【基于支持向量机的公共交通模式识别模型分析案例11000字】

基于支持向量机的公共交通模式识别模型分析案例目录TOC\o"1-3"\h\u18286基于支持向量机的公共交通模式识别模型分析案例 121291.1交通模式识别特征提取 129571.1.1基本时空特征 3217881.1.2公交-地铁模式识别特征 4204401.1.3出租模式识别特征 596901.2分类模型构建 10112321.2.1支持向量机模型 10127001.2.2SVC分类器 1123501.2.3核函数及模型参数确定 13306171.3实验分析 14324201.3.1研究区与数据 1475631.3.2精度评价指标 15255881.3.3交叉验证结果 16公共交通系统作为城市交通系统中大容量运载客流的“主骨架”，是影响城市交通健康发展的关键要素。而在大数据广泛应用的背景下，对海量轨迹数据进行出行方式划分，尤其是识别提取公共交通方式轨迹，对进行出行选择行为研究优化公共交通基础设施资源配置，制定有针对性的交通管理规则等方面具有重要的理论和实际意义。手机信令数据中蕴含着丰富的出行信息，从中可以挖掘整个城市全天各时段的出行特征。本章提出了基于机器学习的公共交通出行模式识别方法，并利用带有类别标注的真实手机信令数据集进行了多次的交叉验证，检验了模型的有效性。交通模式识别特征提取基于手机信令数据的交通模式的识别实质上是一个分类问题，从不同角度分析各种交通模式之间的差异，选取能直接或间接表征各种交通模式差异性的特征参数，通过对特征参数与模式类别之间的映射关系进行学习归纳从而建立映射关系。特征参数的选取是模式分类问题中极为关键的一步，对分类结果的准确性有着直接的影响。以往关于轨迹数据的交通模式挖掘研究中特征参数的提取较多的局限于轨迹自身的时空特征，且数据源较为单一。在日益复杂的交通系统中，不同交通模式的时空分布差异性越来越小，例如早晚高峰期，小汽车的行驶平均速度和自行车公交车相当，公交车辆在晚上也会运营，很多快速路上也开始有公交线路布设经过，因此单纯依靠不同交通模式轨迹的时空特性差异性来进行分类往往结果不理想；也有学者在参数提取中结合了GIS信息，考虑不同交通模式在城市路网上分布的差异性，比如轨迹到交通路线或站点的距离。然而鲜有研究考虑不同交通模式自身运动规律所表现出的差异，如：公交、地铁模式的司乘人员沿交通路线进行往复的周期运动；出租车模式的司乘人员相较于上下班通勤的“居住地-工作地-居住地”模式的规律运动，表现出更延展的活动模式。因此，考虑交通环境的复杂性和不同交通模式的运动规律，本节将交通模式识别模型的特征参数分为三大类，第一类是描述轨迹自身时空特性的基本时空特征；第二类是反映轨迹与公共交通网交互周期性的公交-地铁识别特征；第三类是描述轨迹在航向、速度分布方面随机和延展程度的出租车识别特征。各类识别特征在表3.1汇总。表3.1交通模式识别特征参数列表Table3.1Decisionfeaturesfortransportmodedetection特征变量特征描述符号表示/单位基本时空特征平均速度通过相邻轨迹点距离求得轨迹平均速度v运动时长个体处于运动状态的时长以及其占轨迹总时长的比例tr轨迹长度手机信令轨迹中基站点连线的总长度Tlen(km)回转半径反映个体活动区域的范围大小rog(km)公交-地铁司乘人员识别特征轨迹匹配度沿公共交通路线前进距离与轨迹总长比。Sc(%)线路覆盖度途径路线不同子段长度与路线总长比Tc(%)往返周期沿公交路线进行往复运动的次数Cyc出租车司乘人员识别特征延展系数反映个体跨区域活动的特性Spr(m)速度排列熵描述个体速度变化的随机程度H航向信息熵描述个体运动的各向异性H基本时空特征第一类特征参数是出行轨迹的时空特性，主要考虑不同交通模式在速度、时间、长度和范围角度表现出的不同特征，也是区分不同出行方式的最重要和最基本的指标。针对不同的数据集，往往适用的参数也不同，在研究和应用最为广泛的GPS数据集中，加速度和反映信号质量的参数在模型中使用较为频繁，但是受限于手机信令数据的定位机制和定位精度，该类特征的提取较为困难，这也是基于手机信令数据识别交通方式的一个难点所在。