交通方式的选择极大地影响交通规划,是交通规划和交通管理的核心;另外,可以根据用户的交通方式发现其行为,提供个性化推荐和智能服务。利用用户的GPS轨迹挖掘其移动信息已经成为当前的研究热点,了解用户移动性的关键是对其轨迹进行交通方式识别。目前,基于人工提取特征的机器学习方法进行交通方式识别存在特征提取易受环境条件影响、人类偏见以及提取过多特征将面临大量降维挑战的问题。卷积神经网络具有自动提取特征、网络权值共享等优势,在图像处理、语音识别等领域有着广泛的应用。鉴于以上考虑,本文使用卷积神经网络的方法对移动轨迹的交通方式进行识别。首先通过在预处理中分段过程来增加样本数量;然后使用速度、加速度、加加速度和承载率等轨迹运动属性作为模型的输入;训练七种不同设置条件的模型,通过多次实验和评估,寻找出最佳分段值、迭代次数等优化方法来实现对步行、骑车、公交、驾驶和火车五种交通方式进行识别的最佳架构;最后做了一个简单的交通方式识别系统。为了证明模型的优越性,与经典的RF,DT等机器学习方法进行了比较,实验结果表明本文CNN模型的优势,而且还发现迭代次数和分段值的取值对实验准确率和运行时间有着很大的影响,优化后的模型比最初设置的卷积神经网络模型准确率提高了4.2%,最终达到了83.7%并且降低了运行时间。