CN103606279A - 一种基于智能手机的道路出行方式判别方法及系统 - Google Patents

Abstract

本发明一种基于智能手机的道路出行方式判别方法及系统，所述方法包括：将各种出行方式下智能手机持有者震动的加速度频率对应的加速度频谱划分为若干子段，每一子段分别对应一种出行方式；将各种出行方式下智能手机持有者速度的频率特性的速度频谱划分为若干子段，每一子段对应一种出行方式；采集某一段时间内智能手机持有者震动的加速度信息，得到这段时间内的加速度数据数组，进而依据加速度数组中的数据获得频谱密度平均值；采集某一段时间内智能手机持有者的经度和纬度信息，并求得智能手机持有者的平均速度；判断频谱密度平均值所属的加速度频谱中的子段并判断平均速度所属的速度的子段，依据两个判决结果获得具体出行方式。

Description

一种基于智能手机的道路出行方式判别方法及系统

技术领域

本发明涉及一种通过智能手机传感器(GPS传感器，加速度传感器)数据，进行手机持有人当前道路交通活动方式判别的方法，属于城市交通管理技术领域。

背景技术

智能手机的迅速发展为采集城市交通车辆速度数据提供了新的技术手段，但是由于手机的持有者可以采取灵活的出行方式，因此如何自动根据手机持有者志愿提供数据甄别出手机持有者的出行方式，成为了通过智能手机进行道路车辆运行数据采集的关键技术。另一方面，通过对手机持有者志愿提供的数据自动甄别出持有者的出行方式将会形成一套由多种出行方式构成的由智能手机数据产生的交通出行数据集，会对进一步的数据挖掘产生巨大的支持作用。

目前实现的基于智能手机的道路出行方式判别方法主要基于智能手机GPS数据，通过位移变化获取出行速度，进而通过出行速度进行聚类分析，通过聚类分析的结果判别智能手机持有者的道路出行方式。目前存在的判别方式存在的主要问题是无法有效分别机动车缓慢行驶、步行、骑车等低速出行状态，因此造成相当大比例样本数据的错误判读，不但造成了严重的数据资源浪费，而且使得通过智能手机持有者志愿提供数据进行分析的结果的准确性严重降低。

发明内容

本发明的目的在于，为克服上述缺陷，本发明提供了一种基于智能手机的道路出行方式判别方法及系统。

为实现上述技术目的，本发明提供了一种基于智能手机的道路出行方式判别方法，所述方法包括：

统计手机持有人在各种出行方式下的震动加速度的频率特性和速度的频率特性；

采集手机持有者的一段时间内的速度信息和加速度信息，并依据速度信息得到平均速度；

依据平均速度信息、加速度信息、统计得到的各出行方式下的频率特性和如下原则确定手机持有者的道路出行方式：当采集得到速度较低时，手机持有者的出行方式与仅根据加速度频率特性所确定的出行方式相同；当采集得到速度较高时，手机持有者的出行方式与仅根据速度频率特性确定的出行方式相同；

其中，所述较小值为速度小于8km/h；所述的较高为速度15km/h。

上述技术方案，具体包含如下步骤：

步骤101)

对各种出行方式下智能手机持有者震动的加速度频率特征进行统计，进而得到一段涵盖各种出行方式的加速度频谱，然后将该段加速度频谱划分为若干子段，每一子段分别对应一种出行方式；

对各种出行方式下智能手机持有者速度的频率特性进行统计，进而得到一段涵盖各种出行方式的速度频谱，然后将该段速度频谱划分为若干子段，每一子段对应一种出行方式；

步骤102)利用智能手机的加速度采集传感器采集某一段时间内智能手机持有者震动的加速度信息，得到这段时间内的加速度数据数组，进而依据加速度数组中的数据获得频谱密度平均值；

步骤103)基于智能手机的GPS传感器采集某一段时间内智能手机持有者的经度和纬度信息，并依据采集的经度和维度信息求得智能手机持有者的平均速度；

步骤104)判断频谱密度平均值所属的加速度频谱中的子段，得到智能手机持有者对应出行方式，称为第一出行方式；再判断平均速度所属的速度的子段，得到人体对应的出行方式，称为第二出行方式；

