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 ...
【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。