参考以往的研究ADDINCNKISM.Ref.{4BE54CAD94C04935A139DCD28F4CF5B7}(佚名，0a，0b，0c)以及手机信令数据的特点，汇总出基本时空特征，并选取以下特征进行介绍：速度特征速度及其衍生参量是区分交通方式的重要特征变量，—般而言，小汽车速度最大，常规的公交车次之，非机动车又次之，最低为步行。但相较于GPS数据传感器数据，手机信令数据中并不能直接获取存储速度信息，需要根据轨迹点位置推算，首先通过基站点的经纬度信息，计算两相邻轨迹点之间的欧式距离：l进而由时间差和距离来推算速度：v时间特征运动时长是指手机信令数据中个体处于运动状态的总时间长度，也是对交通方式进行区分的重要特征之一。手机信令数据中的时间记录相对准确，在经过驻留点识别和预处理后，可以获取轨迹的运动时长。为全面地反映个体特征，将绝对运动时长和经过标准化的运动时长占比都作为识别特征。根据轨迹中首末轨迹点的时间求得轨迹总时长tt其中φvi为根据速度r轨迹长度特征由于手机信令轨迹以基站位置代替用户实际位置，此处的轨迹长度以各基站轨迹连线的长度来近似表示。为消除漂移噪声等离群值的影响，限定了单轨迹段的速度阈值，长度和时间的比值超过速度阈值的轨迹段视为噪音被去除。l活动范围特征采用回转半径（Radiusofgyration）来对个体的活动范围进行度量，回转半径是衡量人们出行规律的重要指标，它与基站位置的相对距离和访问频率密切相关。其定义如下：rog=其中，ri表示一个人访问过的第i个位置，r公交-地铁模式识别特征公交-地铁模式与城市空间中的其他交通模式相比，其最显著的特征是在固定线路或轨道上沿特定方向行进，即存在着车辆的行驶路径与公共交通路线之间的时空伴随关系。为探查这种伴随关系，并进一步实现对公交-地铁模式轨迹的识别，需要建立手机信令轨迹与公交路线相关程度的度量。已有的交通模式识别研究(Wangetal.2010,Quetal.2015)中有相当一部分从数据融合的角度出发，将轨迹数据与包括公共交通路网和站点在内的各类交通地理数据结合，进而对公共交通模式进行识别。这些模型的局限在于其选取的识别特征大多以个体到交通设施的距离是否大于阈值来武断判断，无法适应日益复杂的城市交通环境。因此，本小节在根据司乘人员的运动特性，选取SVM分类指标的选取如下：对轨迹T的基站锚点率SC其中LCSST,R为T和R的LCSS匹配结果的锚点数，T'为T的一个子集，表示在城市公交网中，存在较长路途的公交线能够完全覆盖其他短途路线的情况。当路线A能够完全覆盖路线B时，A路线公交司乘人员的周期性和重合度都能与B用户难以区分，区分这两类用户的特性在于：公交车辆除了能够在其工作周期内覆盖公交路线全线，另一特点是在运营时不会脱离公交路线。因而引入匹配基站数占用户使用基站总数比以反映用户轨迹是否紧密沿公交路线行进。（2）对路线R的匹配段覆盖率TCMSR=与其他车辆和移动用户相比，公交车辆在其正常工作周期内会完整途径公交路线的各个路段。本文通过匹配算法得到的匹配段在公交路线上的重合程度来反映公交司乘人员移动数据的这一特性。手机手机信令轨迹T可根据其cell-id记录分割为m段：ST={st1,…,stm}，相对应地，将公交路线等分成n段：SR=sr1（3）匹配周期数Cyc其中，me和ms分别为首末匹配锚点的累积里程，出租模式识别特征相较于对带有公共交通网参照的公交-地铁交通模式手机信令轨迹识别，对出租车交通模式缺少固定线路的辅助数据（公交、地铁路线及沿线站点），其活动范围和模式也更加多样化。因而，对现有手机信令数据集中出租车通勤模式轨迹的识别也更具有挑战。轨迹延展系数城市出租车的显著运动特征之一在于其活动范围更大，往往能够遍布整个城市空间。相较于出租车辆，公交、地铁等通勤模式都有着固定的路线，即使考虑手机信令轨迹的空间误差，其运动轨迹也集中于运行路线附近的小范围区域。私家车辆虽然没有固定路线，但同样有着单一的运动模式（如：居住地-工作地-居住地），较少出现长距离的全城范围的运动。