步骤105)依据第一出行方式和第二出行方式获得智能手机持有者最终的出行方式，具体策略为：

当第一出行方式和第二出行方式相同时，第一出行方式为智能手机持有者最终的出行方式；

当第一出行方式与第二出行方式不同时，进一步依据平均速度获得最终出行方式，具体为：

当获得的平均速度值较小时，用户最终的出行方式为第一出行方式；

当获得的平均速度值较大时，用于最终的出行方式为第二出行方式；

当获得的平均速度介于km/h8至15km/h之间时，若加速度频谱密度平均值较小则判定为乘车，若加速度频谱密度平均值较大则为奔跑状态；其中，所述的加速度频谱密度平均值较小是指处于步行频谱密度的步行和静止子段内，所述加速度频谱密度平均值较大指处于奔跑子段；

其中，所述平均速度值较小是指平均速度值小于8km/h；所述平均速度值较大是指平均速度值大于15km/h。

上述步骤101)进一步包含：

步骤101-1)对各种出行方式下人体震动的加速度频率特征进行统计，进而得到一段涵盖各种出行方式的加速度频谱；

步骤101-2)基于统计结果设定若干加速度阈值，利用加速度阈值将加速度频谱划分为为若干子段；

步骤101-3)基于统计结果将各个子段分别与某种出行方式对应；

步骤101-4)对各种出行方式下人体速度的频率特性进行统计，进而得到一段涵盖各种出行方式的速度频谱；

步骤101-5)基于统计结果设定若干速度阈值，利用速度阈值将速度频谱划分为为若干子段；

步骤101-6)基于统计结果将各个子段分别与某种出行方式对应。

上述步骤102)进一步包含：

步骤102-1)设定采样时长和采样周期，依据设定的时长和周期采用智能手机的加速度传感器采集人体震动的加速度，得到加速度数据数组；

其中，所述加速度数据数组为：

Accelerations=[(a_x,a_y,a_z)₁,(a_x,a_y,a_z)₂,......,(a_x,a_y,a_z)_n]，

上述数组中的各元素依照采样时间排序,且a_x,、a_y,和a_z分别对应智能手机自身坐标系的x、y和z轴向的加速度；

步骤102-2)对加速度数据数组中各元素逐项取模,进而得到加速度幅值数组[|(a_x,a_y,a_z)₁|,|(a_x,a_y,a_z)₂|,......,|(a_x,a_y,a_z)_n|]；

步骤102-3)首先对加速度幅值数组进行快速傅里叶变换，得到加速度数据的频域分析结果；

然后，筛选频域分析结果，进而得到频域分析结果中位于[1.6Hz，2.5Hz]频段范围内的频率值；

最后，计算筛选得到的所有频率值的均值，作为加速度频谱密度平均值F_f。

上述步骤102-1)进一步包含：

步骤102-1-1)设置采用周期为sp，设置采样计时器的初始值为零，并设定加速度数据的采样时间的最大值T2；

步骤102-1-2)等待采样周期sp的结束，当采样周期结束时，通过智能手机加速度传感器获取一个加速度坐标值；

步骤102-1-3)将获得的加速度坐标值存储在加速度数据数组Accelerations中，然后更新采样计时器的值为：t=t+sp；

步骤102-1-4)判断采样计时器的更新值是否小于设定的采样时间的最大值T2，如果小于则返回步骤102-1-2)；否则执行102-1-5)；

步骤102-1-5)输出加速度数据数组Accelerations，完成一次加速度数据的采样。

上述步骤103)进一步包含：

步骤103-1)设定采样时长和采样周期，依据设定的时长和周期采用智能手机的GPS传感器采集智能手机持有者经度和纬度位置信息，得到经度和纬度数据数组；

其中，所述经纬度数据数组为：

Locations=[(经度，纬度)₁，(经度，纬度)₂，......，(经度，纬度)_n]，

上述数组中的各元素依照采样时间排序,且上述经纬和纬度数据经度为10^-4度；

步骤103-2)根据经纬度数据数组中相邻数据中的经度和纬度坐标，计算手机位置的位移，计算过程如下：

首先，令(经度，纬度)_i中，经度=lo_i，纬度=la_i；

(经度，纬度)_i+1中，经度=lo_i+1，纬度=la_i+1；

lo0=(lo_i-lo_i+1)÷2，la0=(la_i-la_i+1)÷2

两位置间距离S_i

$S_i=\sqrt{\sin \mathrm{la}0\×\sin \mathrm{la}0+\cos \mathrm{la}1\×\cos \mathrm{la}2\×\sin \mathrm{lo}0\×\sin \mathrm{lo}0}$

然后，依据两位置间的距离公式，依次计算经纬度数据数组中相邻元素间的距离，进而得到距离数组：[S]=[S₁,S₂,...,S_n-1];

