一种交通模式行为识别方法及相应的识别模型构建方法
【技术领域】
[0001]本发明涉及普适计算、移动互联网及城市规划等技术领域，具体地说，本发明涉及一种交通模式行为识别方法及相应的识别模型构建方法。
【背景技术】
[0002]利用传感数据识别用户的日常行为是普适计算领域的重要研究问题。交通模式行为(走路、骑单车、坐公交等)作为众多日常行为的一个子类，蕴含大量与用户的运动轨迹、生活规律等相关的信息。精准而有效地捕捉用户日常的交通模式行为，进而分析用户行为习惯和日常生活轨迹，对智能移动服务、健康监护、城市规划等多个领域都具有重要的作用。例如:利用交通模式行为识别技术，可以挖掘用户的日常轨迹信息和具体的出行方式；可以针对开车或坐车等进行合理的劝导，倡导绿色出行和健康出行。另外，大量用户交通模式行为数据的积累有利于城市规划、道路设计、公交路线优化等，具有广泛而重要的价值。随着移动终端的日益普及和终端内嵌的传感器件的发展，基于传感器非干扰地识别用户日常的交通模式行为已成为普适计算领域的研究热点。
[0003]近年来，基于传感器的非干扰交通模式识别主要是:从传感器所采集数据中提取一系列特征作为特征集，通过对特征集进行分析处理建立和训练识别模型，利用该模型识别用户的多种交通模式行为，例如中国专利CN 201210185649等。这些方案都是试图寻找由某些固定特征组成的最优特征集以及寻找某个特定的最佳数学模型作为识别模型，然后再用这个最优特征集和识别模型来识别出具体的交通模式。然而，交通模式行为的类别众多，不同交通模式行为之间的相似度高，同种交通模式行为内部的差异性大，这些因素导致目前的交通识别方案的识别精度均不能令人满意，越来越难以满足实际应用的要求。
[0004]因此，当前迫切需要一种能够对用户交通模式的准确区分的基于传感器数据的交通模式识别解决方案。
【发明内容】
[0005]因此，本发明的任务是提供一种能够克服现有技术的上述缺陷的交通模式解决方案。
[0006]根据本发明的一个方面，提供了一种交通模式行为识别模型构建方法，其特征在于，包括下列步骤:
[0007]1)对具体交通模式行为进行多层次的归类，建立相应的分类树，其中所述分类树的每一个节点都代表一个类别，所述分类树的父节点下的子节点代表对该父节点对应类别进一步分类后所得到的子类，所述分类树的叶节点代表具体交通模式行为；
[0008]2)对于分类树中每一个父节点的分类问题，基于随机森林模型，根据识别精度选择对应该分类问题的测试样本的最优特征集;其中所述父节点的分类问题是如何将样本从该父节点对应类别划分至其子节点对应类别的分类问题；
[0009]3)对于分类树中每一个父节点的分类问题，基于步骤2)所得出的该父节点所对应的最优特征集，选择一个最优分类模型作为该父节点所对应的子分类模型。
[0010]其中，所述步骤2)中，所述识别精度是:基于随机森林模型准确识别出类别的测试样本个数除以测试样本总个数;所述测试样本是:对已知的具体交通模式行为所采集的多种传感器数据的特征向量;所述特征向量包括所述传感器数据的多个特征，所述最优特征集中的特征在所述特征向量的范围内选择。
[0011]其中，所述步骤2)中，所述传感器数据包括:加速度计、陀螺仪和磁力计数据。
[0012]其中，所述步骤2)中，所述传感器数据还包括:基于卫星定位技术获得的速度数据。
[0013]其中，所述步骤1)中，所述分类树的第一层子类包括“静止”和“非静止行为”；所述“非静止行为”的子类包括:“机动行为”和“非机动行为”。
[0014]其中，所述步骤1)中，所述“非机动行为”的子类包括:“走路”、“跑步”和“骑车”；所述“机动行为”的子类包括:“乘公交”、“乘地铁”和“乘火车”。
[0015]其中，所述步骤2)中，选择最优特征集的过程包括:
[0016]2 1 )根据基于特征集F e a t u r e S e t 1的训练样本集训练随机森林模型RandomForestl，并计算模型的识别精度Accuracy 1;所述训练样本集是所述测试样本所组成的集合；
[0017]22)统计特征集FeatureSetl中各个特征在模型RandomForestl中的特征使用频率，将特征按照频率从大到小排序;其中特征使用频率是:随机森林中使用该特征的决策树个数除以随机森林中包含的决策树总个数；
[0018]23)从特征集FeatureSetl中删掉使用频率取值较小的特征，剩余的特征组成特征集FeatureSet2；
[0019]2 4 )根据基于特征集F e a t u r e S e t 2的训练样本集训练随机森林模型RandomForest2，计算该随机森林模型RandomForest2的识别精度Accuracy2 ；
[0020]25)对比Accuracy2与Accuracyl，若Accuracy2小于Accuracyl，则进入步骤26);反之，用特征集FeatureSet2替换FeatureSetl，模型RandomForest2替换模型RandomForestl，精度Accuracy2替换精度Accuracyl，重新执行步骤22)；
[0021 ] 26)将特征集FeatureSetl作为最优特征集。
[0022]其中，所述步骤2)中，测试样本中初始的特征向量包括:均值、标准方差、过零率、百分位数、关联系数、功率谱密度、频域熵和谱峰位置。
[0023]根据本发明的另一方面，提供了一种交通模式行为识别方法，其特征在于，包括下列步骤:
[0024]a)获取基于多种传感器数据的待识别样本；
[0025]b)读取多层次异构的交通模式行为识别模型的分类树，将根节点作为当前节点；
[0026]c)根据当前节点子分类问题所对应的最优特征子集，生成基于最优特征子集的测试样本；
[0027]d)根据当前子分类问题所对应的最优分类模型，对基于最优特征子集的测试样本进行分类，得到下一层的类别；
[0028]e)如果所识别出的下一层类别为最底层类别，输出识别结果，转步骤f);否则，将所识别出的下一层类别的节点作为当前节点，待识别样本进入当前节点，转步骤c);
[0029]其中所述交通模式行为识别模型是根据前文所述的识别模型构建方法所生成的识别模型。
[0030]与现有技术相比，本发明具有下列技术效果:
[0031]1、本发明能够更加准确地区分具体的交通模式行为，例如:走路、跑步、骑车、乘公交车、开车、乘地铁、乘火车、乘轻轨等。
[0032]2、本发明的计算复杂度相对较小。
【附图说明】
[0033]以下，结合附图来详细说明本发明的实施例，其中:
[0034]图1示出了本发明一个实施例中建立和训练该识别模型的过程的流程图；
[0035]图2示出了本发明一个实施例中的多层次交通模式行为识别的构架图；
[0036]图3示出了本发明一个实施例中每个特定分类的特征选择过程的流程图。
【具体实施方式】
[0037]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明提出的基于多源传感器的层次异构交通模式行为识别模型及相应的交通模式行为识别方法进一步详细说明。应当理解，此处所描述的具体实施方法仅仅用以解释本发明，并不用于限定本发明。
[0038]根据本发明的一个实施例，提供了一种基于多源传感器的层次异构交通模式行为识别模型，图1示出了建立和训练该识别模型的过程，它主要包括三个步骤:层次划分、特征选择、模型选择。下面分别介绍这三个步骤。
[0039]—、层次划分
[0