公交轨迹地铁轨迹出租车轨迹其它车辆轨迹图3.1不同交通模式示例轨迹的延展系数Figure3.1Spreadingfeatureoftrajectorywithdifferenttransportmode因此，为了反映车辆在城市不同区域活动的特性，本文引入轨迹延展系数作为交通模式识别的特征指标之一，并给出轨迹延展系数定义如下：Spr其中，BuffTrj,r表示对轨迹BuffSpr(Trj)速度排列熵在对轨迹进行特征提取时，大多数情况下可以依据时空特征（轨迹速度、加速度等）来对轨迹进行区分，如利用个体平均速度值来区分行人和车辆，但这些简单的动力学特征的粒度为整条轨迹的层面，难以刻画轨迹的局部特征。本研究用使用排列熵的概念来描述轨迹局部变化情况。排列熵是以信息熵概念为基础的时间序列复杂度测度，以运动指标分布的典型模式为基础，分析轨迹时间子序列的驱动波动或复杂性(Kelleretal.2017)。速度排列熵的计算方式如下，对时间序列xX其中，x为是手机信令轨迹的某种随时间变化的运动特征，在本节计算速度排列熵过程中，x为粒度为30min的平均移动速度；m、τ分别为嵌入维(embeddingdimension)和延迟步长(delaytime)；矩阵中的每一列可看作一个重构分量，共有K=n−m−1τx如果重构分量中存在相等的值，即x此时就按照j1,jx因此，对于时间序列X(S式中：l=1，2…，k，且k≤m!，m维相空间映射不同的符号序列j1,j2,⋯,H当P=1／m!时，HP(m0≤HP值的大小表示时间序列X航向信息熵从各类交通模式的特点来看，除了速度大小的变化之外，各模式速度方向的变化也存在差异，对于有固定路线的公交-地铁交通模式来说，其航向更为固定，表现出特定的优势方向，因而引入航向信息熵来描述轨迹运动的各向异性。将360度的航向范围切分为16个方向，方宽度w=22.5度，分别标记为N,NNE,NE,ENE,E,ESE,SE,SSE,S,SSW,SW,WSW,W,WNW,NW,NNW，然后在手机信令轨迹上等间隔的选取n个速度采样点，并计算速度采样点p给定一个轨迹点，其手机信令轨迹线段及其对应方向分别记为T和D，其中T={t1,t2,…,ti,…,HP其中，v为离散化表示的方向数目,文中取v=16，即16个方向分量。dj表示方向为j的轨迹线段总数，j=1vdj=m为该端点手机信令图3.2展示了各类交通模式的手机信令轨迹的速度沿各个方向上的分异，公交和地铁模式的手机信令轨迹的速度分布呈现出明显的优势方向，私家车辆类型的手机信令轨迹优势方向不如公交、地铁模式明显，但同样表现出各向异性；相较而言，出租车模式的手机信令轨迹表现出更强的各向同性的特征。公交轨迹地铁轨迹出租车轨迹其它车辆轨迹图3.2不同交通模式示例轨迹的航向分布Figure3.2Azimuthdoftrajectorywithdifferenttransportmode特征变量的选择是构建机器学习分类器的重要环节，对模型的性能和鲁棒性表现起着举足轻重的作用。本文的出行方式识别基于对轨迹和公共交通路网的匹配，依靠最长公共子序列方法确定匹配锚点和匹配轨迹段，进而形成对用户在整条轨迹上出行行为的描述。因而本研究中分类器选取的特征变量主要包括两类：首先是描述个体活动距离、范围以及速度等运动特征的常规特征，这些特征也是被广泛应用于对诸如GPS等轨迹数据进行出行方式识别的特征变量。考虑到基站端设备缺少速度计、加速度计和陀螺仪等传感器模块，手机信令轨迹数据中各类运动特征是无法直接准确获得的，因而基于上一章中的锚点和轨迹段匹配结果构建一系列匹配特征，对司乘人员轨迹进行识别分类。分类模型构建基于机器学习方法识别司乘人员个体，即依靠手机信令数据提取个体轨迹的运动特征和匹配特征，并采用及其学习算法进行分类。本研究选用的机器学习算法为支持向量机。支持向量机模型支持向量机（SVM，SupportVectorMachine）最早由Vapnik在上个世纪90年代提出的一种新的机器学习方法，它以统计学理论为基础，并采用结构风险化最小准则，经过多年发展，逐渐成为解决维数灾难、过学习等问题的一种有效途径。分类支持向量机（SVC，SupportVectorClassification）是支持向量机中常用的一种模型，其原理是：首先将输入空间利用非线性变换到一个高维特征空间，在这个高维空间内寻找最优分类超平面，即寻找支持向量机。