CN104504066B - 出行方式判断方法和装置 - Google Patents
出行方式判断方法和装置 Download PDFInfo
- Publication number
- CN104504066B CN104504066B CN201410806111.1A CN201410806111A CN104504066B CN 104504066 B CN104504066 B CN 104504066B CN 201410806111 A CN201410806111 A CN 201410806111A CN 104504066 B CN104504066 B CN 104504066B
- Authority
- CN
- China
- Prior art keywords
- trip mode
- real
- sensor
- data
- value range
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例公开了一种出行方式判断方法和装置。所述出行方式判断方法包括:对已标注出行方式的标注传感数据进行统计分析,以确定设定出行方式下标注传感数据的取值范围;在用户出行过程中采集用户携带的移动终端的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数;根据在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数,判断用户的出行方式。本发明实施例提供的出行方式判断方法和装置降低了出行方式判定的计算量。
Description
技术领域
本发明实施例涉及智能交通技术领域,尤其涉及一种出行方式判断方法和装置。
背景技术
近年来,随着导航定位技术以及移动互联网技术的广泛普及,越来越多的用户使用安装在移动终端中的电子地图应用程序来为自己的出行提供帮助。用户在使用电子地图应用程序时,电子地图应用程序经常需要确定用户当前的出行方式。也就是说,电子地图应用程序需要确定用户当前是步行出行还是采用公交车、私家车等机动交通工具出行。
现有的确定用户的出行方式大致可以分为两种,即根据移动速度的出行方式确定方案,以及根据变换数据的出行方式确定方案。
在根据移动速度的出行方式确定方案中,电子地图应用程序根据用户一段时间内的定位数据确定用户的移动速度,再根据该移动速度确定用户的出行方式是步行出行还是机动交通工具出行。这种方案的缺点在于,由它确定的出行方式结果并不那么准确。比如,用户在采取机动交通工具出行时遇到了堵车的情况,这时用户实际的移动速度可能还不及步行出行时的移动速度快,如果采用根据移动速度的出行方式确定方案,则用户的出行方式会被误判为步行出行。
在根据变换数据的出行方式确定方案中,首先获取用户的移动终端的传感数据,通过快速傅里叶变换将这些传感数据变换至频域,再根据频域数据的特征判定用户的出行方式。这种判定方式的缺陷在于,需要对时域内各个时间点上的传感数据运行快速傅里叶变换,计算量较大。然而,用户的移动终端的计算资源都比较有限,难以承载这么大的运算量。
发明内容
有鉴于此,本发明实施例提出一种出行方式判断方法和装置,以降低出行方式判定的计算量。
第一方面,本发明实施例提供了一种出行方式判断方法,所述方法包括:
对已标注出行方式的标注传感数据进行统计分析,以确定设定出行方式下标注传感数据的取值范围;
在用户出行过程中采集用户携带的移动终端的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数;
根据在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数,判断用户的出行方式。
第二方面,本发明实施例提供了一种出行方式判断装置,所述装置包括:
标注数据分析模块,用于对已标注出行方式的标注传感数据进行统计分析,以确定设定出行方式下标注传感数据的取值范围;
实时数据处理模块,用于在用户出行过程中采集用户携带的移动终端的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数;
出行方式判断模块,用于根据在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数,判断用户的出行方式。
本发明实施例提供的出行方式判断方法和装置,通过对已标注出行方式的标注传感数据进行统计分析,以确定设定出行方式下标注传感数据的取值范围,在用户出行过程中采集用户携带的移动终端的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数,根据在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数,判断用户的出行方式,有效降低了判断用户的出行方式的计算量。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是本发明第一实施例提供的出行方式判断方法的流程图;
