[发明专利]用户出行方式识别方法、装置、电子设备及存储介质

说明书

本发明实施例提供一种用户出行方式识别方法、装置、电子设备及存储介质，所述方法包括：获取目标用户的出行轨迹，将包含所述出行轨迹的区域划分为网格；计算所述目标用户在各所述网格中的驻留时长，将所述目标用户在各所述网格中的驻留时长进行组合，获取所述目标用户的轨迹特征矩阵；根据所述目标用户的轨迹特征矩阵，使用训练好的卷积神经网络识别出所述目标用户的出行方式。本发明实施例实现用户出行方式的自动识别，提高了用户出行方式识别的准确性。

技术领域

本发明实施例属于智能交通技术领域，更具体地，涉及一种用户出行方式识别方法、装置、电子设备及存储介质。

背景技术

目前居民出行方式的获取主要有两种方法，即传统的居民出行方式调查，以及通过智能手机位置信息和时间信息构建识别模型。

居民出行方式调查大多采用发放纸质问卷或者网上调查形式，由居民自行填写自己的偏好出行方式，具有主观性。全球定位系统(Global Positioning System，GPS)的快速普及，通过智能手机的位置信息和时间信息共同构建识别模型的方法成为用户出行方式获取的有效新途径。主要以探测一定时间间隔内位移的变化为主体思想，或叠加各类规则，或应用各类数据挖掘模型，通过驻留点信息及速度等位移指标综合判断出行交通方式。在输入数据源方面，现有技术方案大都使用GPS轨迹数据，采用GPS设备对GPS轨迹数据进行采集。在位移指标方面，现有技术方案既有平均速度、最大速度、速度的众数、出行距离等初级指标，也有速度的95分位数、正加速的中值、加速度、信号质量、低速点比例和平均方向改变等复杂性较高的复合指标，均是对轨迹数据量化后形成的位移指标，均为数值型变量。识别结果方面，现有技术方案以位移指标特征建立传统机器学习模型，针对各类交通出行方式进行了识别，具体涉及步行、自行车、公车、汽车、地铁等多种交通方式。

其中，居民出行方式调查在实际中受被调查者主观意识影响，容易出现漏报、错报的现象，影响调查数据的质量，同时存在成本高、工作量大、回收率低和处理周期长等问题。使用传统的机器学习算法，如决策树分类器、贝叶斯分类器、随机森林和支持向量机等，很大程度上依赖特征变量的选取，而这些变量往往只能提取位移的特征信息，从而导致用户出行方式识别不准确。

发明内容

为克服上述现有的用户出行方式识别方法费时费力、识别结果不精确的问题或者至少部分地解决上述问题，本发明实施例提供一种用户出行方式识别方法、装置、电子设备及存储介质。

根据本发明实施例的第一方面，提供一种用户出行方式识别方法，包括：

获取目标用户的出行轨迹，将包含所述出行轨迹的区域划分为网格；

计算所述目标用户在各所述网格中的驻留时长，将所述目标用户在各所述网格中的驻留时长进行组合，获取所述目标用户的轨迹特征矩阵；

根据所述目标用户的轨迹特征矩阵，使用训练好的卷积神经网络识别出所述目标用户的出行方式。

根据本发明实施例第二方面提供一种用户出行方式识别装置，包括：

划分模块，用于获取目标用户的出行轨迹，将包含所述出行轨迹的区域划分为网格；

计算模块，用于计算所述目标用户在各所述网格中的驻留时长，将所述目标用户在各所述网格中的驻留时长进行组合，获取所述目标用户的轨迹特征矩阵；

识别模块，用于根据所述目标用户的轨迹特征矩阵，使用训练好的卷积神经网络识别出所述目标用户的出行方式。

根据本发明实施例的第三个方面，还提供一种电子设备，包括：

至少一个处理器；以及

与所述处理器通信连接的至少一个存储器，其中：