文献综述（或调研报告）：
（1）国内研究现状:
张治华从GPS轨迹中自动提取出行信息所遇到的问题并提出了解决方案。介绍了面向对象的轨迹数据分割方法设计，对出行端点提取方法进行研究，有效地避免了噪音干扰。同时用C4.5决策树方法对用户进行了出行目的预测[1]。冯冲提出并实验分析了一种基于时空关系的移动定位数据的处理方法,剔除了大量可能对定位产生干扰的数据，用以处理手机定位所遭遇的“噪声”数据问题。通过对居民出行特点与出行方式之间换乘特性的研究,针对己有方法的不足提出了一种基于先验知识的手机用户出行模式的识别方法,并通过GPS浮动车数据的对比证明了方法的有效性[2]。张帅等人将手机与GPS的定位特点进行比较，研究手机定位的算法，并基于其算法通过实验对其定位的精确度进行了检验，证实手机定位的精度目前符合大家的需要[3]。浩明基于安卓手机系统的基本原理与系统架构，深入研究学生用户服务体系，掌握签到实现技术，开发出了基于安卓手机位置服务的签到系统。并对学生用户、教师用户、管理员用户等进行了测试，实验结果证明此系统能够通过手机GPS定位，有效避免其他同学代签到的情况[4]。谢翔等人开发出了A-GPS技术，该技术是一种结合了网络基站信息和GPS伪距观测值对终端进行定位的技术，可以在有遮挡的情况下对手机进行定位。此技术在楼顶点、室内等地被用于实验，实验结果表明，A-GPS技术利用无线通信网络，不仅满足了室内环境中的定位需求，并且大大缩减了首次定位时间[5]。柏丛等人研究基于智能手机对公交车进行交通信息采集，首先对原始数据的处理进行了说明，详细介绍了获得出行轨迹、计算路段平均长度、相关速度、矩阵等的方法[6]。霍艳玲提出基于手机GPS定位的外勤监控管理系统。该系统以企业和组织对外勤人员及移动资源的有效管理为背景，利用手机GPS定位对外勤人员和工作过程的实时、精确化管理，加强与外勤人员的交流，使企业和组织可以轻松实现对移动设备、外勤人员的监控、调度、考核等管理方式。该系统部分主要包括移动监控和管理、实现实时监控、历史轨迹查询、调度管理、SOS报警等，为用户随时随地的提供信息服务[7]。杨开鹏开发出了基于B/S 架构的GPS手机实时追踪系统。该系统基于B/S架构的GPS手机追踪系统的设计与原型,并利用用户应用的扩展设计和客户端地理信息服务的实现技术,体现了将GPS手机终端与WEB服务器结合的应用思想。并从实践论证了手机终端与J2EE技术集成的可行性[8]。朱宇兰，洪欣提出了基于GPS手机的出警导航系统。该系统基于Windows Mobile操作系统，采用了全球卫星定位技术，监控中心通过解读GPS信息定位出巡逻警员当前和出警目标点位置，巡逻警员使用解码函数来解析监控中心发送的出警短信内容,通过GPS手机导航及特设时时通讯和高精度放大/缩小地图功能到达出警目标点，能起到很好的出警导航作用[9]。
（2）国外研究现状：
Gong H等人开发出了GIS法则，根据这个法则可以半自动的更新基于GPS的出行调查的数据并且从纽约的多模式交通网络中检测出5种出行模式（步行、私家车、公交、地铁、通勤铁路），从而使得模式检测数据不受城市峡谷效应影响，进而能够成功的管理大量的GPS提供的数据[10]。Wu J等人将出行模式识别模型基于GPS时间活动数据人的活动模式进行分类（即室内模式，室外静模式，户外散步模式，和行驶的车辆模式）。为了评价这些模型，调查者通过GPS记录、活动日志和访谈来对时间活动模式进行手工分类。并评估了用户定义的规则模型和随机森林决策树模型。实验结果表明，此两种模型可以成功地从原始GPS数据中确定室内、车内模式，但并不能区分室外静模式和步行模式[11]。Bohte W等人提出了一种结合GPS日志来进行模式识别和出行目的分析的创新方法，即地理信息系统（GIS）技术和基于Web的交互式验证应用，并进行了大规模的研究实践。实践结果表明，该方法不仅可以进行可靠的多天的数据收集，并且当出行端点的出行次数增多时，出行方式和出行目的几乎与实际情况是吻合的，这是传统的出行调查方法所不能得出的结论[12]。Peer S等人开发出了一种简要测量用户门到门的出行时间的算法。