由于其利用与最优分类面的超平面平行的样本来构造最优分类面，从而大大增强了测试样本的泛化能力。支持向量机学习性能良好，且理论基础比较完善，因此成为机器学习算法中的一项重要应用。其工作流程如图3.3所示。图3.3支持向量机训练与分类流程图Figure3.3FlowchartoftrainingandpredictionofsupportvectormechineSVC分类器分类支持向量机在模式识别中应用较为广泛，它最早用来解决线性的两分类问题，经过发展逐步推广到解决非线性可分的问题。以线性二分类问题闸述SVC的基本理论，设给定一组线性二分类的训练样本：T={分类的目的是找到一个可以将样本正确分类并且使两类间分割距离最大的超平面，将其称作最优分割超平面，记为w·x+b=0，则支持向量与超平面之间的距离为1minimize1subjecty这里的模型解决的是线性可分的问题，实际上要处理对轨迹是否属于公共交通模式轨迹判别的二分类时，包括常规特征和轨迹匹配特征在内的各类特征向量非严格线性可分的。其解决方法是通过非线性映射∅将参与决策的特征向量映射到高维特征空间，转换为线性可分问题并在高维空间内构造超平面进行分类。通过引入核函数K(xi,x图3.4支持向量机分类超平面与分类间隔Figure3.4hyperplanesandmarginofsupportvectormechine考虑到基站信号在传输过程中受环境影响导致数据具有较大的随机噪声，为提升模型的泛化能力，尽可能有效地对公共交通模式轨迹进行识别，在分类模型中引入松弛变量εminimize

subjecty

式中第一项是使各类样本间分割距离尽量大，从而提高泛化能力，第二项是尽量的减小误差。其中C为惩罚参数，它的作用是衡量分类器的复杂程度和经验风险，C值的大小反映了对错误分类惩罚的大小，C值越大则惩罚越大。为了得到问题的最优解，引入Lagrange函数，则原问题变为：L其中αiminimizeW(α)=subjecti=10≤上述优化问题的解由大部分的零解和少部分的非零解组成，非零解对应的样本便是支持向量，记为αb最后得到最优决策函数为：f(x)=即为解决识别分类问题的支持向量机。核函数及模型参数确定非线性问题需要借助非线性映射变换到高维特征空间中，然后在这个空间内寻求最优解。为了解决非线性变换问题，引入核函数，这样在无需知道非线性映射具体形式的情况下便可将应该在高维特征空间中计算的点积在输入空间中实现，将问题简单化，也就是说，训练样本集和核函数便可确定支持向量机。核函数定义：设X是Rn的一个自己，如果存在从X到某一个高维特征空间H的映射：ϕ:X核函数需要满足条件：某个特征空间中的内积运算可以用某一对称函数Kxi,xj表示的充要条件是：对于任意常用的核函数主要包括线性核函数、多项式核函数、径向基（RBF）核函数以及Sigmoid核函数。在选取最优核函数时以误差最小作为选取原则，RBF核函数相较于其他核函数，具有较少的核参数，当数据维数较大时，其计算较为简单，因此在实际应用中最为广泛。考虑到提取分类指标的非线性特征，为保证模型在整个轨迹数据集上的泛化能力，核函数选择高斯核的RBF函数，其具体形式如下：K核函数确定以后要进一步确定其幅宽参数γ和惩罚参数C的值，其中的取值主要影响高维特征空间中样本数据分布的复杂程度；惩罚参数C主要调节支持向量机的置信范围和经验风险的比例以及间隔最大和错误率最小的比例。模型参数C,γ的确定方法有很多种，其中网格搜索法和交叉验证法较为常用，网格搜索法的过程是首先确定C和γ的取值范围和搜索步长，遍历所有可能的取值，从中选取性能最好的组合。网格搜索法的优点是可以保证搜索到全局最优解，从而避免出现重大误差。本文利用python机器学习模块sklearn中的GridSearch方法实现对C图3.5网格参数寻优求解最优C和γ参数Figure3.5SearchforoptimumCandγbygridsearching实验分析研究区与数据本节对所提出的司乘人员轨迹识别方法进行分类精度的验证，验证实验所选取的研究区为北京昌平区的回龙观社区。