基于图卷积网络特征融合的交通模式识别方法和系统

1.本发明涉及智能交通的交通模式识别方法和系统，可以根据用户的gps轨迹，识别用户的交通模式。本发明涉及交通模式识别领域，可用于用户行为分析和交通管理决策。


背景技术：

2.人们的出行轨迹可以体现活动规律、反映城市交通问题，通过识别交通模式，可以制定相关的交通规划与管理政策。随着移动设备的普及和使用，全球定位系统(gps)会记录个人的位置信息和行动轨迹。从gps中挖掘用户的交通模式是一种有效的方法，它不仅包含了丰富的人类活动的时空信息，而且gps传感器安装在手机内，方便采集数据。
3.基于gps轨迹实现用户交通模式识别的方法主要有三类。第一类是基于经典的机器学习方法，如决策树(decision tree,dt)、随机森林(random forest,rf)和支持向量机(support vector machine,svm)等。这类方法适合小的数据集，同时是人为选择特征，无法应对实际的交通道路环境。第二类是基于统计学的方法，如集成分类器(extreme gradient boosting,xgboost)和马尔可夫模型(markov model)等。这类方法对交通道路环境存在一些要求，不具有普遍性。第三类是基于深度学习的方法，主要有卷积神经网络(convolutional neural network,cnn)和循环神经网络(recurrent neural network,rnn)。神经网络不需要依赖相关领域知识，它可以从数据中自动提取相关特征进行学习。这类方法适合在大数据集上应用，拥有良好的拟合效果。但是在交通模式识别应用中，也存在不少问题。有些神经网络模型只考虑了时序特征，没有考虑空间特征；有些神经网络模型虽然考虑了空间特征，但只限于局部或全局的空间特征，没有考虑全局和局部空间特征的融合，没有挖掘全局和局部空间特征之间的关联性。由于存在这些问题，从而导致现有方法的交通模式识别效果不佳。
4.目前，现有的交通模式识别方法存在以下主要问题：1)多数方法依赖人为特征选择，有的方法受到真实环境约束，鲁棒性不强；2)多数方法没有考虑全局和局部空间特征的融合，没有考虑全局和局部空间特征之间的关联性，影响了交通模式的识别精确。


技术实现要素：

5.本发明要克服现有技术的上述不足之处，提供一种基于图卷积网络特征融合的交通模式识别方法和系统，通过采集用户出行过程中产生的gps轨迹数据输入到本发明的模型中，可以细粒化识别用户的交通模式，具有良好的普适性和鲁棒性。
6.本发明基于用户的gps轨迹数据，采用了双向门控循环单元、膨胀卷积网络、网络中的网络、最大互信息系数和图卷积网络，设计和实现了细粒化识别的交通模式模型。首先，模型从原始轨迹数据中提取七种运动学特征，采用双向门控循环单元提取时序特征。然后，将提取的时序特征通过膨胀卷积网络和网络中的网络分别提取全局空间特征和局部空间特征。接着，将全局和局部特征融合后，采用最大互信息系数生成邻接矩阵并输入到图卷积网络。最后，图卷积网络的输出结果通过全连接层输出交通模式识别结果。应用本发明所
述的方法可以实现七种交通模式的自动化识别，即步行、自行车、公交车、小汽车、出租车、地铁和火车。本发明设计了图卷积网络，实现了全局和局部空间特征的融合，可以细粒化识别相似的交通模式，并且不受环境条件约束，具有良好的普适性和鲁棒性。
7.本发明是通过以下技术方案来达到上述目的：基于图卷积网络特征融合的交通模式识别方法，具体的实施步骤如下：
