朱少武，孙海春，罗万杰，赵晓凡

(中国人民公安大学 信息技术与网络安全学院，北京 102623)

伴随着移动通讯设备普及应用，全球定位系统(global position system, GPS)产生的数据对个人位置的展现越来越充分。依据GPS数据识别个人的交通出行模式，可以对居民出行信息准确摸排，有助于城市交通规划和管理，解决当前城市中存在的公交线路规划、交通拥堵等问题；也可分析个人的出行特点，并有针对地推荐相关服务。利用转换点识别算法识别出GPS轨迹数据中的出行模式转换点，可以分段对GPS数据进行分析研判，给出出行模式标签，最终得到整段GPS数据的出行模式变化过程。

分类算法的不同对最终识别结果的精度有很大的影响。出行模式识别算法主要使用神经网络、随机森林、支持向量机等分类算法。Liang等[1]利用卷积神经网络(convolutional neural networks，CNN)进行识别，并加入一些滤波算法对数据进行平滑处理来降低数据的波动，其最高识别精度在94%左右。Xiao等[2]利用贝叶斯网络和K2算法，最终得到的步行模式识别率超过97%。Martin等[3]开发了一种新的分类算法，并与K近邻分类算法(k-nearest neighbor，KNN)和随机森林算法进行对比，实验表明结合随机森林算法的识别准确率更高，约为94%。Zhu等[4]提出一种出行模式选择模型和一种有向图引导的融合Lasso方法，降低了出行模式研判算法的时间复杂度。Guvensan等[5]提出基于分段的传输模式检测体系结构，其综合识别准确率在93%左右。此外，有效的识别特征对提升出行模式识别准确率很有帮助。Sun等[6]结合谱聚类分析和隐Markov模型，加入位置信息和信号强度等特征，得到的出行模式算法平均识别准确率超过93%。……