[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

说明书

本发明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。

技术领域

本发明属于智能交通服务技术领域，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。

背景技术

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。Kwapisz J R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。

发明内容

鉴于上述，本发明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；