8.(1)数据预处理。对原始的gps轨迹数据进行数据预处理，包括异常数据删除、gps轨迹分段、异常分段删除、运动学特征计算和数据归一化等操作。异常数据删除，即采用速度和加速度阈值，比较分析gps轨迹点数据，删除异常gps轨迹点；gps轨迹分段，即以固定长度对gps轨迹进行分段，段内只有一种交通模式，如果长度不足，则采用零值进行填充；删除异常分段，包括删除gps轨迹点较少的分段，删除相对距离之和较小的分段，删除时间间隔之和较小的分段等；运动学特征计算，即计算每个gps轨迹点的运动学特征，包括相对距离、时间戳、速度、相对速度、加速度、加加速度和方位变化角等七种运动学特征；数据归一化，即采用min-max方法对数据进行归一化处理，使得gps轨迹点的运动学特征值映射到0～1之间。
9.gps轨迹点的七种运动学特征计算方法为：
[0010][0011][0012][0013][0014][0015][0016]
其中，x1＝(lat1,lon1,t1)和x2＝(lat2,lon2,t2)是相邻的gps轨迹点，vincenty公式是基于椭球体地球模型的、用于计算每个gps轨迹点的相对距离rd
x
，δt
x
是时间间隔，v
x
是速度。rv
x
是相对速度。acc
x
是加速度。j
x
是加加速度。由于不同的交通模式，方向变化率也存在变化。例如，步行和自行车的方向变化率会比公交车和小汽车更加频繁。因此，方位变化角br
x
也作为gps轨迹点的运动学特征之一，它的计算方法为：
[0017]
y＝sin(x2[lon2]-x1[lon1])*cos(x2[lat2])(7)
[0018]
x＝cos(x1[lat1])*sin(x2(lat2))-sin(x1[lat1])*cos(x2[lat2])*cos(x2[lon2]-x1[lon1])(8)
[0019][0020][0021]
其中，arctan(.)是反正切三角函数，π是圆周率，mod是求余数运算，bearing
x
是方位角，原始的gps轨迹数据可以使用七种运动学特征表示，即：
[0022]
xi[rdi,δti,vi,rvi,acci,ji,bri](11)
[0023]
(2)构建交通模式识别模型。交通模式识别模型由双向门控循环单元、网络中的网络、膨胀卷积网络、最大互信息系数、图卷积网络和全连接层组成，其中，双向门控循环单元用可以捕获gps轨迹数据中的时序特征，网络中的网络可以捕获局部空间特征，膨胀卷积网络可以捕获全局空间特征，最大互信息系数可以融合特征之间的相关性并生成邻接矩阵，图卷积网络可以进一步实现全局和局部空间特征的融合，而全连接层可以实现最终交通模式识别结果的输出。
[0024]
双向门控循环单元的输入输出变化过程为：
[0025][0026][0027][0028]
h＝[h1,h2,
…
,hn](15)
[0029]
其中，是归一化处理后的t时刻gps轨迹点的运动学特征，是归一化处理后的t时刻gps轨迹点的运动学特征，表示t的前一时刻和后一时刻的隐藏单元输出，它们通过门控循环单元后拼接，是和连接后的t时刻隐藏状态，是双向门控循环网络提取当前gps段内的时序特征结果，h是隐藏神经元个数，n是分段中gps轨迹点的数量。
[0030]
网络中的网络的输入输出变化过程为：
[0031][0032][0033][0034]
其中，和分别是经过第1个网络中的网络块和第5个网络中的网络块后提取得的局部特征，和分别是大小为3和1的卷积核，relu(.)是激活函数，*s是常规卷积操作，gap(.)是全局平均池化，表示最终捕获的局部特征，class是真实类别数。
[0035]
膨胀卷积网络的输入输出变化过程为：
[0036][0037][0038][0039][0040]
其中，和是通过膨胀卷积后提取的全局特征，p表示卷积核的填充参数，mp(.)是最大池化，*d表示膨胀卷积，d表示膨胀系数，表示最终捕获的全局特征。
[0041]
最大互信息系数可以融合特征之间的相关性，并得到不同交通模式的邻接矩阵，最大互信息系数的输入输出变化过程为：
[0042][0043][0044]
