在日趋复杂的城市道路网中，导航服务在日常生活中的普遍应用，为用户出行提供了不少的便利。随着移动设备的小型化与便携化，导航系统可为带有GPS传感器进行定位的移动设备提供导航服务，继已开始应用于行人出行的导航^[1]。目前，大多现有的导航系统多用于车载导航服务，而支持车辆导航的地图数据普遍存在不足，即缺失路网属性的数据导致无法根据行人用户的特定需求进行出行路线的调整。

许多环境因素会较大程度影响行人出行的舒适度与安全性^[2]，尤其是特殊群体的出行。由此，个性化导航的使用便有着十分重要的意义，可使得该类群体的日常生活与工作有更大的自主权与独立性^[3]。Navi Comfort系统整合了多传感器数据，综合异质环境因素，实时预测为行人提供更舒适的路径导航服务^[2]。Route Checkr系统则是依据用户的自身资料进行地理数据的多模式协同注释并共享，为移动障碍人群实现个性化路由^[3]。然而，上述两种导航系统注重时变因素与用户自身定义的考量。Ding等^[4]则设计了考虑个性化要素的轮椅用户导航系统，以轮椅可达性的相关信息作为度量因素，提供适配的实时导航服务，但研究侧重于对系统的搭建与介绍，并未提及具体应用的度量信息及其获取方式。现有的个性化导航系统研究中，个性化路由并未考虑路网属性对出行的影响。道路坡度或在一定程度上降低行人出行的通达性，尤其针对特殊行人群体^{[5, 6]}。因此，本文将道路坡度作为行人路网属性，实现对该属性的检测。

目前，智能手机普遍内置多种传感器，如加速度计、陀螺仪、气压计、全球定位系统等^{[7, 8]}。许多学者提出了基于智能手机的路况监测系统^{[1, 9-13]}，即道路分析与异常检测。通过获取智能手机传感器数据的特征，实现对机动车道路面状况检测。Nericell系统结合手机内置传感器，实现检测交通鸣笛、路面坑洼颠簸和车辆制动的功能^[9]。Pothole Patrol系统则是基于出租车的移动传感器来检测和评估路面状况的监测系统^[10]。此外，杨超^[11]所提出的系统可基于智能手机采集各种车辆行驶时的传感器数据，主动学习车辆属性，并通过自由度震动模型得出车辆行驶时所遇坑槽（裂缝）的深度和长度。较传统的路面检测方法^{[14, 15]}，基于智能手机的监测系统在应用便利性与价格低廉性上有着极大的改善。在现有研究中，道路检测多应用于机动车道的路况监测，尚未有研究将行人路网作为应用场景。因此，本文提出基于智能手机内置传感器的行人路网坡度属性检测的方法。当行人行走在不同类型的道路上时，传感器数据波动变化反映出行人的活动行为^[16-18]，一定程度上反映出道路类型，继而得到对应路网的属性信息。

本文提出了一种基于智能手机的行人路网坡度属性检测方法，通过提取传感器数据，应用机器学习算法，实现对坡度属性的自动识别及检测，丰富路网基础数据，为实现个性化导航提供数据基础。

1 行人路网坡度属性检测方法

本文以深圳大学（粤海校区）的行人路网作为实验数据的采集场所，采集者将手机保持在身体前方进行数据采集。数据分别采集两套，即训练数据与测试数据。其中，采集者记录训练数据采集路段的坡度信息，同时训练与测试数据无相同交叉数据，以确保避免分类模型过拟合的情况。

1.1 数据预处理

数据采集完成后，提取智能手机内置传感器所记录的数据，用于数据集的构建，所需数据即时间戳、加速度、气压值、高程值、经纬度。

由于数据采集者行走模式的差异及环境不定因素的影响，所采集数据中存在噪声数据。因此，构建数据集前需对采集数据去噪，避免对模型分类精度的影响。噪声数据的来源主要分为两种，即操作采集软件时的原地停留与行径过程中因外界因素造成的短暂停留。依据采样频率，确定剔除量与方差阈值用于噪声数据的剔除。其中，剔除量是用于消除软件操作时采集的数据，方差阈值则是用于判断采集时运动状态是否存在短暂停留的情况。具体数值关系见表 1所示。

由于运动过程中手持采集设备造成设备的抖动较大，气压计所记录的数值无法直接反映气压的变化。因而，消除噪声数据后，仍需对气压数据进行滤波处理。本文将采用巴特沃兹滤波器实现该目标，平滑后的气压值能更有效反映路段的真实气压差值。去噪及滤波完成后，即得到构建数据集的初始数据。

