文献综述（或调研报告）：
（1）国内研究现状
张用川在手机用户轨迹语义化的基础上，采用Aprior算法，对如何自动识别用户出行规律的算法进行了研究。并结合ArcGIS可视化平台实现了基于手机定位数据的用户出行规律可视化分析 [1]。赖见辉通过研究地铁乘客通信事件发生规则，提出一种利用手机正常位置更新规则计算地铁乘客出行路径的方法，针对通信事件存在缺失的情况，提出基于正常通信事件数据的路径修正算法 [2]。张健钦等人提出并实现了一种基于手机定位轨迹数据的出行行程识别方法．通过速度对轨迹点进行划分，将低于一定速度阈值以下的轨迹点合并为候选停留位置，再利用距离阈值和时间阈值对候选停留位置进行合并，从而确定出真正的停留点，继而自动统计出行次数和出行时间 [3]。张博研究利用手机网络定位技术，采集居民的所在位置、出行时间等信息，进一步得到手机使用者的出行轨迹信息。并对出行方式的特征进行了研究，设计了路径匹配和出行方式模糊识别的方法，结合C#编程，对步行、机动车、轨道交通等几种出行方式进行了划分 [4]。李振邦等人通过数据挖掘方法,构建多个手机用户出行方式识别模型,并对模型效果进行评估,提出一种适用于手机用户出行方式识别模型 [5]。毛晓汶从交通出行角度出发,对居民出行的内涵进行概括总结,并提出通过手机停留时间来识别手机出行；分析出行次数、出行方式、出行目的等出行特征量化指标；对两种居民出行调查方法进行细致剖析,分析各自的优劣势。详细分析手机信令数据的提取、预处理等过程,并对手机信令数据特征进行细致的分析 [6]。黄美灵等人在CDMA通信网络和gpsOne手机定位技术的基础上,对出行者进行连续位置跟踪,通过数据处理提取出行者的起讫点位置信息,再结合已有交通区划分,根据点与多边形关系的算法中的面积判断算法得到出行者的OD信息[7]。张治华根据对样本数据的速度、加速度、方向、信号质量等特征的观察,优选出合适的统计量,并对比了多层感知器神经网络、贝叶斯网、决策树三个方法的分类效果。结果表明,在C4.5决策树中使用速度的75分位数、速度离差和信号缺失比例三个统计量取得了最佳的总体分类精度,达92.34% [8]。张超等人设计并实现了一种基于嵌入GPS模块的智能手机的居民出行调查系统。通过高频的手机GPS定位获取居民出行轨迹,设计基于规则的轨迹数据处理算法,自动提取出行信息。并基于手机调查的数据,对区域内居民活动特征进行分析 [9]。王龙飞等人对利用车牌照生成车辆出行轨迹过程中由于车牌遗漏而产生的丢点轨迹问题，提出一种丢点轨迹还原方法。首先建立一次可达网络模型来描述调查点之间直接可达关系，并构建轨迹还原解集；考虑时距相符程度、路径模式匹配程度、路径曲折度指标，构造轨迹的效用函数，利用逼近理想解排序的TOPSIS法进行轨迹还原解集决策，得到最优的还原解[10]。汪磊等人建立了径向基核函数支持向量机(SVM)分类器，利用从大连市出行轨迹数据获取的出行方式样本，训练了该支持向量机，并且以决策树、BP神经网络为对照．结果表明，SVM识别精确度为89.6％，BP神经网络为85.5％，决策树为77.3％，SVM具有更好的识别性能[11]。杜润强开发了“基于语义技术的手机定位识别系统”，实现了使用手机轨迹数据来分析用户出行目的功能。并针对现有停驻点识别中存在的问题，将手机用户轨迹与背景地理语义信息产生的功能区相结合，通过考虑用户在某一功能区域内的整体活动来判断用户是否在此停驻[12]。张波从GPS收集到的原始数据入手，对GPS时空数据进行了轨迹数据清理简化、轨技数据重构、轨迹数据语义信息增强，并设计了将各环节数据处理整合在一起的数据处理平台结构与功能[13]。
（2）国外研究现状
