详情

原文传递基于深度学习轻量级传感器交通模式识别算法研究

论文题名：	基于深度学习轻量级传感器交通模式识别算法研究
关键词：	交通模式识别;轻量级传感器;时域卷积网络;注意力机制;循环神经网络
摘要：	随着社会经济的发展和城镇人口的不断增加，城市交通压力日益加剧，交通安全和拥堵问题也日益突出。因此，交通模式识别作为人类行为识别的重要分支之一，已成为现代城市交通系统不可或缺的组成部分。然而，目前大多数交通模式识别系统使用高功耗传感器(如GPS和Wi-Fi传感器)，这些传感器在无信号的情况下无法采集数据，而且电量消耗巨大。此外，大多数交通识别模型采用机器学习算法，需要手工提取特征,存在识别不稳定、复杂、耗时和识别精度低等问题。尽管一些研究人员提出了基于深度学习的交通模式识别算法，但这些算法仍然存在功耗高、精度低和训练时间复杂度高等问题。因此，本文构建了基于时域卷积注意力机制和基于注意力机制循环神经网络的算法，对用户的八种交通模式(静止、走路、跑步、自行车、轿车、地铁、公交车、火车)进行了识别研究。　　首先，本文研究了交通模式识别的背景和意义。交通模式识别的研究可以缓解不断加剧的交通拥堵和交通事故问题。本文总结了当前交通模式识别研究数据的现状和研究方法的现状。具体而言，交通模式识别的研究数据可以分为基于无线网络的数据和基于手机中轻量级传感器数;研究方法可以分为基于机器学习算法的交通模式识别和基于深度学习算法的交通模式识别。　　其次，本文构建了一种基于时域卷积注意力机制的交通模式识别算法(TFPA)。该算法使用智能手机中的轻量级传感器(包括陀螺仪、线性加速度传感器、地磁、重力传感器、加速度传感器和气压传感器)，利用时域卷积网络采用多通道的方式提取深层次的元素特征，采用自融合的方式处理数据，再利用多头注意力机制进一步修正数据信息。此外，本文通过添加残差连接解决网络退化问题。同时，在苏塞克斯-华为运动(SHL)交通模式识别数据集对算法进行了评估，实验结果表明，该模型对交通模式的识别准确率高达95.36％,明显优于九种基线模型。在每种交通模式的识别中，本文算法均具有高于91％的精确率和召回率，验证了其准确性和鲁棒性。针对训练时间复杂度高的问题，本文还构建了一种基于装袋法的时域卷积注意机制交通模式识别算法，可以有效减少训练时长。　　最后，本文针对TFPA训练时间复杂度高的问题，构建了更加轻量级的基于注意力机制循环神经网络模型(CPAG)。该模型采用了分块的思想，旨在提取数据中深层次的元素特征，主要由局部特征提取模块和全局特征提取模块组成，采用不同的通道同时对信息进行学习。局部特征提取模块由卷积神经网络、激活层和池化层组成，全局特征提取模块由注意力机制和全连接层组成，加入位置编码以建立元素之间的顺序关系。在特征提取后，模型采用自融合方法并结合门控递归单元进行识别。该算法降低了复杂高维的输入，仅采用两种传感器数据（陀螺仪传感器、线性加速度传感器），识别交通模式。实验结果表明，模型的准确率均高于对比基线模型，并实现了降低训练时间复杂度的目标。　　本文旨在探讨交通识别算法的优化，以提高交通识别准确率和适用性。通过对不同交通识别算法的实验研究，本文得出了以下结论:采用基于时域卷积注意力机制交通模式识别算法可以获得较高的识别准确率;如果计算资源充足，可以考虑采用基于袋装法的时域卷积注意力机制交通模式识别算法;如果未来需要将算法嵌入到智能终端中，则可以考虑使用基于注意力机制循环卷积交通模式识别算法。
作者：	杨盛
专业：	计算机技术
导师：	赵琛
授予学位：	硕士
授予学位单位：	河北师范大学
学位年度：	2023