一种基于手机多传感器的用户出行方式分析方法技术

本发明专利技术公开了一种基于手机多传感器的用户出行方式分析方法，该方法对手机内置传感器如加速度、陀螺仪、GPS等进行数据采集、过滤，根据多传感器观测结果形成的特征向量与特征基准向量进行比较，利用加权的多维判决方法进行初步分类，利用改进的AdaBoost集成学习算法对初步分类结果进行组合，最终分析出最优化的决策结果，实现识别用户出行方式的功能。本发明专利技术设计的数据集成学习分析算法，不是对多种数据的简单平均，而是利用手机采集到的多传感器原始数据进行训练学习，进而对数据进行分类识别，最终做出最优决策的过程。

An analysis method of user trip mode based on mobile phone Multisensor

The invention discloses an analysis method of user trip mode based on multi-sensor of mobile phone. The method collects and filters data of built-in sensors such as acceleration, gyroscope and GPS, compares the characteristic vector formed by multi-sensor observation with the characteristic reference vector, and utilizes weighted multi-dimensional decision square. The method carries on the preliminary classification, uses the improved AdaBoost ensemble learning algorithm to carry on the combination to the preliminary classification result, finally analyzes the optimized decision-making result, realizes the recognition user trip way function. The data integration learning and analysis algorithm designed by the invention is not a simple average of multiple data, but a process of training and learning by using the original multi-sensor data collected by the mobile phone, and then classifying and identifying the data, and finally making the optimal decision.