P.A. Gonzalez等人利用手机应用TRAC-IT 收集实时GPS数据并要求用户输入出行目的、出行模式，该软件可以通过具有GPS功能的手机和神经网络识别出行方式。这种模式识别技术可以用一种临界点预处理算法来缩小手机GPS系统所需要的GPS数据集，从而使数据收集过程消耗较少的手机电量[14]。J Doyle等人提出了一种识别交通模式的全新方法，这种方法依赖于分析匿名账单数据，也就是手机网络经营商提供的通话明细记录。在假定部分重叠的情况下可以识别用户的出行模式。经过分类处理之后，会产生每条线路的核密度路线，以供分析和确认 [15]。W Zhu等人利用手机收集的GPS数据分析了交通方式划分的方法，主要使用了主成分分析和半监督高斯混合模型两种机器学习方法。对于四模型分类法（自行车、公交车、小汽车、步行），这两个模型识别的准确率分别是66.67%和57.14% [16]。Y Hu等人通过比较过去的使用无线通讯技术收集交通信息的方法，提出了一种基于手机端和地铁总端的地下移动通讯的交通信息生成方法。从而可以分析得到地铁的乘客流量，为地铁运营和导航提供便利[17]。MA Shafique等人提出了一种利用智能手机收集加速器数据来自动识别出行模式的方法，并通过比较不同百分比的数据集来确定最佳样本大小。研究显示随机挑选的训练和测试数据集的最佳比例为40%：60%，此时提升百分比被限制在0.1%以内[18]。Nour等人用一种优化方法客观地生成以下分类器的成分和方式：基于不同出行方式的差别的有序特征向量、候选分类器的分类技术、特征向量所包含的有序属性、数据格式和最佳模型参数。此模型使用标签访问数据训练和测试，并且该修正模型的评价基于它正确识别出行模式的能力，在测试阶段和训练阶段的分解水平也不同。辅以基于GIS的模型，该最佳模型所得到的结果会更加有效。该方法使用了智能手机内置GPS所提供的出行模式和集成GIS数据，例如公交停车站和信号交叉口等等[19]。G Xiao 等人提出一种基于贝叶斯网络的识别出行模式的方法，因为贝叶斯网络的结构建立于K2算法而且对应的条件概率分布是用最大似然法估计的。另外，为了减小识别结果中自行车和电动自行车、公交车和小汽车的不确定性，他们引入了低速率和平均转向变化。结果，86%的试验正确识别了各自的出行模式，其中97%的步行识别正确[20]。Y Fan等人设计出一个名为SmartTrAC的开源安卓手机应用，解决了被动感应装置和转筒交通调查各自的限制，实现多维度的交通信息调查。该应用有一下两个主要功能：一是将智能手机的感应系统和先进的数据和机器学习技术结合起来，自动识别和总结人们日常交通行为特征；二是将调查技术合并起来，允许用户在方便得时候看到软件的识别结果并且提供辅助信息[21]。Safi H等人评价了现有的四种交通调查方式的性能，分别是基于互联网的调查、手持GPS追踪器、智能手机GPS追踪器和基于智能手机的提示-召回数据收集方式。研究者们分别从它们的交互设计、参与者的人口特征、收集到的数据的质量以及对各种出行方式记录的频率和比例等等方面进行比较。研究发现基于智能手机的数据收集方式在交互设计和高质量数据的提供等方面具有较好的性能[22]。H Gilani设计并实现了一个包含一部装有GPS的智能手机和一个数据库的系统。该系统能够记录用户的出行路线和方式。手机内的Java代码可以自动记录位置数据、判定关键点并通过手机的无线功能将位置信息发送给中央数据库，然后模式识别算法综合处理出行时间、速度、位置和公交停靠站等信息，判定出行方式[23]。A Lari等人提出了一种利用手机GPS系统手机出行信息的方法。该方法可以利用一种新的机器学习方法随机森林来分析收集到的数据，从而区别人们的出行方式。它不仅可以以高达96%的准确度判定交通方式，而且可以基于平均降低精度和基尼系数两个重要指标判定分类过程中影响最大的属性。结果显示，瞬时速度和GPS追踪的精度是最重要的数据特征[24]。
（3）现有成果总结：
现有国内外研究设计的出行模式识别系统，大多是利用GPS数据得到行驶轨迹，再通过一定的数据挖掘和机器学习算法构建识别模型，最后对模型准确度进行评估。但是前人的的模型识别大多没有结合城市路网信息进行识别，本文将在前人的基础上，以城市道路网络、公交线网、轨道线网的耦合拓扑结构为基础，综合考虑各类外界因素（如活动出行日程、交通状况、设施布局局等）对出行模式识别的辅助作用，构建融合人眼识别特征的出行方式识别算法，分析多层级线网对出行模式识别精度的影响作用。
参考文献：
[1].张用川. 基于手机定位数据的用户出行规律分析[D]：［硕士学位论文］．昆明：昆明理工大学，2013
[2].赖见辉. 基于移动通信定位数据的交通信息提取及分析方法研究[D]：［博士学位论文］．北京：北京工业大学，2014
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