其中，p(xi,xj)表示落在第i列第j行的概率，p(xi)表示落在第i列的概率，p(xj)表示落在第j行的概率，log2(.)是以2为底的对数函数，i[xi；xj]是xi和xj互信息，max(.)和min(.)分别表示最大值函数和最小值函数，mic[xi；xj]表示最大的互信息结果，mic的取值范围是[0,1]，值越接近1，相关性越高。
[0045]
图卷积网络的输入输出变化过程为：
[0046]f(l+1)
＝σ(af
(l)w(l)
)(25)
[0047]
其中，表示合并的特征，表示通过最大互信息系数学习得到的邻接矩阵，σ是sigmoid激活函数，l表示图卷积网络层数，w
(l)
是系数矩阵。
[0048]
交通模式识别模型采用adam优化器进行训练，使用梯度下降算法更新参数，模型的损失函数采用交叉熵损失函数，具体如下：
[0049][0050]
其中，是模型的最终识别结果。是模型对当前class的识别值。是模型对所有交通模式类别识别值的累计值。
[0051]
(3)生成数据集和训练模型。拆分基于步骤(1)所得的数据，生成训练数据集和测试数据集，训练交通模式识别模型。
[0052]
(4)计算评价指标。根据步骤(3)的交通模式识别结果，计算相应的查准率、查全率、准确率和f1分数等评价指标，以此来衡量模型的识别效果和性能。
[0053]
(5)展示结果。通过折线图、柱状图等方式对步骤(3)获得的交通模式识别结果和步骤(4)获得的评价指标结果进行可视化展示。
[0054]
优选地，步骤(3)中，按8:2的比例拆分，生成训练数据集和测试数据集。
[0055]
实施本发明的基于图卷积网络特征融合的交通模式识别方法的系统，包括依次连接的数据预处理模块、交通模式识别模型模块、数据集生成和模型训练模块、评价指标计算模块和结果展示模块。其中，
[0056]
数据预处理模块，对原始的gps轨迹数据进行数据预处理，包括删除异常数据、对gps轨迹分段、删除异常分段、计算运动学特征和数据归一化；
[0057]
交通模式识别模型模块，交通模式识别模型由双向门控循环单元、网络中的网络、膨胀卷积网络、最大互信息系数、图卷积网络和全连接层组成，其中，双向门控循环单元用可以捕获gps轨迹数据中的时序特征，网络中的网络可以捕获局部空间特征，膨胀卷积网络可以捕获全局空间特征，最大互信息系数可以融合特征之间的相关性并生成邻接矩阵，图卷积网络可以进一步实现全局和局部空间特征的融合，而全连接层可以实现最终交通模式识别结果的输出；
[0058]
数据集生成和模型训练模块，拆分基于数据预处理模块所得的数据，生成训练数据集和测试数据集，训练交通模式识别模型；
[0059]
评价指标计算模块，根据数据集生成和模型训练模块的交通模式识别结果，计算相应的查准率、查全率、准确率和f1分数等评价指标，以此来衡量模型的识别效果和性能；
[0060]
结果展示模块，通过折线图、柱状图等方式对数据集生成和模型训练模块获得的交通模式识别结果和评价指标计算模块获得的评价指标结果进行可视化展示。
[0061]
本发明的有益效果在于：(1)本发明不仅考虑了时序特征，而且考虑了全局和局部空间特征，充分挖掘了原始gps轨迹数据中的信息，提高了交通模式识别的精度；(2)本发明通过最大互信息系数和图卷积网络，实现了全局和局部空间特征的融合，进一步细粒化识别交通模式，提高了交通模式识别效果。
附图说明
[0062]
图1是本发明的交通模式识别模型结构图。
[0063]
图2是本发明的双向门控循环单元和网络中的网络结构图。
[0064]
图3是本发明的双向门控循环单元和膨胀卷积网络结构图。
[0065]
图4是本发明的图卷积网络结构图。
[0066]
图5是本发明的系统功能模块图。
具体实施方式
[0067]
下面结合附图进一步说明本发明的技术方案。
[0068]
本发明的基于图卷积网络特征融合的交通模式识别方法，具体的实施步骤如下：