该算法使用地理加权回归来估计在陈述倾向（SP）和显示倾向（RP）两种类型的链路速度的相关性。此算法不仅可以测量出行者门到门的出行时间，而且可以在出行者无逗留的情况下，测量其有换乘的情况下的出行时间[13]。Zheng Y等人研究了基于GPS的原始数据而对GPS用户的前后活动进行推断的方法。该方法由三部分组成：一个以变化的点为基础的分割方法（变化点分割方法），推理模型和基于条件概率的后验算法。研究者将变化点分割方法与传统的方法，包括定时方法和定长度的方法进行了比较。同时，将四种不同的推理模型，包括决策树，贝叶斯网络，支持向量机（SVM）和条件随机场（CRF）进行对比研究实验。实验结果表明，变化点分割方法在预测交通模式和它们之间的转换检测中实现了更高的准确度。决策树在变化点分割方法中优于其他推论方法[14]。Schuuml;ssler N提出了如果除了GPS原始数据，没有其他更多的信息，即出行模式和出行目的，怎样运用后处理对分析和模型估计进行分析的后处理方法。研究者对此方法进行试验。通过对结果进行比较发现获得的数据可以进行模式识别，也能够进行进一步应用[15]。Ashbrook D， Starner T开发出一个系统，该系统将自动确定下一段时间点用户的可能位置。这些位置随后掺入马尔可夫模型，最终无论是单个个体出行，还是多个个体出行，都能够对其位置进行准确预测和判断[16]。He L等人提出了一种基于GPS / GIS的嵌入式导航系统。这个系统可以实现例如PDA的数据查询和分析，终端通信服务，地图应用服务，地理信息采集，嵌入式导航电子地图等的功能。他们对此系统进行了测试，测试结果证明基于GPS系统/地理信息系统是可行的，有效的，它可以安装在PDA，移动电话等便携式信息终端[17]。Nobuaki Ohmori等人提出基于手机GPS活动日记的调查系统，这个系统以GPS-PDA装备为基础。位置数据被手机以规则的间隔记录。活动数据测试表明该系统是用于在数据输入减少一个“时间滞后”和减轻空间有用约束数据项。此测试结果还表明当用户在一天内进行一次出行活动时，系统能够很好识别，但是当用户一天内有多于一次的出行，则出行活动不能被很好的识别[18]。Nobuaki提出了一个GPS手机为基础的活动日记勘测系统。在这个系统中，由Java语言编写的软件可以安装在手机上，用于为活动日记输入信息。位置数据自动定期由配备GPS的手机收集。通过与常规数据比较发现，该系统是用减少空间的约束进行数据录入，并且缓解“时间差”的条款条目。不过，受访者的负担并没有减少[19]。Hato, Eiji开发了MoALs系统，这个系统用于长期收集人类的出行信息。 MoALs可以减少路径和时间测量误差尝试。这个系统表明，与常规的问卷方法相比，活动数据的更准确的记录是可能的。在防止记录/条目遗漏的条款方面，该系统被认为是优于传统的纸张或基于计算机的活动的调查方法。此外，该系统还有一个优势是，记录的路径数据也可以在同一时间，允许无缝测量室内和室外。并且实验显示MoALs通过使用GPS的移动电话的位置识别功能能很精准地识别位置数据[20]。
（3）现有成果总结
现有的国内外研究主要探讨如何利用GPS行为轨迹，分析出行者的活动及出行特征，其研究侧重于追求活动出行模式识别的精确性。这种研究范式往往要求研究者除具备基本的GPS轨迹数据外，还应该掌握其他的辅助资料，如土地利用性质、道路网络、公共交通网络等。虽然已有部分研究力图仅从出行轨迹的速度与加速度两个指标探索模式识别方法，但由于其繁琐的算法及较低的精准度，无法在自动识别层面进行推广。因此，本文通过手机与问卷相结合的方式，获取大学生日常行为轨迹数据与活动出行资料，尝试融合基于监督的隐马尔科夫模型与后验判定规则，提出一套较为简易、准确的模式识别方法，并利用分析结果构建结构方程模型，验证各种出行方式在大学生日常活动出行中的适应性，为科学引导大学生出行提供经验与参考。
参考文献：
[1]．张治华. 基于 GPS 轨迹的出行信息提取研究[D]：［博士学位论文］．上海：华东师
范大学，2010
