随着城市的高速发展,交通拥堵已成为各大城市面临的关键问题之一,准确识别和预测实时交通状态,对缓解交通拥堵、构建城市智能交通系统、推动现代社会发展具有十分重要的意义。目前,交通状态识别方法及研究主要依靠车载GPS、固定监测器等传统设备,这类设备存在安装维护成本高、覆盖面积小、能耗大等缺点,使得交通状态识别在实际应用中存在诸多问题。随着智能手机的普及以及传感器技术的不断发展,利用类型丰富的手机传感器进行交通状态识别有着成本小、功耗低、稳定性高等优点,是有效解决传统检测设备不足的一个新思路,基于此,本文研究基于手机动力学传感器的交通状态识别。主要研究内容包括如下四个方面:(1)基于手机传感器的交通状态数据集构建为高效方便获取传感器数据,设计了一款数据采集工具,用以采集车辆在行驶过程中产生的传感器数据并进行标记。其次,通过数据预处理和对原始数据及其时域特征的分析选取了用以进行交通状态模型识别的特征数据,从而构建了后续研究所需的数据集。(2)基于SVM的交通状态识别交通状态识别问题属于多类别非线性分类问题,考虑到SVM对于此类问题的优秀表现,构建了基于SVM的交通状态识别模型。首先对不同核函数及特征组合分别进行对比实验,实验结果表明以加速度传感器和陀螺仪传感器数据的均值、方差时域特征作为特征数据时,RBF核函数的SVM模型识别效果最好。为进一步提高模型识别效果,提出了改进ABC算法优化参数的SVM交通状态识别模型。实验结果表明,改进ABC算法优化后的SVM模型识别准确率达到91.66%,比传统网格搜索法优化参数的SVM模型提高了3.25%。(3)基于LSTM的交通状态识别基于LSTM网络擅长处理时间序列数据、较强的非线性处理和泛化能力,为提高交通状态识别效果,进一步研究了基于LSTM的交通状态识别。对提取的传感器特征数据进行数据格式转换等预处理操作后,首先通过梯度下降方法对比实验选取Adam更新模型参数,接着基于真实交通状态数据集,实验并验证本文LSTM模型具有良好的交通状态识别效果,识别准确率达到92.67%,比改进ABC算法优化参数的SVM模型提高了1.82%。(4)交通状态识别系统设计与实现基于LSTM的交通状态识别模型,本文最后实现了一个具有数据采集与标记、交通状态识别、交通状态监控等功能的轻量级Android软件,作为基于手机传感器交通状态识别应用的初探。