而后，根据如下公式计算经度和纬度数据数组中相邻元素间的速度，进而得到速度数组[V]：[V₁,V₂,...,V_n-1]：

V_i=S_i/30s

最后，根据速度数组中的所有元素和如下公式求得平均速度：

$v=\frac{{\mathrm{\Σ}}_{i=0}^{n-1}{V}_i}{n-1}.$

上述步骤103-1)进一步包含：

步骤103-1-1)设置采用周期sp的值，设置采样计时器的初始值为零，并设定GPS采样时间的最大值T2；

步骤103-1-2)等待采样周期sp的结束，当采样周期结束时，通过智能手机加速度传感器获取一组经度和纬度值；

步骤103-1-3)将获得的经度和纬度值存储在位置数组Locations中，然后更新采样计时器的值为：t=t+sp；

步骤103-1-4)判断采样计时器的更新值是否小于设定的采样时间的最大值T2，如果小于则返回步骤102-1-2)；否则执行102-1-5)；

步骤103-1-5)输出位置数组Locations，完成一次GPS位置数据的采样。

此外，本发明还提供了一种基于智能手机的道路出行方式的判别系统，所述系统包含：

出行方式特征统计划分模块，用于：

对各种出行方式下人体震动的加速度频率特征进行统计，进而得到一段涵盖各种出行方式的加速度频谱，然后将该段加速度频谱划分为若干子段，每一子段分别对应一种出行方式；

对各种出行方式下人体速度的频率特性进行统计，进而得到一段涵盖各种出行方式的速度频谱，然后将该段速度频谱划分为若干子段，每一子段对应一种出行方式；

加速度频谱密度平均值获取模块，用于利用智能手机的加速度采集传感器采集某一段时间内人体震动的加速度信息，得到这段时间内的加速度数据数组，进而依据加速度数组中的数据获得加速度频谱密度平均值；

平均速度获取模块，用于基于智能手机的GPS传感器采集某一段时间内智能手机持有者的经度和纬度信息，并依据采集的经度和维度信息求得智能手机持有者的平均速度；

判断模块，用于判断频谱密度平均值所属的加速度频谱中的子段，得到人体对应出行方式，称为第一出行方式；再判断平均速度所属的速度频谱的子段，得到人体对应的出行方式，称为第二出行方式；

决策处理模块，用于依据第一出行方式和第二出行方式获得人体最终的出行方式，具体策略为：

当第一出行方式和第二出行方式相同时，第一出行方式为人体最终的出行方式；

当第一出行方式与第二出行方式不同时，进一步依据平均速度获得最终出行方式，具体为：

当获得的平均速度值较小时，用户最终的出行方式为第一出行方式；

当获得的平均速度值较大时，用于最终的出行方式为第二出行方式；

当获得的平均速度介于km/h8至15km/h之间时，若加速度频谱密度平均值较小则判定为乘车，若加速度频谱密度平均值较大则为奔跑状态；其中，所述的加速度频谱密度平均值较小是指处于步行频谱密度的步行和静止子段内，所述加速度频谱密度平均值较大指处于奔跑子段；

其中，所述平均速度值较小是指平均速度值小于8km/h；所述平均速度值较大是指平均速度值大于15km/h。

上述加速度频谱密度平均值获取模块进一步包含：

加速度采集子模块，用于设定采样时长和采样周期，依据设定的时长和周期采用智能手机的加速度传感器采集人体震动的加速度，得到加速度数据数组；

其中，所述加速度数据数组为：

Accelerations=[(a_x,a_y,a_z)₁,(a_x,a_y,a_z)₂,......,(a_x,a_y,a_z)_n]，

上述数组中的各元素依照采样时间排序,且a_x,、a_y,和a_z分别对应智能手机自身坐标系的x、y和z轴向的加速度；

模值计算子模块，用于对加速度数据数组中各元素逐项取模,进而得到加速度幅值数组[|(a_x,a_y,a_z)₁|,|(a_x,a_y,a_z)₂|,......,|(a_x,a_y,a_z)_n|]；