1.2 属性检测 1.2.1 特征提取

在进行路网坡度属性检测之前，需要提取相应的特征。其中，最直观区分平坡路的变化特征源于气压与高程，故本次将选取气压差与高差作为输入特征值。首先需对原数据进行采样，而后计算各样本的特征值并保留各样本第一条时间戳数据。其中，确定窗口长度后，以50%的重叠率进行数据采样。特征值的选取为气压差与高差，两者均定义为各样本末尾数据与起始数据的差值。

1.2.2 属性分类

在特征提取之后，采用机器学习的分类算法实现对路网坡度属性的检测。其中，坡度属性分为平路和坡路两类。

针对分类模型，本次将采用4种常见的分类模型作为候选模型，即支持向量机（support vector machine, SVM）、K最近邻法（K-nearest neighbor, KNN）、朴素贝叶斯（Naive Bayes）、分类与回归树（classification and regression tree, CART）。通过对比各模型的检测精度，以精度最优的模型作为最终的分类模型，实现路网坡度属性的检测。

1.3 数据融合

分类模型所检测的属性均表示为各样本的坡度类型，需通过融合处理，将各样本的属性类型赋予样本所关联轨迹段的GPS数据。由于智能手机所采集的数据为时序数据，故本次将基于时间戳实现数据融合。通过数据集构建时确定的采样窗口长度，对比时间戳数据以获得样本所指向的数据段。将样本的坡度属性赋予数据段中的各GPS数据，以得到带有属性信息的GPS数据，实现数据间的融合。

1.4 地图匹配

由于多路径效应造成实际采集GPS轨迹的偏移，无法直接用于表示真实路网的轨迹路径。因此，需基于现有的行人路网将所采集轨迹点的属性赋予路网数据中匹配的位置点。本次将OSM(OpenStreet Map）的路网数据作为基础路网，进行地图匹配，从而获得带有坡度属性的行人路网基础数据。地图匹配的过程主要分为以下两个步骤：

首先，对OSM路网中各路段进行增加点数处理。OSM的基础路网由多个特征点构成，即各路段仅含有起终两个特征点的位置数据。由于点密度的差异，直接进行坡度属性的匹配，轨迹点则无法匹配至路网中真实位置点。因此，本文将采用内插法，在路网中各路段起终点间增加点数，提高点位置的匹配精度。其中，增加点数N由实际采集轨迹点间距的均值l与路段长度L所决定。

$ \text { 增加点数: } \quad N=L / l $

(1)

$ \text { 经度间距: } \Delta x=\left(\mathrm{Lon}_2-\mathrm{Lon}_1\right) / N $

(2)

$ \text { 纬度间距: } \Delta y=\left(\mathrm{Lat}_2-\mathrm{Lat}_1\right) / N $

(3)

$ \text { 增点经度: } \mathrm{Lon}_i=\mathrm{Lon}_1+\Delta x \times i $

(4)

$ \text { 增点纬度: } \mathrm{Lat}_i=\mathrm{Lat}_1+\Delta y \times i $

(5)

式中，N向下取整，且i=1, 2，…，N。

其次，将轨迹点属性匹配至行人路网中的最近位置点。根据欧氏距离，依次计算各轨迹点至路网位置点的距离，获取最小距离的点对，将轨迹点的坡度属性赋予该位置点，从而获得带有属性信息的行人路网基础数据。

$ 点间距离 : \;\;\;\;\quad \rho^i= $$ \sqrt{\left(\operatorname{Lon}_{\text {OSM}}^i-\operatorname{Lon}_{\text {trace }}\right)^2+\left(\operatorname{Lat}_{O S M}^i-\mathrm{Lat}_{\text {trace }}\right)^2} $$ $

(6)

式中，i与N的含义均同上。

1.5 投票与修正

由于采用智能手机可获取同一路径的多条轨迹数据，匹配完成后，会出现部分路网位置点匹配至多个坡度属性标签。使用多数投票法，对该类位置点的标签行进行扫描，获取标签行的主元素作为该位置点的唯一属性。随后，修正所得数据中的异常标签，以改善模型检测精度不足的问题。其中，异常标签指在连续相同标签中偶然出现的极少数不同标签类型，而该些标签因数量不足无法用于表示真实轨迹段的属性。扫描属性标签并获取连续的异常标签的位置与数量，通过数据预处理中采样长度与实际采样频率确定阈值，用于判断异常标签是否需修正。依据异常标签所在位置前的属性确定待修正的属性类型，随后即得到最终带有坡度属性的行人路网基础数据。

为验证所述方法可有效实现对精度的提升，本文预先使用不同数据量的数据进行测试，观察在不同处理条件下检测精度的变化情况，见图 1所示。该图直观地展示了经过修正处理后的精度有明显提升。修正后精度均达到100%为理想情况，由于测试所用数据量与实验有所差距，实际修正后的精度会相对低一些，但该图证明了修正处理对提高检测精度的有效性。