图2是本发明第二实施例提供的出行方式判断方法的流程图;
图3是本发明第二实施例提供的已标注出行方式的加速度传感器的加速度值时间序列图;
图4a是本发明第二实施例提供的第一时间段内加速度传感器的加速度值分布情况统计图;
图4b是本发明第二实施例提供的第二时间段内加速度传感器的加速度分布情况统计图;
图4c是本发明第二实施例提供的第三时间段内加速度传感器的加速度分布情况统计图;
图4d是本发明第二实施例提供的第四时间段内加速度传感器的加速度分布情况统计图;
图4e是本发明第二实施例提供的第五时间段内加速度传感器的加速度分布情况统计图;
图5是本发明第二实施例提供的公交方式下加速度传感器的加速度值的取值范围示意图;
图6是本发明第二实施例提供的加速度传感器测量的加速度值的统计分析的示意图;
图7是本发明第二实施例提供的出行方式判断方法中实时数据处理的流程图;
图8是本发明第三实施例提供的出行方式判断方法的流程图;
图9是本发明第三实施例提供的出行方式判断方法中实时数据处理的流程图;
图10是本发明第四实施例提供的出行方式判断方法的流程图;
图11是本发明第五实施例提供的出行方式判断装置的结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
图1示出了本发明的第一实施例。
图1是本发明第一实施例提供的出行方式判断方法的流程图。所述出行方式判断方法包括:
S110,对已标注出行方式的标注传感数据进行统计分析,以确定设定出行方式下标注传感数据的取值范围。
所述标注传感数据是对用户出行过程中采集的传感数据标注了出行方式的传感数据。所述出行方式包括步行出行方式以及公交出行方式。并且,所述设定出行方式可以是其中一种出行方式,比如上述两种出行方式中的公交出行方式或步行出行方式。
所述传感器可以是用户出行时随身携带的移动终端中的加速度传感器、陀螺仪传感器。所述传感数据可以是所述加速度传感器测量的加速度值,还可以是所述陀螺仪传感器测量的角速度值。
通过对预先采集的传感器的传感数据的统计,发现在公交出行方式下采集的传感数据的取值比较平稳,一般会在一个固定的取值范围内出现。因此,可以预先对标注有出行方式的传感数据进行统计分析,确定设定出行方式下标注传感数据的取值范围,再计算用户实际出行时的实时传感数据处于上述取值范围内的个数,根据所述个数进行用户出行方式的判断。
S120,在用户出行过程中采集用户携带的移动终端的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数。
所述设定长度的时间段是长度是设定值的时间段。一般的,所述设定长度的时间段是当前时间点之前的一个时间段。
在用户出行时,采集用户携带的移动终端的实时传感数据,并对所述实时传感数据进行处理,以获得在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数。
S130,根据在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数,判断用户的出行方式。
获取到在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数以后,根据所述个数判断用户的出行方式。优选的,可以预先设置一个个数阈值,当在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数大于所述个数阈值时,则可以判断用户的出行方式是公交出行方式。
本实施例通过对已标注出行方式的标注传感数据进行统计分析,以确定设定出行方式下实时传感数据的取值范围,在用户出行过程中采集用户携带的移动终端的实时传感数据,并对所述实时传感数据进行处理,以获取所述实时传感数据在设定长度的时间段内处于所述取值范围内的次数,根据所述实时传感数据在设定长度的时间段内处于所述取值范围内的次数判断用户的出行方式,从而有效的降低了判断用户出行方式的运算量。
图2示出了本发明的第二实施例。
图2是本发明第二实施例提供的出行方式判断方法的流程图。所述出行方式判断方法以本发明第一实施例为基础,进一步的,对已标注出行方式的标注传感数据进行统计分析,以确定设定出行方式下标注传感数据的取值范围包括:对已标注出行方式的一种传感器的标注传感数据进行统计分析,以确定在设定出行方式下所述传感器的标注传感数据的取值范围;在用户出行过程中采集用户携带的移动终端的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数包括:在用户出行过程中采集用户携带的移动终端中所述传感器的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的所述传感器的实时传感数据的个数;根据在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数判断用户的出行方式包括:将在设定长度的时间段内采集到的处于所述取值范围内的所述传感器的实时传感数据的个数,与预置的个数阈值进行比较,根据比较结果判断用户的出行方式。