[0069]
(1)数据预处理。对原始的gps轨迹数据进行数据预处理，包括异常数据删除、gps轨迹分段、异常分段删除、运动学特征计算和数据归一化等操作。异常数据删除，即采用速度和加速度阈值，比较分析gps轨迹点数据，删除异常gps轨迹点；gps轨迹分段，即以固定长度对gps轨迹进行分段，段内只有一种交通模式，如果长度不足，则采用零值进行填充；删除异常分段，包括删除gps轨迹点较少的分段，删除相对距离之和较小的分段，删除时间间隔之和较小的分段等；运动学特征计算，即计算每个gps轨迹点的运动学特征，包括相对距离、时间戳、速度、相对速度、加速度、加加速度和方位变化角等七种运动学特征；数据归一化，即采用min-max方法对数据进行归一化处理，使得gps轨迹点的运动学特征值映射到0～1之间。
[0070]
gps轨迹点的七种运动学特征计算方法为：
[0071][0072][0073][0074][0075]
[0076][0077]
其中，x1＝(lat1,lon1,t1)和x2＝(lat2,lon2,t2)是相邻的gps轨迹点，vincenty公式是基于椭球体地球模型的、用于计算每个gps轨迹点的相对距离rd
x
，δt
x
是时间间隔，v
x
是速度。rv
x
是相对速度。acc
x
是加速度。j
x
是加加速度，由于不同的交通模式，方向变化率也存在变化。例如，步行和自行车的方向变化率会比公交车和小汽车更加频繁。因此，方位变化角br
x
也作为gps轨迹点的运动学特征之一，它的计算方法为：
[0078]
y＝sin(x2[lon2]-x1[lon1])*cos(x2[lat2])(7)
[0079]
x＝cos(x1[lat1])*sin(x2(lat2))-sin(x1[lat1])*cos(x2[lat2])*cos(x2[lon2]-x1[lon1])(8)
[0080][0081][0082]
其中，arctan(.)是反正切三角函数，π是圆周率，mod是求余数运算，bearing
x
是方位角，原始的gps轨迹数据可以使用七种运动学特征表示，即：
[0083]
xi[rdi,δti,vi,rvi,acci,ji,bri](11)
[0084]
(2)构建交通模式识别模型。交通模式识别模型由双向门控循环单元、网络中的网络、膨胀卷积网络、最大互信息系数、图卷积网络和全连接层组成，其中，双向门控循环单元用可以捕获gps轨迹数据中的时序特征，网络中的网络可以捕获局部空间特征，膨胀卷积网络可以捕获全局空间特征，最大互信息系数可以融合特征之间的相关性并生成邻接矩阵，图卷积网络可以进一步实现全局和局部空间特征的融合，而全连接层可以实现最终交通模式识别结果的输出。
[0085]
双向门控循环单元的输入输出变化过程为：
[0086][0087][0088][0089]
h＝[h1,h2,
…
,hn](15)
[0090]
其中，是归一化处理后的t时刻gps轨迹点的运动学特征，是归一化处理后的t时刻gps轨迹点的运动学特征，表示t的前一时刻和后一时刻的隐藏单元输出，它们通过门控循环单元后拼接，是和连接后的t时刻隐藏状态，是双向门控循环网络提取当前gps段内的时序特征结果，h是隐藏神经元个数，n是分段中gps轨迹点的数量。
[0091]
网络中的网络的输入输出变化过程为：
[0092][0093][0094][0095]
其中，和分别是经过第1个网络中的网络块和第5个网络中
的网络块后提取得的局部特征，和分别是大小为3和1的卷积核，relu(.)是激活函数，*s是常规卷积操作，gap(.)是全局平均池化，表示最终捕获的局部特征，class是真实类别数。
[0096]
膨胀卷积网络的输入输出变化过程为：
[0097][0098][0099][0100][0101]
