基于手机传感器数据识别交通方式中最佳时间窗口选取研究

为探究利用手机传感器数据提取交通方式时,对原始数据处理时选取不同的时间窗口长度对出行方式识别的影响,设计多种交通方式的组合出行试验,利用手机传感器采集软件采集真实出行数据,同步记录出行日志。经过数据预处理与出行特征分析,得到不同时间窗口下的特征参数,并利用支持向量机算法对出行方式进行识别。结果表明,出行方式整体识别准确率随时间窗口长度呈先增大后减小的趋势,在30s~50s之间的准确性较高,35s时的识别准确性最高,达到83.63%。其中,步行、自行车、公交车、小汽车四类交通方式准确率可到达90.48%、84.21%、80.98%、78.85%。结论为利用手机传感器识别交通方式的准确性提供时间窗口选择上的依据。

基于手机内置传感器数据的路段自行车交通服务水平模型研究

通过梳理路段自行车交通服务水平影响因素,明确3种类型的数据需求,即道路交通环境数据、骑行行为特征数据、主观感受数据;基于此设计骑行行为实验和道路交通环境调查实验,利用手机内置传感器采集骑行行为数据,并采用相应的数据处理措施;最终构建基于随机森林算法的路段自行车交通服务水平模型.

结合手机传感器和卷积神经网络的人体行为识别

单一传感器在人体行为识别中误差较大,针对此问题提出一种利用智能手机中惯性传感器并结合卷积神经网络(convolutional neural network,CNN)的人体行为识别方法。文中利用构建的卷积神经网络模型自动提取加速度和角速度数据特征,并结合Softmax分类器识别人体行为。实验结果表明,相比于现有的研究,该模型在人体6种行为上取得了较高的识别准确率,平均识别率可达97.22%,说明了卷积神经网络在提取特征上的优势以及本模型的可行性。

基于手机数据的交通方式识别研究综述

出行者的出行需求对城市交通规划与交通政策制定来说至关重要,而交通方式是个体出行行为的重要组成部分,研究居民出行方式是掌握个体出行行为的重要一环。本文根据获取数据方式的不同,将交通方式识别数据源分为传统交通调查、手机传感器数据和手机信令数据三类。由于手机传感器数据和手机信令数据均能记录出行者轨迹信息,但不同于传统交通调查,无法直接获得交通方式,需要采用数据挖掘方法进行分析,本文从使用方法、提取属性两个角度对利用两种数据识别交通方式的研究进行综述,分析当前研究的不足及问题,提出未来在个体精细化出行行为的提取、多数据源同步对比实证等方面可进一步研究,为交通规划、交通管控等提供依据。