处理子模块，用于：

首先对加速度幅值数组进行快速傅里叶变换，得到加速度数据的频域分析结果；

然后，筛选频域分析结果，进而得到频域分析结果中位于[1.6Hz，2.5Hz]频段范围内的频率值；

最后，计算筛选得到的所有频率值的均值，作为频谱密度平均值F_f。

上述平均速度获取模块进一步包含：

经度纬度采集子模块，用于设定采样时长和采样周期，依据设定的时长和周期采用智能手机的GPS传感器采集智能手机持有者经度和纬度位置信息，得到经度和纬度数据数组；

其中，所述经纬度数据数组为：

Locations=[(经度，纬度)₁，(经度，纬度)₂，......，(经度，纬度)_n]，

上述数组中的各元素依照采样时间排序,且上述经纬和纬度数据经度为10^-4度；

位移获取子模块，用于根据经纬度数据数组中相邻数据中的经度和纬度坐标，计算手机位置的位移，计算过程如下：

令(经度，纬度)_i中，经度=lo_i，纬度=la_i；

(经度，纬度)_i+1中，经度=lo_i+1，纬度=la_i+1；

lo0=(lo_i-lo_i+1)÷2，la0=(la_i-la_i+1)÷2

两位置间距离S_i

$S_i=\sqrt{\sin \mathrm{la}0\×\sin \mathrm{la}0+\cos \mathrm{la}1\×\cos \mathrm{la}2\×\sin \mathrm{lo}0\×\sin \mathrm{lo}0}$

速度获取子模块，用于：

依据两位置间的距离公式，依次计算经纬度数据数组中相邻元素间的距离，进而得到距离数组：[S]=[S₁,S₂,...,S_n-1];

而后，根据如下公式计算经度和纬度数据数组中相邻元素间的速度，进而得到速度数组[V]：[V₁,V₂,...,V_n-1]：

V_i=S_i/30s

平均速度获取子模块，用于根据速度数组中的所有元素和如下公式求得平均速度：

$v=\frac{{\mathrm{\Σ}}_{i=0}^{n-1}{V}_i}{n-1}.$

相对于现有技术而言，本发明通过提取两种类型的智能手机传感器数据进行出行方式判别，从宏观运动速度和具体的加速度特征两个层面考察志愿提供道路出行数据的智能手机持有者的出行方式，使得判别结果的准确性得到显著提升。

附图说明

图1.本发明实施例提供的出行方法整体的流程图；

图2.本发明实施例提供的智能手机GPS传感器数据的实时采集流程图；

图3.本发明实施例提供的智能手机加速度传感器数据的实时采集流程图；

图4.本发明实施例提供的数据计算流程图。

具体实施方式

下面结合附图对本发明的内容进行详细说明。

下面进一步详细说明本发明中的基于智能手机传感器的道路出行方式判别方法，该方法包括如下步骤：设定加速度频谱阈值及GPS速度阈值，设计分类矩阵，智能手机GPS传感器数据的实时获取、智能手机加速度传感器数据的实时获取，智能手机加速度数据频谱分析和平均GPS速度数据的计算获取，基于加速度频谱阈值及GPS速度阈值的出行方式归类得到志愿提供道路出行数据的智能手机持有者的出行方式，下面对各步骤进行详细说明(本方法流程如图1所示)。

第一步，设定加速度频谱阈值及GPS速度阈值。人类依靠自身力量运动时的机械振动的一介频率主要取决于运动者自身纵向运动一介频率，范围在1.5Hz～2.5Hz，因此在此频率范围内设定两个频域分析阈值A₁、A₂、A₃A₁∩A₂＝φ，A₃∩(A₁∪A₂)＝φ，分别对应步行、奔跑状态以及其他状态，由于具体采用的频谱分析时具体采用的编程方法不同，会形成加速度频域值的线性偏差，因此依据如下策略设定A₁、A₂的数值：分别采集智能手机，在已知使用者步行和奔跑状态下的加速度传感器数据；对加速度数据进行频谱分析；分别计算行状态下1.5Hz～2.5Hz频率范围内的平均功率谱密度，和奔跑状态下的1.5Hz～2.5Hz频率范围内的平均功率谱密度；进行多次测量分别取得步行状态下1.5Hz～2.5Hz频率范围内的平均功率谱密度的平均值作为A1；同样地进行多次测量分别取得奔跑状态下1.5Hz～2.5Hz频率范围内的平均功率谱密度的平均值作为A2。另一方面针对人类步行、奔跑、乘车等三种交通方式的速度特征设定三个GPS速度特征V_f1：[4km/h,8km/h]，对应步行出行速度特征；

V_f2(8km/h,15km/h)，对应跑步状态的运动特征；V_f3：[15km/h,150km/h]，对应乘车时的速度特征；V_f4：其他速度范围，对应未分类的速度特征。