其中，和是通过膨胀卷积后提取的全局特征，p表示卷积核的填充参数，mp(.)是最大池化，*d表示膨胀卷积，d表示膨胀系数，表示最终捕获的全局特征。
[0102]
最大互信息系数可以融合特征之间的相关性，并得到不同交通模式的邻接矩阵，最大互信息系数的输入输出变化过程为：
[0103][0104][0105]
其中，p(xi,xj)表示落在第i列第j行的概率，p(xi)表示落在第i列的概率，p(xj)表示落在第j行的概率，log2(.)是以2为底的对数函数，i[xi；xj]是xi和xj互信息，max(.)和min(.)分别表示最大值函数和最小值函数，mic[xi；xj]表示最大的互信息结果，mic的取值范围是[0,1]，值越接近1，相关性越高。
[0106]
图卷积网络的输入输出变化过程为：
[0107]f(l+1)
＝σ(af
(l)w(l)
)(25)
[0108]
其中，表示合并的特征，表示通过最大互信息系数学习得到的邻接矩阵，σ是sigmoid激活函数，l表示图卷积网络层数，w
(l)
是系数矩阵。
[0109]
交通模式识别模型采用adam优化器进行训练，使用梯度下降算法更新参数，模型的损失函数采用交叉熵损失函数，具体如下：
[0110][0111]
其中，是模型的最终识别结果。是模型对当前class的识别值。是模型对所有交通模式类别识别值的累计值。
[0112]
(3)生成数据集和训练模型。拆分基于步骤(1)所得的数据，按8:2的比例拆分，生成训练数据集和测试数据集，训练交通模式识别模型。
[0113]
(4)计算评价指标。根据步骤(3)的交通模式识别结果，计算相应的查准率、查全率、准确率和f1分数等评价指标，以此来衡量模型的识别效果和性能。
[0114]
(5)展示结果。通过折线图、柱状图等方式对步骤(3)获得的交通模式识别结果和
步骤(4)获得的评价指标结果进行可视化展示。
[0115]
如附图1，本发明的交通模式识别模型结构图。模型分为两个部分，第一部分是数据处理部分，将原始gps轨迹数据划分为gps分段后，进行数据预处理，计算相应的运动学特征并进行归一化。第二部分是特征提取和融合部分，将运动学特征通过双向门控循环单元提取时序特征，通过膨胀卷积网络和网络中的网络分别提取全局和局部空间特征。最后，通过最大互信息系数融合特征之间的相关性并生成邻接矩阵，并通过图卷积网络进一步融合全局和局部空间特征，实现交通模式的细粒化识别。
[0116]
如附图2，本发明的双向门控循环单元和网络中的网络结构图。双向门控循环单元用于提取时序特征，网络中的网络(nin:network in network)用于提取局部空间特征，其中包括5个nin块。
[0117]
如附图3，本发明的双向门控循环单元和膨胀卷积网络结构图。双向门控循环单元用于提取时序特征，膨胀卷积网络用于提取全局空间特征，其中包括3个膨胀卷积块。
[0118]
如附图4，本发明的图卷积网络结构图。最大互信息系数可以融合和提取全局和局部空间特征之间的相关性，并生成邻接矩阵，不同交通模式具有不同的邻接矩阵，图卷积网络则进一步融合全局和局部空间特征，并通过全连接层输出最后的交通模式识别结果。
[0119]
如附图5，本发明的系统功能模块图，包括数据预处理、交通模式识别模型、数据集生成和模型训练、评价指标计算和结果展示等功能模块。数据预处理模块用于对原始的gps轨迹数据进行数据预处理，包括异常数据删除、gps轨迹分段、异常分段删除、运动学特征计算和数据归一化等。交通模式识别模型模块是构建由双向门控循环单元、膨胀卷积网络、网络中的网络、最大互信息系数和图卷积网络等组成的交通模式识别模型。评价指标计算模块是对模型的分类结果进行对应指标的计算，从而分析和评介模型的识别能力。结果展示模块是采用各种可视化的方式展示交通模式识别结果。
[0120]
