[发明专利]一种基于手机多传感器的用户出行方式分析方法

权利要求书

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，从而构建出对应的样本；

(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x_a、y_a、z_a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x_g、y_g、z_g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。

5.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(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：ω_i为判决矩阵中第i行元素值对应的权重，(ε_i)_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。

6.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(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：y_j为样本初步分类结果中的第j个概率值，D_j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D_Right根据以下公式进行更新：

其中：D_Right^*对应为D_Right更新后的权重值；

对于权重向量D中除D_Right以外其他的权重值则根据以下公式进行更新：

其中：D_j^*对应为D_j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。