第二步，设定分类矩阵，矩阵内容如下表所示。

第三步，智能手机GPS传感器数据的实时获取、智能手机加速度传感器数据的实时获取。基于Android系统和iOS操作系统，通过编程方式采集10分钟内的GPS传感器产生的经纬度位置数据和手机加速度传感器采集到的加速度数据。对应采样周期是：GPS传感器产生的经纬度位置数据为30s，手机加速度传感器采集到的加速度数据为0.05s。GPS传感器产生的经纬度位置数据的数据格式为：经纬度数据数组Locations=[(经度，纬度)₁，(经度，纬度)₂，......，(经度，纬度)_n]，经纬和纬度数据经度为10^-4度,直观流程见图2所示；手机加速度传感器采集到的加速度数据格式为：加速度数据数组Accelerations=[(a_x,a_y,a_z)₁,(a_x,a_y,a_z)₂,......,(a_x,a_y,a_z)_n]，数组依照采样时间排序,其中a_x,a_y,a_z分别对应智能手机自身坐标系的x、y、z轴向加速度,直观流程见图3所示。

第四步，智能手机加速度数据频谱分析。对加速度数据数组中元素逐项取模,得到加速度幅值数组[|(a_x,a_y,a_z)₁|,|(a_x,a_y,a_z)₂|,......,|(a_x,a_y,a_z)_n|]，进而对加速度幅值数组进行快速傅里叶变换得到加速度数据的频域分析结果。计算得到频域分析结果中取频率在[1.6Hz，2.5Hz]频谱密度平均值F_f,直观流程见图4所示。

第五步，平均GPS速度数据的计算获取。根据经纬度数据数组[(经度，纬度)₁，(经度，纬度)₂，......，(经度，纬度)_n]，及采样间隔30s。根据经纬度数据数组中相邻数据中经纬度坐标，计算手机位置的位移，计算过程如下：

令(经度，纬度)_i中，经度=lo_i，纬度=la_i；

(经度，纬度)_i+1中，经度=lo_i+1，纬度=la_i+1；

lo0=(lo_i-lo_i+1)÷2，la0=(la_i-la_i+1)÷2

两位置间距离S_i

$S_i=\sqrt{\sin \mathrm{la}0\×\sin \mathrm{la}0+\cos \mathrm{la}1\×\cos \mathrm{la}2\×\sin \mathrm{lo}0\×\sin \mathrm{lo}0}$

依次计算相邻各点间距离，得到距离数组[S]：[S₁,S₂,...,S_n-1];进而由V_i=S_i/30s，计算的到速度数组[V]：[V₁,V₂,...,V_n-1]，求得平均速度：

$v=\frac{{\mathrm{\Σ}}_{i=0}^{n-1}{V}_i}{n-1}.$

第六步，判别F_f、v所属阈值范围。确认F_f属于A₁、A₂、A₃哪个阈值范围；确认v属于Vf₁、V_f2、V_f3、V_f4哪个阈值范围。

第七步，对照分类矩阵，确定出行方式。例如，发现F_f属于A₂，v属于V_f2，则依据分类矩阵确认出行方式为跑步，直观状态见下表所示。

总之，针对现有基于智能手机的道路出行方式判别方法中存在的难以准确判断志愿提供道路出行数据的智能手机持有者道路出行方式的问题，本发明提出了一种基于智能手机传感器的道路出行方式判别方法，本方法通过综合运用智能手机GPS传感器、加速度传感器采集得到的数据，对志愿提供道路出行数据的智能手机持有者道路出行方式进行精确判别。本发明对志愿提供道路出行数据的智能手机持有者道路出行方式判别结果精确，而且无需类似现有方法的对进行大量数据的聚类分析。

本发明提供了一种基于智能手机传感器的道路出行方式判别方法，包括：在智能手机本地进行实时智能手机GPS数据采集；实时智能手机加速度传感器数据采集；智能手机加速度数据的频谱分析；针对数据设定一组针对加速度数据的加速度频谱分类阈值；针对通过智能手机采集得到的GPS速度数据，设定GPS速度阈值；使用这组加速度频谱分类阈值对智能手机加速度数据的频谱分析的结果数据进行对比，同时使用GPS速度阈值对智能手机采集得到的GPS速度数据进行对比，通过对比结果判别出志愿提供道路出行数据的智能手机持有者的出行方式。

需要说明的是，以上介绍的本发明的实施方案而并非限制。本领域的技术人员应当理解，任何对本发明技术方案的修改或者等同替代都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围内。

Claims (10)