实施本发明的基于图卷积网络特征融合的交通模式识别方法的系统，包括依次连接的数据预处理模块、交通模式识别模型模块、数据集生成和模型训练模块、评价指标计算模块和结果展示模块。数据预处理模块、交通模式识别模型模块、数据集生成和模型训练模块、评价指标计算模块和结果展示模块分别包含本发明方法的步骤(1)～步骤(5)的技术内容。
[0121]
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

技术特征：
1.基于图卷积网络特征融合的交通模式识别方法，包括如下步骤：(1)对原始的gps轨迹数据进行数据预处理，包括删除异常数据、对gps轨迹分段、删除异常分段、计算运动学特征和数据归一化的操作；删除异常数据，即采用速度和加速度阈值，比较分析gps轨迹点数据，删除异常gps轨迹点；对gps轨迹分段，即以固定长度对gps轨迹进行分段，段内只有一种交通模式，如果长度不足，则采用零值进行填充；删除异常分段，包括删除gps轨迹点较少的分段，删除相对距离之和较小的分段，删除时间间隔之和较小的分段等；计算运动学特征，即计算每个gps轨迹点的运动学特征，包括相对距离、时间戳、速度、相对速度、加速度、加加速度和方位变化角的七种运动学特征；数据归一化，即采用min-max方法对数据进行归一化处理，使得gps轨迹点的运动学特征值映射到0～1之间；(2)构建交通模式识别模型；交通模式识别模型由双向门控循环单元、网络中的网络、膨胀卷积网络、最大互信息系数、图卷积网络和全连接层组成，其中，双向门控循环单元用可以捕获gps轨迹数据中的时序特征，网络中的网络可以捕获局部空间特征，膨胀卷积网络可以捕获全局空间特征，最大互信息系数可以融合特征之间的相关性并生成邻接矩阵，图卷积网络可以进一步实现全局和局部空间特征的融合，而全连接层可以实现最终交通模式识别结果的输出；(3)生成数据集并训练模型；拆分基于步骤(1)所得的数据，生成训练数据集和测试数据集，训练交通模式识别模型；(4)计算评价指标；根据步骤(3)的交通模式识别结果，计算相应的查准率、查全率、准确率和f1分数等评价指标，以此来衡量模型的识别效果和性能；(5)展示结果；通过折线图、柱状图等方式对步骤(3)获得的交通模式识别结果和步骤(4)获得的评价指标结果进行可视化展示。2.如权利要求1所述的基于图卷积网络特征融合的交通模式识别方法，其特征在于：步骤(2)中，双向门控循环单元的输入输出变化过程为：双向门控循环单元的输入输出变化过程为：双向门控循环单元的输入输出变化过程为：h＝[h1,h2,
…
,h
n
](15)其中，是归一化处理后的t时刻gps轨迹点的运动学特征，是归一化处理后的t时刻gps轨迹点的运动学特征，表示t的前一时刻和后一时刻的隐藏单元输出，它们通过门控循环单元后拼接，是和连接后的t时刻隐藏状态，是双向门控循环网络提取当前gps段内的时序特征结果，h是隐藏神经元个数，n是分段中gps轨迹点的数量。3.如权利要求2所述的基于图卷积网络特征融合的交通模式识别方法，其特征在于：步骤(2)中，网络中的网络的输入输出变化过程为：网络中的网络的输入输出变化过程为：网络中的网络的输入输出变化过程为：
其中，和分别是经过第1个网络中的网络块和第5个网络中的网络块后提取得的局部特征，和分别是大小为3和1的卷积核，relu(.)是激活函数，*
s
是常规卷积操作，gap(.)是全局平均池化，表示最终捕获的局部特征，class是真实类别数。4.如权利要求3所述的基于图卷积网络特征融合的交通模式识别方法，其特征在于：步骤(2)中，膨胀卷积网络的输入输出变化过程为：膨胀卷积网络的输入输出变化过程为：膨胀卷积网络的输入输出变化过程为：膨胀卷积网络的输入输出变化过程为：其中，和是通过膨胀卷积后提取的全局特征，p表示卷积核的填充参数，mp(.)是最大池化，*