回龙观社区是占地面积达到850万平方米的超大规模社区，常驻人口将达到30万人，被公认为亚洲第一大社区。作为北京人口最密集的居住区之一，该地区也相应地发展了密集且繁忙的公共交通网络。如图3.6所示，在这一区域选取了20条公交线进行公交司乘人员轨迹识别，所选取线路长度5.6km到50.3km不等，既包括887等长途公交线，也包括460等短途公交线和区间；路线上的公交站点数超过400个，各路线展布开来覆盖了城区北部的大部分区域。图3.6研究区以及包含的公交路线Figure3.6Studyareaandbusroutesincludede由于手机信令手机信令轨迹数据的海量特性，在研究区内的轨迹数据实际上包含了大量无关的轨迹，数据集中潜在的司乘人员数据实际上只占相当低的比例。为平衡标签类别的数量，去除部分可通过简单规则判定的非司乘人员轨迹，根据以下条件对手机信令轨迹数据集进行初筛选：手机信令轨迹与公交路线500m缓冲区进行空间相交，筛除交集为空的轨迹；去除掉手机信令轨迹中总记录数少于10的轨迹；去除掉记录总时长少于1h的轨迹。经过筛选之后，在研究区内总共保留了843条候手机信令轨迹。对这批候选轨迹进行人工解译标注，456个被标记为司乘人员轨迹，其余被标记为非司乘人员轨迹。精度评价指标在使用机器学习的方法解决分类问题时，通常需要一系列指标来衡量模型的性能，以下介绍基于机器学习的司乘人员轨迹分类器的精度评价指标：查准率（precisionratio），指模型中识别出的某种出行方式中正确的样本个数占识别为该种出行方式的总样本比例。P=召回率也称为查全率（recallratio），指模型中识别出的某种出行方式中正确的样本个数占实际该出行方式的样本比例。R=F-score是分类算法中常用的一种评价指标，上述两个指标查准率和查全率是一对相互矛盾的指标，一般来说，当查准率高的时候，查全率会偏低。在实际的模型评估中，单用Precision或者Recall来评价模型是不完善的，因此定义了一个由查全率和查准率比值组成的统计指标，其计算公式如下：F−score=交叉验证结果标注数据集构建在本节中，利用小样本标注轨迹数据集，对司乘人员识别模型进行识别精度的k折交叉验证。其中，公交、地铁司乘人员的标注数据依赖对轨迹的人工解译，出租车司乘人员的标注数据则通过将信令数据与外源GPS数据匹配实现。（1）公交-地铁标注数据公交、地铁司乘人员轨迹的人工解译是通过逐轨迹点观察轨迹是否表现出司乘人员特征来进行轨迹交通模式判别，过程耗费大量人力，考虑到司乘人员群体在人群中占比较低，属于非平衡数据，难以通过这一手段进行完整信令数据集的判别，因此通过多级筛选方式减少人工解译工作量。首先通过设置最少轨迹点数、最短轨迹长等阈值，筛除明显不属于司乘人员的轨迹和部分异常轨迹；之后通过空间相交关系，选出位于研究区范围内的轨迹数据；最后，通过人工解译确定研究区内属于公交-地铁司乘人员的轨迹。经过初筛选和逐一的人工解译判别后，共标注456条轨迹为公交-地铁司乘人员轨迹，考虑到在处理非平衡数据时，两类样本数量差别悬殊，支持向量机的分类能力会下降(Farquadetal.2012)，对标注为非司乘人员的轨迹进行分层随机抽样，保证两类数据的平衡。处理后的标注数据集共843条手机信令轨迹，共包含16732条记录，其中456个被标记为公交通勤模式，其余被标记为非公交通勤模式。（2）出租车标注数据出租车司乘人员轨迹无固定线路且移动特征相对复杂，难以通过人工解译的方式进行准确标注。受到(刘娟2019)采用信令数据与调查数据匹配构建标注数据集的启发，采用同一日期的出租车GPS数据与手机信令数据进行匹配判别轨迹是否属于出租车司乘人员。具体标注方法采用(Gongetal.2020)提出的异源轨迹匹配方法，通过基于距离的轨迹相似度判别，检测出租车轨迹数据集中是否存在与当前处理手机信令轨迹高度吻合的GPS轨迹，如存在则标注为出租车司乘人员。从数据集中分别抽样500条出租司乘人员和非出租司乘人员轨迹构建标注数据集。公交-地铁司乘人员交叉验证基于选取的特征指标建立SVM二分类器，对公交-地铁司乘人员的分类识别效果进行k折交叉验证。