1.一种基于智能手机的道路出行方式判别方法，所述方法包括：

统计手机持有人在各种出行方式下的震动加速度的频率特性和速度的频率特性；

采集手机持有者的一段时间内的速度信息和加速度信息，并依据速度信息得到平均速度；

依据平均速度信息、加速度信息、统计得到的各出行方式下的频率特性和如下原则确定手机持有者的道路出行方式：当采集得到速度较低时，手机持有者的出行方式与仅根据加速度频率特性所确定的出行方式相同；当采集得到速度较高时，手机持有者的出行方式与仅根据速度频率特性确定的出行方式相同；

其中，所述较小值为速度小于8km/h；所述的较高为速度15km/h。

2.根据权利要求1所述的基于智能手机的道路出行方式判别方法，所述方法具体包括：

步骤101)

对各种出行方式下智能手机持有者震动的加速度频率特征进行统计，进而得到一段涵盖各种出行方式的加速度频谱，然后将该段加速度频谱划分为若干子段，每一子段分别对应一种出行方式；

对各种出行方式下智能手机持有者速度的频率特性进行统计，进而得到一段涵盖各种出行方式的速度频谱，然后将该段速度频谱划分为若干子段，每一子段对应一种出行方式；

步骤102)利用智能手机的加速度采集传感器采集某一段时间内智能手机持有者震动的加速度信息，得到这段时间内的加速度数据数组，进而依据加速度数组中的数据获得频谱密度平均值；

步骤103)基于智能手机的GPS传感器采集某一段时间内智能手机持有者的经度和纬度信息，并依据采集的经度和维度信息求得智能手机持有者的平均速度；

步骤104)判断频谱密度平均值所属的加速度频谱中的子段，得到智能手机持有者对应出行方式，称为第一出行方式；再判断平均速度所属的速度的子段，得到人体对应的出行方式，称为第二出行方式；

步骤105)依据第一出行方式和第二出行方式获得智能手机持有者最终的出行方式，具体策略为：

当第一出行方式和第二出行方式相同时，第一出行方式为智能手机持有者最终的出行方式；

当第一出行方式与第二出行方式不同时，进一步依据平均速度获得最终出行方式，具体为：

当获得的平均速度值较小时，用户最终的出行方式为第一出行方式；

当获得的平均速度值较大时，用于最终的出行方式为第二出行方式；

当获得的平均速度介于km/h8至15km/h之间时，若加速度频谱密度平均值较小则判定为乘车，若加速度频谱密度平均值较大则为奔跑状态；其中，所述的加速度频谱密度平均值较小是指处于步行频谱密度的步行和静止子段内，所述加速度频谱密度平均值较大指处于奔跑子段；

其中，所述平均速度值较小是指平均速度值小于8km/h；所述平均速度值较大是指平均速度值大于15km/h。

3.根据权利要求2所述的基于智能手机的道路出行方式判别方法，其特征在于，所述步骤101)进一步包含：

步骤101-1)对各种出行方式下人体震动的加速度频率特征进行统计，进而得到一段涵盖各种出行方式的加速度频谱；

步骤101-2)基于统计结果设定若干加速度阈值，利用加速度阈值将加速度频谱划分为为若干子段；

步骤101-3)基于统计结果将各个子段分别与某种出行方式对应；

步骤101-4)对各种出行方式下人体速度的频率特性进行统计，进而得到一段涵盖各种出行方式的速度频谱；

步骤101-5)基于统计结果设定若干速度阈值，利用速度阈值将速度频谱划分为为若干子段；

步骤101-6)基于统计结果将各个子段分别与某种出行方式对应。

4.根据权利要求2所述的基于智能手机的道路出行方式判别方法，其特征在于，所述步骤102)进一步包含：

步骤102-1)设定采样时长和采样周期，依据设定的时长和周期采用智能手机的加速度传感器采集人体震动的加速度，得到加速度数据数组；

其中，所述加速度数据数组为：

Accelerations=[(a_x,a_y,a_z)₁,(a_x,a_y,a_z)₂,......,(a_x,a_y,a_z)_n]，

上述数组中的各元素依照采样时间排序,且a_x,、a_y,和a_z分别对应智能手机自身坐标系的x、y和z轴向的加速度；

步骤102-2)对加速度数据数组中各元素逐项取模,进而得到加速度幅值数组[|(a_x,a_y,a_z)₁|,|(a_x,a_y,a_z)₂|,......,|(a_x,a_y,a_z)_n|]；