d
表示膨胀卷积，d表示膨胀系数，表示最终捕获的全局特征。5.如权利要求4所述的基于图卷积网络特征融合的交通模式识别方法，其特征在于：步骤(2)中，最大互信息系数的输入输出变化过程为：最大互信息系数的输入输出变化过程为：其中，p(x
i
,x
j
)表示落在第i列第j行的概率，p(x
i
)表示落在第i列的概率，p(x
j
)表示落在第j行的概率，log2(.)是以2为底的对数函数，i[x
i
；x
j
]是x
i
和x
j
互信息，max(.)和min(.)分别表示最大值函数和最小值函数，mic[x
i
；x
j
]表示最大的互信息结果，mic的取值范围是[0,1]，值越接近1，相关性越高。6.如权利要求5所述的基于图卷积网络特征融合的交通模式识别方法，其特征在于：步骤(2)中，图卷积网络的输入输出变化过程为：f
(l+1)
＝σ(af
(l)
w
(l)
)(25)其中，表示合并的特征，表示通过最大互信息系数学习得到的邻接矩阵，σ是sigmoid激活函数，l表示图卷积网络层数，w
(l)
是系数矩阵。7.如权利要求6所述的基于图卷积网络特征融合的交通模式识别方法，其特征在于：步骤(2)中，交通模式识别模型采用adam优化器进行训练，使用梯度下降算法更新参数，模型的损失函数采用交叉熵损失函数，具体如下：其中，是模型的最终识别结果，是模型对当前class的识别值，是模型对所有交通模式类别识别值的累计值。8.如权利要求7所述的基于全局和局部时空特征融合的交通模式识别方法，其特征在
于：步骤(3)中，按8:2的比例拆分，生成训练数据集和测试数据集。9.实施权利要求1所述的基于图卷积网络特征融合的交通模式识别方法的系统，其特征在于：包括依次连接的数据预处理模块、交通模式识别模型模块、数据集生成和模型训练模块、评价指标计算模块和结果展示模块；其中，数据预处理模块，对原始的gps轨迹数据进行数据预处理，包括删除异常数据、对gps轨迹分段、删除异常分段、计算运动学特征和数据归一化；交通模式识别模型模块，交通模式识别模型由双向门控循环单元、网络中的网络、膨胀卷积网络、最大互信息系数、图卷积网络和全连接层组成，其中，双向门控循环单元用可以捕获gps轨迹数据中的时序特征，网络中的网络可以捕获局部空间特征，膨胀卷积网络可以捕获全局空间特征，最大互信息系数可以融合特征之间的相关性并生成邻接矩阵，图卷积网络可以进一步实现全局和局部空间特征的融合，而全连接层可以实现最终交通模式识别结果的输出；数据集生成和模型训练模块，拆分基于数据预处理模块所得的数据，生成训练数据集和测试数据集，训练交通模式识别模型；评价指标计算模块，根据数据集生成和模型训练模块的交通模式识别结果，计算相应的查准率、查全率、准确率和f1分数等评价指标，以此来衡量模型的识别效果和性能；结果展示模块，通过折线图、柱状图等方式对数据集生成和模型训练模块获得的交通模式识别结果和评价指标计算模块获得的评价指标结果进行可视化展示。

技术总结
基于图卷积网络特征融合的交通模式识别方法，包括：(1)对原始的GPS轨迹数据进行数据预处理，包括异常数据删除、GPS轨迹分段、异常分段删除、运动学特征计算和数据归一化等操作；(2)构建交通模式识别模型；模型由双向门控循环单元、网络中的网络、膨胀卷积网络、最大互信息系数、图卷积网络和全连接层组成；(3)拆分基于步骤(1)所得的数据，生成训练数据集和测试数据集，训练交通模式识别模型；(4)根据步骤(3)的识别结果，计算各种评价指标；(5)以可视化方式展示模型的识别结果和评价指标。本发明还包括实施图卷积网络特征融合的交通模式识别方法的系统。本发明提高了交通模式识别的精度。度。度。


技术研发人员：刘端阳 朱方寅 徐卫
受保护的技术使用者：浙江工业大学
技术研发日：2023.04.21
技术公布日：2023/8/4