分类器的实现基于Python2.7平台和scikit-learn机器学习包。为检验模型的鲁棒性，同时避免模型的过拟合，将以下步骤重复5次：Step1：将整个843条手机信令轨迹数据集随机分成两组，其中一组674条轨迹（数据集的80%）作为训练集，另一组169条轨迹（数据集的20%）；Step2：对训练集的手机信令轨迹数据分别计算各分类特征，结合其标记对SVM分类器进行训练；Step3：利用训练好的SVM分类器对手机信令轨迹进行判别分类，并结合其标记检验分类模型效果。识别精度结果如表3.2所示，多次重复实验的结果中，模型的分类精度表现出稳定性，各项指标没有大的差异。当以司乘人员轨迹为正类时，分类模型的准确率Precision最低为90.15%，最高为94.32%；召回率Recall最低为88.60%，最高为92.32%。而在以非司乘人员轨迹为正类时，准确率Precision最低为86.50%，最高为90.81%；；召回率Recall最低为88.16%，最高为93.54%。表3.2公交-地铁识别模型交叉检验Table3.2CrossvalidationresultsofPSVclassificationmodelEstimatedasPSVNon-PSV#oftrueTrjRecallTest1PSV4213545692.32%Non-PSV4134638789.41%#ofest.Trj46238184390.98%Precision91.13%90.81%--Test2PSV4154145691.01%Non-PSV2536238793.54%#ofest.Trj44040384392.17%Precision94.32%89.83%--Test3PSV4045245688.60%Non-PSV3934838789.92%#ofest.Trj44340084389.21%Precision91.20%87.00%--Test4PSV4025445688.16%Non-PSV4134638789.41%#ofest.Trj44340084388.73%Precision90.74%86.50%--Test5PSV4124445690.35%Non-PSV4534238788.37%#ofest.Trj45738684389.44%Precision90.15%88.60%--为了检验匹配指标在分类模型中的作用，本文对构建分类器的公交-地铁模式识别特征展开消融实验。实验设置为，仅采用基本时空特征构建的SVM分类模型，在同样的实验设置和测试数据集上进行司乘人员轨迹识别，表3.3给出了分类结果的比较。结果表明，在只考虑轨迹线本身的运动参量特征（平均速度、运动时长、轨迹长度和回转半径）时，对司乘人员轨迹识别的准确率和召回率分别为71.75%和85.81%，总体分类精度为66.51%。而在考虑轨迹与路线的匹配特征，在相同的数据集上，模型总体预测精度从66.51%提高到90.98%。具体来说，将对司乘人员轨迹识别的识别准确率由71.75%提高至91.13%，召回率由85.81%提高至92.32%。表3.3公交-地铁分类模型与对照方法的比较Table3.3Comparisonofclassificationmodeltestresultswithbaseline实验方法（考虑模式特征）对照方法（不考虑模式特征）ModePrecisionRecallPrecisionRecallPSV91.13%92.32%71.75%85.81%Non-PSV90.81%89.41%40.00%21.88%Total90.98%-66.51%-注：实验方法的准确率和召回率以5次实验中的第1次结果计出租车司乘人员交叉验证与公交-地铁识别的识别精度验证类似，出租车司乘人员同样基于选取的特征指标建立SVM二分类器，并进行5次重复的交叉验证。识别精度结果如表3.4所示。所有模型的结果没有显著变化，模型有着较好的稳定性。具体来说，对于公交通勤模式检测，其准确率为82.15~87.45。召回率为80.60%~84.00%，非公交模式检测的准确率为81.20%~84