2 实验与分析 2.1 数据集

数据集主要分为训练数据与测试数据。

1）训练数据。即标注数据，是指对处理所得的特征数据依据其属性进行标注，用于属性检测器的训练。采集者根据道路坡度属性不同分段采集数据，并记录坡度类型作为属性标签定义的基准。

2）测试数据。即轨迹数据，是沿深圳大学校园路网行径轨迹所采集的数据，但不进行特征数据的标注。通过训练所得的属性检测器实现坡度类型的检测，并对检测数据实施数据融合、地图匹配、投票与修正处理，以得到带有坡度信息的路网数据。

采用精度与混淆矩阵作为评价指标。精度通过检测正确样本在总检测样本中所占的比重进行表示，可较为直观地展示算法的优劣。而混淆矩阵，即误差矩阵，以方阵的形式展示用以评定监督算法的性能，可更清晰地反映出预测值与真实值相互吻合的情况。

2.2 参数选择 2.2.1 时间窗与模型

数据处理中的采样时间窗长度与属性检测器的选择是实现属性检测的首要目标。时间窗长度决定了特征数据的使用效果，若其选择过长则采样时较短路段对应的属性会被遗漏，反之，则因样本量的增加延长了模型的训练时间，导致模型的可用性不高。而合适的检测器可为后续实验提供稳固的基础。本文将选取0.64、1.25、2.56、5.12、7.68共5种时间窗长度与SVM、KNN、Naive Bayes、CART 4种分类模型，使用训练数据集，通过检测精度的对比选择最优参数。

根据图 2可得到，随着时间窗长度的增加，分类精度均有所提升。其中长度为5.12和7.68的分类精度相近，但为避免窗口长度过长，本文采用5.12作为数据处理的时间窗长度。考虑分类精度的优异，本次实验将采用KNN作为最终的分类模型。

2.2.2 特征选择

数据预处理的过程中提取了时间戳、加速度、气压值、高程值、经纬度5大类传感器数据。其中，能够最直观区分平路与坡路的数据即为气压与高程的变化值。因此，本次将采用气压差与高差作为模型的输入特征。特征值的计算即通过时间窗长度进行数据采样，并计算各样本末尾与初始数据的差值。

2.3 坡度分类

确定构建数据集所需参数与分类模型后，分别将训练数据与测试数据作为模型的输入。通过前者训练KNN模型，随后对测试数据中各组特征数据进行属性检测。KNN检测的综合精度为73.2%，平路为75.9%，坡路为70.4%。通过投票与修正后综合精度提升至97.3%，平路为98.3%，坡路为96.3%，已实现较好的还原路网的真实属性。

通过检测精度对比与表 2所示混淆矩阵可得到，经过修正处理后，属性检测精度有所提升，但仍存在一定的误差。误差存在的原因主要分为两种。其一是构建训练数据时属性标签定义的误差。本次仅将路网属性依据经验分为平路与坡路，存在属性定义偏差的情况从而影响检测精度。其二则是路面的不平整性造成所采集数据的误差。由于自然因素或人为因素所引起路面损坏或变形，行经该路段时手机抖动较为明显，造成采样后检测结果的错误。然而在本次研究中，所提及误差无法避免，有待后续研究进行改进。

2.4 坡度可视化

通过所提方法中各步骤的操作后，便得到了最终用于可视化的数据，即带有坡度属性的OSM路网基础数据，使用Arc Map对其可视化。由于校园路网的特殊性，即机动车道与行人道路共用或并行，此次仅对可通行的被校园机动车道所覆盖的行人路段进行属性可视化，展示结果如图 3所示。图 3中红色路段为坡路；绿色路段为平路。

3 结束语

本文提出了一种基于智能手机的行人路网坡度属性检测方法。首先，提取智能手机传感器数据的特征，构建数据集，采用机器学习算法，实现对行人路网坡度属性的检测。其次，通过数据融合获得带有属性信息的GPS数据，并通过地图匹配实现将检测属性赋予OSM的基础数据。最后，对带有多个坡度属性的位置点采用多数投票法得到唯一属性，并对数据中所有的异常标签进行修正，以提高实验最终的检测精度。本文实验精度达到97.3%，证明了所提方法的可行性与有效性，可为个性化导航提供更准确反映实际路网坡度属性的基础数据。同时，由于智能手机的普遍应用，基于众源数据的概念，本文所提方法的数据获取更加便利。本文仅将路网定义为平路与坡度，而下一步工作需对行人路网的坡度进一步分类，以在行人路网的基础数据中实现更细致的坡度属性添加。