８１⁃４０１． ［３８］周小红，刘松． 基于 ＧＩＳ 的城市交通出行方式自动识别 模型 ［Ｊ］．现代测绘，２０１３，３６（３）：４６⁃４８． ［３９］ＹＡＮ Ｚ， ＳＵＢＢＡＲＡＪＵ Ｖ， ＣＨＡＫＲＡＢＯＲＴＹ Ｄ， ｅｔ ａｌ． Ｅｎ⁃ ｅｒｇｙ ｅｆｆｉｃｉｅｎｔ ｃｏｎｔｉｎｕｏｕｓ ａｃｔｉｖｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ ｏｎ ｍｏｂｉｌｅ ｐｈｏｎｅｓ： ａｎ ａｃｔｉｖｉｔｙ⁃ａｄａｐｔｉｖｅ ａｐｐｒｏａｃｈ［Ｃ］ ／ ／ ２０１２ １６ｔｈ Ｉｎ⁃ ｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｗｅａｒａｂｌｅ Ｃｏｍｐｕｔｅｒｓ （ ＩＳＷＣ）． Ｎｅｗｃａｓｔｌｅ： ＩＥＥＥ， ２０１２：１７⁃２４． ［４０］ ＷＡＮＧ Ｙ Ｉ， ＬＩＮ ＪＩＡＬＩＵ， ＡＮＮＡＶＡＲＡＭ Ｍ， ｅｔ ａｌ． Ａ ｆｒａｍｅｗｏｒｋ ｏｆ ｅｎｅｒｇｙ ｅｆｆｉｃｉｅｎｔ ｍｏｂｉｌｅ ｓｅｎｓｉｎｇ ｆｏｒ ａｕｔｏｍａｔｉｃ ｕｓｅｒ ｓｔａｔｅ ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ７ｔｈ Ｉｎｔｅｒｎａ⁃ ｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｏｂｉｌｅ Ｓｙｓｔｅｍｓ， Ａｐｐｌｉｃａｔｉｏｎｓ， ａｎｄ Ｓｅｒｖｉｃｅｓ．ＡＣＭ，Ｋｒａｋóｗ， ２００９：１７９⁃１９２． ［４１］ＹＵ ＭＣ， ＹＵ Ｔ， ＬＩＮ Ｃ Ｊ， ｅｔ ａｌ． Ｌｏｗ ｐｏｗｅｒ ａｎｄ ｌｏｗ ｃｏｓｔ ｓｅｎｓｏｒ ｈｕｂ ｆｏｒ ｔｒａｎｓｐｏｒｔａｔｉｏｎ⁃ｍｏｄｅ ｄｅｔｅｃｔｉｏｎ ［ ＥＢ／ ＯＬ ］． ［ ２０１３⁃０２⁃０３ ］． Ｓｔｕｄｉｏ Ｅｎｇｉｎｅｅｒｉｎｇ， ＨＴＣ， Ｔｅｃｈ Ｒｅｐ， ２０１３．ｈｔｔｐ： ／ ／ ｗｗｗ． ｃｓｉｅ．ｎｔｕ． ｅｄｕ．ｔｗ／ ｃｊｌｉｎ ／ ｐａｐｅｒｓ／ ｔｒａｎｓｐｏｒｔａ⁃ ｔｉｏｎ⁃ｍｏｄｅ ／ ｔｒａｎｓｐｏｒｔａｔｉｏｎ．ｐｄｆ． ［４２］ＹＵ Ｔ， ＷＡＮＧ Ｓ Ｃ， ＹＵ Ｍ Ｃ， ｅｔ ａｌ． Ｃａｒｅｆｕｌ ｕｓｅ ｏｆ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄｓ ｉｓ ｎｅｅｄｅｄ ｆｏｒ ｍｏｂｉｌｅ ａｐｐｌｉｃａｔｉｏｎｓ： ａ ｃａｓｅ ｓｔｕｄｙ ｏｎ ｔｒａｎｓｐｏｒｔａｔｉｏｎ⁃ｍｏｄｅ ｄｅｔｅｃｔｉｏｎ ［ Ｒ］． Ｓｔｕｄｉｏ Ｅｎｇｉ⁃ ｎｅｅｒｉｎｇ，ＨＴＣ，２０１３． ［４３］ ＭＵＮＩＳＡＮＫＡＲ Ｍ， ＮＡＧＥＮＤＲＡ Ｒ． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｍｏｄｅ Ｒｅｃｏｇｎｉｔｉｏｎ ｗｉｔｈ Ｚｉｇｂｅｅ Ｕｓｉｎｇ Ａｃｃｅｌｅｒｏｍｅｔｅｒ［ Ｊ］． Ｉｎｔｅｒｎａ⁃ ｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｅｍｅｒｇｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｄｖａｎｃｅｄ Ｅｎｇｉ⁃ ｎｅｅｒｉｎｇ，２０１２，２（５）：１５５⁃１６３． 作者简介： 肖艳丽，女，１９８９ 年生，主要研究 方向为数据挖掘、模式识别技术等。 张振宇，男 １９６４ 年生，副教授，主 要研究方向为模式识别技术、数据挖 掘、移动对等网络、机会网络等。 杨文忠，男，１９７１ 年生，博士，副教 授。 主要研究方向为，物联网、数据挖 掘、信息安全等。 第 ５ 期 肖艳丽，等：移动数据的交通出行方式识别方法研究综述 ·５４３·