针对普适交通模式的场景感知功耗高、场景复杂的问题，提出一种融合残差网络（ResNet）和带孔卷积的交通模式识别算法。首先，使用快速傅里叶变换（FFT）将一维传感器数据转换为二维频谱图像；然后，使用主成分分析（PCA）算法对频谱图像降采样；最后，使用ResNet挖掘交通模式的局部特征，使用带孔卷积挖掘交通模式的全局特征，从而实现对八种交通模式进行识别。与决策树、随机森林、AlexNet等八种算法在实验中的对比评估结果显示，融合ResNet和带孔卷积的交通模式识别算法在静止、走路、跑步等八类交通模式上均有最高准确率。该算法具有良好识别精度和鲁棒性。

交通模式识别是用户行为识别中的一个重要分支，其目的是对用户所处的交通模式进行准确判断。针对现代智慧城市交通系统对在移动设备环境下精准感知用户交通模式的需求，提出了一种基于残差时域注意力神经网络的交通模式识别算法。首先，通过具有较强局部特征提取能力的残差网络提取传感器时序中的局部特征；然后，采用基于通道的注意力机制对不同传感器特征进行重校准，并针对不同传感器的数据异构性进行注意力重校准；最后，利用具有更广感受野的时域卷积网络（TCN）提取传感器时序中的全局特征。采用数据丰富度较高的宏达通讯（HTC）交通模式识别数据集来对已有的交通模式识别算法和所提出的残差时域注意力模型进行评估，实验结果表明，所提出的残差时域注意力模型在对现代移动嵌入式设备的计算开销友好的前提下具有高达96.07%的准确率，且对单一类别均具有高于90%的召回率与精确率，验证了该模型的准确性与鲁棒性。所提模型可以作为一种支持移动智能终端运算的交通模式识别应用于智能交通出行、智慧城市等领域。