【技术实现步骤摘要】
一种基于手机多传感器的用户出行方式分析方法
本专利技术属于智能交通服务
，具体涉及一种基于手机多传感器的用户出行方式分析方法。
技术介绍
随着相关技术的发展，智能手机越来越多地配置各种传感器，如加速度用于手机运动状态检测，陀螺仪用于运动行为识别，GPS用于地图定位和导航等。因此利用手机内置传感器识别用户的行为，并根据识别的行为类型为用户提供各种智能化、个性化的服务成为热门研究问题之一。但是由于人体运动的习惯性、复杂性，单一的传感器数据难以准确地对用户行为进行识别，故而，研究如何利用多种传感器数据进行集成学习，从而准确识别用户行为成为智能交通服务领域的一个重要研究问题。放眼国外，MiluzzoEtal在2008年提出的CenceMe系统可以通过获取手机内置的传感器数据，比如音频数据、用户定位信息等，进行特征提取和分类识别，从而判断用户的运动状态，如走路跑步等。KwapiszJR等研究人员利用手机加速度传感器进行活动识别，通过对二十九个用户日常活动的加速度数据进行时间序列聚合，训练数据来诱导活动识别的预测模型，从而对如步行、慢跑、爬楼、站立等动作进行识别。在国内，陈国良团队为了降低不同环境下对计步效果的影响，设计了一种利用手机加速度传感器实现自相关分析的计步算法，实验结果表明该算法有效提高了计步的准确率。王昌喜等研究人员设计了一种基于三维加速度传感器的上肢动作识别系统，该系统对加速度数据进行预处理，利用蚁群算法进行特征选择，最终由支持向量机进行动作类型分类，能够快速准确地对人体上肢动作进行识别。因此在以上成果的基础上，为使多传感器数据在出行购物、线路规划和交通管理等方面为用户带来更好的使用体验，使用户的生活更加方便快捷。
技术实现思路
鉴于上述，本专利技术提供了一种基于手机多传感器的用户出行方式分析方法，该方法通过对手机内置多传感器收集到的数据进行挖掘，综合不同的传感器数据信息，实现对用户的出行方式做出识别判断的功能，从而为不同出行方式的用户提供定制化服务的基础，后续可以针对不同的出行方式智能地提供应用服务列表，极大地提高了推荐的准确性。一种基于手机多传感器的用户出行方式分析方法，包括如下步骤：(1)利用手机中的传感器采集获取用户大量出行过程中关于GPS坐标、三轴加速度、三轴角速度的三种传感数据并保存；(2)对采集到的上述三种传感数据进行预处理得到用户每次出行过程的速度、加速度以及角速度；(3)针对用户基于单一出行模式的每一次出行过程，通过计算提取出每次出行过程中关于速度、加速度、角速度各自对应的特征向量；进而通过随机重采样和滑动平均法计算出速度、加速度、角速度在每一种出行模式下对应的特征基准向量；(4)对于每一次出行过程中每一种传感数据的特征向量，通过与特征基准向量比较得到对应的初步分类结果，从而构建出大量的样本；(5)分别为速度、加速度、角速度三种传感数据建立对应的弱分类器，利用样本通过AdaBoost算法对弱分类器进行训练，使用弱分类器的正确率最小化损失函数，从而迭代更新每个弱分类器的权重值α及其输入对应的权重向量D，使其中被正确分类的出行模式对应的权重升高，被错误分类的出行模式对应的权重降低；(6)将未知出行模式的一次出行过程中关于速度、加速度、角速度的特征向量分别输入至对应训练完成的弱分类器中，使三个弱分类器的输出结果与其对应的权重值α进行加权求和，加权求和后结果中最大概率值所对应的出行模式即为该次出行过程的出行模式判别结果。进一步地，所述步骤(1)中利用txt文件的形式将采集到的传感数据保存至样本库中，以时间戳对应路径，以便在计算机端进行后期的处理。进一步地，所述步骤(2)中的预处理过程如下：2.1对采集到的传感数据进行低通滤波处理；2.2根据用户任一次出行过程中GPS坐标的变化，记录出行起点、出行终点、出行开始时间、出行终止时间，进而利用相关地图服务API计算出该次出行过程的距离、时间、速度；2.3通过公式计算合成该次出行过程的加速度a，其中xa、ya、za分别对应X、Y、Z三个轴上滤波后的加速度；2.4通过公式计算合成该次出行过程的角速度g，其中xg、yg、zg分别对应X、Y、Z三个轴上滤波后的角速度。进一步地，所述步骤(3)中的特征向量包含有六个特征值，分别对应以下六种特征：均值、方差、最小值、最大值、偏度、峰度；所述出行模式有以下五种：步行、自行车、私家车、公交车、地铁。进一步地，所述步骤(3)中对于速度、加速度、角速度三者中的任一种传感数据x，计算其在某一种出行模式y下对应的特征基准向量，具体过程为：首先，提取基于出行模式y下所有出行过程中关于传感数据x对应的特征向量；然后，从这些特征向量中随机有放回地进行多次抽取得到一定数量的重取样特征向量；最后，根据这些重取样特征向量中的特征值，计算出每一种特征对应的滑动平均值，从而组成了传感数据x在出行模式y下对应的特征基准向量。进一步地，所述步骤(4)的具体实现过程如下：4.1对于任一次出行过程中任一种传感数据的特征向量，将该特征向量与对应传感数据每一种出行模式的特征基准向量进行比较，得到一个n×m的误差矩阵，n为特征向量的维度，m为出行模式的种数；4.2对于误差矩阵中的任一行，对该行中m个误差值进行归一化，并标记其中的最小误差值；依此遍历误差矩阵每一行，得到一个与误差矩阵对应的n×m的判决矩阵，其中每一行对应最小误差值位置的元素值置1，其余元素值置0；4.3对判决矩阵进行加权即其中每一行元素值乘以对应的权重，权重的计算表达式如下：其中：ωi为判决矩阵中第i行元素值对应的权重，(εi)min为误差矩阵第i行中归一化后的最小误差值；4.4对加权后的判决矩阵每一列元素值进行累加，得到与出行模式对应的m个概率值即初步分类结果；4.5根据步骤4.1～4.4遍历每一次出行过程中每一种传感数据的特征向量，使每一特征向量及其对应的初步分类结果即作为一组样本。进一步地，所述步骤(5)的具体实现过程如下：5.1对于任一弱分类器，提取属于该弱分类器所对应传感数据的所有样本作为输入，并初始化一个m维的权重向量D且其中每个权重值均为1/m，m为出行模式的种数；5.2对于任一输入至该弱分类器的样本，利用权重向量D通过以下公式对该样本中的初步分类结果进行加权：其中：yj为样本初步分类结果中的第j个概率值，Dj为权重向量D中的第j个权重值，为加权后样本初步分类结果中的第j个概率值；5.3根据以下公式计算出该弱分类器的正确率ε：其中：为加权后样本初步分类结果中与样本真实出行模式对应的概率值；5.4根据以下公式计算出该弱分类器的权重值α：5.5对权重向量D进行更新，其中对于权重向量D中与对应的权重值DRight根据以下公式进行更新：其中：DRight*对应为DRight更新后的权重值；对于权重向量D中除DRight以外其他的权重值则根据以下公式进行更新：其中：Dj*对应为Dj更新后的权重值；5.6根据步骤5.2～5.5逐个输入样本对权重向量D以及弱分类器的权重值α进行更新，直至弱分类器的正确率达到一定阈值或迭代达到设定的最大次数。本专利技术通过对手机内置多传感器的数据采集处理，弥补了传统传感器信息应用中数据来源单一、数据特征提取不明显的缺点，解决了以地图工具为基础的应用因本文档来自技高网...

