基于智能手机的交通方式识别的研究
随着移动互联网的普及，各种有关移动互联网的应用蕴含着巨大的商机，交通方式的自动判别显而易见在交通规划领域和LBS（基于位置的服务）领域拥有着广阔的应用价值。
1 交通方式识别关键技术研究
1.1 交通方式识别概述
模式是客观事物活动的方式，它包括客观事物本身，也包括有客观事物在时间和空间分布的信息。时间万物都有其独特性，这种独特性可用三个方面来理解，即可观察性、可区分性和相似性。
在AI（人工智能）领域，模式识别已经是一个重要的分支，和人类自身的识别系统相比，计算机的模式识别，其优势在于计算机拥有极强的计算能力，他可以储存数量极大的样本，并通过对这些样本的分析来提取特征，而完成这些工作，计算机是高效的。如图1所示为计算机模式识别系统的五个基本组成单元。
如图1所示，现阶段的模式识别系统一般都是由五个基本单元来组成。
（1）数据获取单元；（2）预处理单元；（3）特征提取和选择单元；（4）分类器设计单元；（5）决策单元。
1.2 定位技术研究
1.2.1 基站定位技术
在各种定位技术中，基站定位技术是最早开始应用的，基站定位目前采用的主要技术是COO（Cell of Origin）技术，COO技术的基本原理是，在移动终端登录到网络以后会上报自己的小区ID，移动网络会据此估算用户的当前位置，如图2所示。
1.2.2 GPS定位技术
GPS由卫星、地面监控系统和移动终端三个部分组成。卫星提供精密的时间标准并提供定位信息，地面监控系统主要是对卫星工作状态和运行轨道的监控。
1.2.3 A-GPS定位技术
A-GPS定位技术，即辅助GPS定位技术，它是一种对GPS定位方法的改进，A-GPS定位技术仍然无法解决数据缺失和数据漂移问题，但由于有A-GPS服务器的存在，它可以起到很多辅助的作用。
1.3 典型识别算法研究
在数据挖掘、机器学习和模式识别等领域中，都需要分类算法，分类算法可以分为三个步骤：（1）对已知类别训练集进行分析；（2）生成分类规则；（3）通过规则预测新数据的类别。
2 基于智能手机功能的交通方式识别研究
2.1 数据采集
按照现阶段智能手机的流行配置，本系统要求智能手机含有GPS模块、加速度传感器、陀螺仪、声音传感器和SIM卡。因为现在一般的智能手机都能够满足这个要求，本文就不再赘述手机选型。但是采样频率还是需要预先设定：GPS数据每秒采样1次，加速度传感器和陀螺仪的采样频率为32Hz，声音传感器每秒采样30次。
2.2 特征提取
特征量主要包括时域上的特征量，如均值、过均值率、标准差、中位数、最大值与最小值的差、个数等，频域上的特征量包括和、方差两类。
（1）与速度相关的特征量；（2）与加速度相关的特征量；（3）与声音相关的特征量；（4）与交通站点相关的特征量。
2.3 基于改进随机森林算法的模式识别
获取所有的特征之后，随机森林算法过程可做如下描述：（1）输入的数据即样本集，每个样本包含有若干个特征属性和一个类别属性。（2）训练样本集由Bagging方法随机抽取，最后形成的是由N个样本组成的训练样本集。（3）从样本的特征属性中抽取部分属性作为分裂属性。（4）以上步骤重复n次，最后形成由n棵决策树构成的森林，最后再进行汇总排序。
2.4 特征量有效性的验证
特征量有效性的验证即比较使用和不使用的情况下F值的大小就可以了。
2.4.1 陀螺仪
如图3所示为陀螺仪有效性验证结果，验证结果表明，在不使用陀螺仪的情况下， 8种类别的F值均有下降，这也说明，陀螺仪的引入对于交通方式识别起到了一定的作用。
2.4.2 声音传感器
如图4所示为声音传感器有效性验证结果，验证结果表明，相比较陀螺仪，声音传感器的引入对于交通方式识别起到的作用更大。
2.5 模型简化
（1）特征重要性排序；（2）模型简化结果。
模型简化包含两个部分，一个是特征集的简化，那么在特征集简化之后，就可以进行模型本身的简化。
3 总结与展望
交通方式识别最重要的就在于识别的精度以及易实施性，在易实施性方面智能手机拥有先天的优势，比如利用手机的GPS模块和加速度传感器进行交通方式识别的研究论述就有不少，但是识别的精度仍然不够，正是基于此，本文期望能够在以下两个方面对交通方式识别进行更加深入的研究：（1）引入多种数据来源，解决交通方式识别中数据来源单一的问题，并研究在新的数据来源被引入后，对识别准确率的影响。（2）研究不同交通方式识别算法对识别准确率的影响，特别是比较随机森林算法和支持向量机算法在性能上的异同。