步骤102-3)首先对加速度幅值数组进行快速傅里叶变换，得到加速度数据的频域分析结果；

然后，筛选频域分析结果，进而得到频域分析结果中位于[1.6Hz，2.5Hz]频段范围内的频率值；

最后，计算筛选得到的所有频率值的均值，作为加速度频谱密度平均值F_f。

5.根据权利要求4所述的基于智能手机的道路出行方式判别方法，其特征在于，所述步骤102-1)进一步包含：

步骤102-1-1)设置采用周期为sp，设置采样计时器的初始值为零，并设定加速度数据的采样时间的最大值T2；

步骤102-1-2)等待采样周期sp的结束，当采样周期结束时，通过智能手机加速度传感器获取一个加速度坐标值；

步骤102-1-3)将获得的加速度坐标值存储在加速度数据数组Accelerations中，然后更新采样计时器的值为：t=t+sp；

步骤102-1-4)判断采样计时器的更新值是否小于设定的采样时间的最大值T2，如果小于则返回步骤102-1-2)；否则执行102-1-5)；

步骤102-1-5)输出加速度数据数组Accelerations，完成一次加速度数据的采样。

6.根据权利要求2所述的基于智能手机的道路出行方式判别方法，其特征在于，所述步骤103)进一步包含：

步骤103-1)设定采样时长和采样周期，依据设定的时长和周期采用智能手机的GPS传感器采集智能手机持有者经度和纬度位置信息，得到经度和纬度数据数组；

其中，所述经纬度数据数组为：

Locations=[(经度，纬度)₁，(经度，纬度)₂，......，(经度，纬度)_n]，

上述数组中的各元素依照采样时间排序,且上述经纬和纬度数据经度为10^-4度；

步骤103-2)根据经纬度数据数组中相邻数据中的经度和纬度坐标，计算手机位置的位移，计算过程如下：

首先，令(经度，纬度)_i中，经度=lo_i，纬度=la_i；

(经度，纬度)_i+1中，经度=lo_i+1，纬度=la_i+1；

lo0=(lo_i-lo_i+1)÷2，la0=(la_i-la_i+1)÷2

两位置间距离S_i

$S_i=\sqrt{\sin \mathrm{la}0\×\sin \mathrm{la}0+\cos \mathrm{la}1\×\cos \mathrm{la}2\×\sin \mathrm{lo}0\×\sin \mathrm{lo}0}$

然后，依据两位置间的距离公式，依次计算经纬度数据数组中相邻元素间的距离，进而得到距离数组：[S]=[S₁,S₂,...,S_n-1];

而后，根据如下公式计算经度和纬度数据数组中相邻元素间的速度，进而得到速度数组[V]：[V₁,V₂,...,V_n-1]：

V_i=S_i/30s

最后，根据速度数组中的所有元素和如下公式求得平均速度：

$v=\frac{{\mathrm{\Σ}}_{i=0}^{n-1}{V}_i}{n-1}.$

7.根据权利要求6所述的基于智能手机的道路出行方式判别方法，其特征在于，所述步骤103-1)进一步包含：

步骤103-1-1)设置采用周期sp的值，设置采样计时器的初始值为零，并设定GPS采样时间的最大值T2；

步骤103-1-2)等待采样周期sp的结束，当采样周期结束时，通过智能手机加速度传感器获取一组经度和纬度值；

步骤103-1-3)将获得的经度和纬度值存储在位置数组Locations中，然后更新采样计时器的值为：t=t+sp；

步骤103-1-4)判断采样计时器的更新值是否小于设定的采样时间的最大值T2，如果小于则返回步骤102-1-2)；否则执行102-1-5)；

步骤103-1-5)输出位置数组Locations，完成一次GPS位置数据的采样。

8.一种基于智能手机的道路出行方式的判别系统，其特征在于，所述系统包含：

出行方式特征统计划分模块，用于：

对各种出行方式下人体震动的加速度频率特征进行统计，进而得到一段涵盖各种出行方式的加速度频谱，然后将该段加速度频谱划分为若干子段，每一子段分别对应一种出行方式；

对各种出行方式下人体速度的频率特性进行统计，进而得到一段涵盖各种出行方式的速度频谱，然后将该段速度频谱划分为若干子段，每一子段对应一种出行方式；

加速度频谱密度平均值获取模块，用于利用智能手机的加速度采集传感器采集某一段时间内人体震动的加速度信息，得到这段时间内的加速度数据数组，进而依据加速度数组中的数据获得加速度频谱密度平均值；