【技术保护点】
1.一种基于手机多传感器的用户出行方式分析方法，包括如下步骤：(1)利用手机中的传感器采集获取用户大量出行过程中关于GPS坐标、三轴加速度、三轴角速度的三种传感数据并保存；(2)对采集到的上述三种传感数据进行预处理得到用户每次出行过程的速度、加速度以及角速度；(3)针对用户基于单一出行模式的每一次出行过程，通过计算提取出每次出行过程中关于速度、加速度、角速度各自对应的特征向量；进而通过随机重采样和滑动平均法计算出速度、加速度、角速度在每一种出行模式下对应的特征基准向量；(4)对于每一次出行过程中每一种传感数据的特征向量，通过与特征基准向量比较得到对应的初步分类结果，从而构建出大量的样本；(5)分别为速度、加速度、角速度三种传感数据建立对应的弱分类器，利用样本通过AdaBoost算法对弱分类器进行训练，使用弱分类器的正确率最小化损失函数，从而迭代更新每个弱分类器的权重值α及其输入对应的权重向量D，使其中被正确分类的出行模式对应的权重升高，被错误分类的出行模式对应的权重降低；(6)将未知出行模式的一次出行过程中关于速度、加速度、角速度的特征向量分别输入至对应训练完成的弱分类器中，使三个弱分类器的输出结果与其对应的权重值α进行加权求和，加权求和后结果中最大概率值所对应的出行模式即为该次出行过程的出行模式判别结果。...

【技术特征摘要】
1.一种基于手机多传感器的用户出行方式分析方法，包括如下步骤：(1)利用手机中的传感器采集获取用户大量出行过程中关于GPS坐标、三轴加速度、三轴角速度的三种传感数据并保存；(2)对采集到的上述三种传感数据进行预处理得到用户每次出行过程的速度、加速度以及角速度；(3)针对用户基于单一出行模式的每一次出行过程，通过计算提取出每次出行过程中关于速度、加速度、角速度各自对应的特征向量；进而通过随机重采样和滑动平均法计算出速度、加速度、角速度在每一种出行模式下对应的特征基准向量；(4)对于每一次出行过程中每一种传感数据的特征向量，通过与特征基准向量比较得到对应的初步分类结果，从而构建出大量的样本；(5)分别为速度、加速度、角速度三种传感数据建立对应的弱分类器，利用样本通过AdaBoost算法对弱分类器进行训练，使用弱分类器的正确率最小化损失函数，从而迭代更新每个弱分类器的权重值α及其输入对应的权重向量D，使其中被正确分类的出行模式对应的权重升高，被错误分类的出行模式对应的权重降低；(6)将未知出行模式的一次出行过程中关于速度、加速度、角速度的特征向量分别输入至对应训练完成的弱分类器中，使三个弱分类器的输出结果与其对应的权重值α进行加权求和，加权求和后结果中最大概率值所对应的出行模式即为该次出行过程的出行模式判别结果。2.根据权利要求1所述的用户出行方式分析方法，其特征在于：所述步骤(2)中的预处理过程如下：2.1对采集到的传感数据进行低通滤波处理；2.2根据用户任一次出行过程中GPS坐标的变化，记录出行起点、出行终点、出行开始时间、出行终止时间，进而利用相关地图服务API计算出该次出行过程的距离、时间、速度；2.3通过公式计算合成该次出行过程的加速度a，其中xa、ya、za分别对应X、Y、Z三个轴上滤波后的加速度；2.4通过公式计算合成该次出行过程的角速度g，其中xg、yg、zg分别对应X、Y、Z三个轴上滤波后的角速度。3.根据权利要求1所述的用户出行方式分析方法，其特征在于：所述步骤(3)中的特征向量包含有六个特征值，分别对应以下六种特征：均值、方差、最小值、最大值、偏度、峰度；所述出行模式有以下五种：步行、自行车、私家车、公交车、地铁。4.根据权利要求1所述的用户出行方式分析方法，其特征在于：所述步骤(3)中对于速度、加速度、角速度三者中的任一种传感数据x，计算其在某一种出行模式y下对应的特征基准向量，具体过程为：首先，提取基于出行模式y下所有出行过程中关于传感数据x对应的特征...

【专利技术属性】
技术研发人员：杨国青，李红，夏瑶，章昌仲，吴朝晖，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33