平均速度获取模块，用于基于智能手机的GPS传感器采集某一段时间内智能手机持有者的经度和纬度信息，并依据采集的经度和维度信息求得智能手机持有者的平均速度；

判断模块，用于判断频谱密度平均值所属的加速度频谱中的子段，得到人体对应出行方式，称为第一出行方式；再判断平均速度所属的速度频谱的子段，得到人体对应的出行方式，称为第二出行方式；

决策处理模块，用于依据第一出行方式和第二出行方式获得人体最终的出行方式，具体策略为：

当第一出行方式和第二出行方式相同时，第一出行方式为人体最终的出行方式；

当第一出行方式与第二出行方式不同时，进一步依据平均速度获得最终出行方式，具体为：

当获得的平均速度值较小时，用户最终的出行方式为第一出行方式；

当获得的平均速度值较大时，用于最终的出行方式为第二出行方式；

当获得的平均速度介于km/h8至15km/h之间时，若加速度频谱密度平均值较小则判定为乘车，若加速度频谱密度平均值较大则为奔跑状态；其中，所述的加速度频谱密度平均值较小是指处于步行频谱密度的步行和静止子段内，所述加速度频谱密度平均值较大指处于奔跑子段；

其中，所述平均速度值较小是指平均速度值小于8km/h；所述平均速度值较大是指平均速度值大于15km/h。

9.根据权利要求8所述的基于智能手机的道路出行方式的判别系统，其特征在于，所述加速度频谱密度平均值获取模块进一步包含：

加速度采集子模块，用于设定采样时长和采样周期，依据设定的时长和周期采用智能手机的加速度传感器采集人体震动的加速度，得到加速度数据数组；

其中，所述加速度数据数组为：

Accelerations=[(a_x,a_y,a_z)₁,(a_x,a_y,a_z)₂,......,(a_x,a_y,a_z)_n]，

上述数组中的各元素依照采样时间排序,且a_x,、a_y,和a_z分别对应智能手机自身坐标系的x、y和z轴向的加速度；

模值计算子模块，用于对加速度数据数组中各元素逐项取模,进而得到加速度幅值数组[|(a_x,a_y,a_z)₁|,|(a_x,a_y,a_z)₂|,......,|(a_x,a_y,a_z)_n|]；

处理子模块，用于：

首先对加速度幅值数组进行快速傅里叶变换，得到加速度数据的频域分析结果；

然后，筛选频域分析结果，进而得到频域分析结果中位于[1.6Hz，2.5Hz]频段范围内的频率值；

最后，计算筛选得到的所有频率值的均值，作为频谱密度平均值F_f。

10.根据权利要求8所述的基于智能手机的道路出行方式的判别系统，其特征在于，所述平均速度获取模块进一步包含：

经度纬度采集子模块，用于设定采样时长和采样周期，依据设定的时长和周期采用智能手机的GPS传感器采集智能手机持有者经度和纬度位置信息，得到经度和纬度数据数组；

其中，所述经纬度数据数组为：

Locations=[(经度，纬度)₁，(经度，纬度)₂，......，(经度，纬度)_n]，

上述数组中的各元素依照采样时间排序,且上述经纬和纬度数据经度为10^-4度；

位移获取子模块，用于根据经纬度数据数组中相邻数据中的经度和纬度坐标，计算手机位置的位移，计算过程如下：

令(经度，纬度)_i中，经度=lo_i，纬度=la_i；

(经度，纬度)_i+1中，经度=lo_i+1，纬度=la_i+1；

lo0=(lo_i-lo_i+1)÷2，la0=(la_i-la_i+1)÷2

两位置间距离S_i

$S_i=\sqrt{\sin \mathrm{la}0\×\sin \mathrm{la}0+\cos \mathrm{la}1\×\cos \mathrm{la}2\×\sin \mathrm{lo}0\×\sin \mathrm{lo}0}$

速度获取子模块，用于：

依据两位置间的距离公式，依次计算经纬度数据数组中相邻元素间的距离，进而得到距离数组：[S]=[S₁,S₂,...,S_n-1];

而后，根据如下公式计算经度和纬度数据数组中相邻元素间的速度，进而得到速度数组[V]：[V₁,V₂,...,V_n-1]：

V_i=S_i/30s

平均速度获取子模块，用于根据速度数组中的所有元素和如下公式求得平均速度：

$v=\frac{{\mathrm{\Σ}}_{i=0}^{n-1}{V}_i}{n-1}.$

Images