参见图2,所述出行方式判断方法包括:
S210,对已标注出行方式的一种传感器的标注传感数据进行统计分析,以确定在设定出行方式下所述传感器的标注传感数据的取值范围。
不失一般性,以加速度传感器的加速度值的处理过程为例,对所述出行方式判断方法进行说明。
图3是本发明第二实施例提供的已标注出行方式的加速度传感器的加速度值时间序列图。参见图3,所述加速度值沿着时间轴展开,并且被分为不同的时间段。其中,第一时间段301、第三时间段303以及第五时间段305记录的加速度值是用户采用步行出行方式时记录的加速度值;第二时间段302以及第四时间段304的加速度值的用户采用公交出行方式时记录的加速度值。可以看出,采用步行出行方式时采集的加速度值一般较大,而采用公交出行方式时采集的加速度值一般较小。
对所述加速度值时间序列中的加速度值进行进一步的统计,可以得到加速度值分布情况统计图。图4a至图4e是本发明第二实施例提供的不同时间段内加速度传感器的加速度值分布情况统计图。所述加速度值分布情况统计图的横轴表示加速度值,纵轴表示所述加速度值在该时间段内出现的个数。参见图4a至图4e,采用公交出行方式时,所述加速度值大多分布在一个中心值的周围,也就是说,采用公交出行方式时所述加速度值的分布较为集中。而采用步行出行方式时,所述加速度值的分布比较分散。
图5是本发明第二实施例提供的公交方式下加速度传感器的加速度值的取值范围示意图。参见图5,对所述加速度值进行统计,可以得到所述加速度值通常的取值范围。所述取值范围通过它的两个端点501、502来确定。也就是说,确定了所述取值范围的两个端点501、502,则所述取值范围也就随之确定。优选的,可以以出现个数最多的取值为中心,对所述取值范围进行统计。
S220,在用户出行过程中采集用户携带的移动终端中所述传感器的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的所述传感器的实时传感数据的个数。
在用户出行的过程中,对用户携带的移动终端中所述传感器的实时传感数据进行处理,可以获取到在设定长度的时间段内采集到的处于所述取值范围内的所述传感器的实时传感数据的个数。
优选的,可以对当前时间点之前设定长度的一段时间内的实时传感数据进行统计,以获取在设定长度的时间段内采集到的处于所述取值范围内的所述传感器的实时传感数据的个数。
图6是本发明第二实施例提供的加速度传感器测量的加速度值的统计分析的示意图。参见图6,所述窗口601表示当前时间点之前设定长度的时间段。对所述窗口601内的加速度值进行统计,可以获得在设定长度的时间段内采集到的处于所述取值范围602内的所述传感器的实时传感数据的个数。
S230,将在设定长度的时间段内采集到的处于所述取值范围内的所述传感器的实时传感数据的个数,与预置的个数阈值进行比较,根据比较结果判断用户的出行方式。
通过统计得到在设定长度的时间段内采集到的处于所述取值范围内的所述传感器的实时传感数据的个数后,将所述在设定长度的时间段内采集到的所述个数与预置的个数阈值进行比较。如果所述个数大于所述个数阈值,则可以判定用户的出行方式是公交出行方式;如果所述个数小于所述个数阈值,则可以判定用户的出行方式是步行出行方式。
图7是本发明第二实施例提供的出行方式判断方法中实时数据处理的流程图。参见图7,优选的,对已标注出行方式的一种传感器的标注传感数据进行统计分析,以确定在设定出行方式下所述传感器的标注传感数据的取值范围包括:
S211,获取设定出行方式下所述传感器的标注传感数据在不同取值上的出现个数曲线。
所述设定出行方式是公交出行方式。在统计所述设定出行方式下所述传感器的标注传感数据的取值范围时,首先对所述传感器的标注传感数据进行统计,获取所述设定出行方式下所述传感器的标注传感数据在不同取值上的出现个数曲线。
S212,对所述出现个数曲线进行统计,获取所述传感器的标注传感数据中出现个数最多的取值。
在公交出行方式下,所述出现个数曲线一般是“单峰”形状,即具有一个出现个数最多的取值,在于所述出现个数最多的取值越远的取值上出现的个数越少。因此,在获取所述标注传感数据的取值范围时,应该围绕所述出现个数最多的取值获取所述取值范围。
S213,以所述出现个数最多的取值为中心,获取设定出行方式下所述传感器的标注传感数据的取值范围。
由于在所述设定出行方式下,也就是在公交出行方式下,所述出现个数曲线是“单峰”形状,所以在获取标注传感数据的取值范围时,以所述出现个数最多的取值为中心,来获取所述标注传感数据的取值范围。
最终确定的取值范围,应该是所述标注传感数据的大多数取值落入的范围。示例的,可以通过计算所述出现个数曲线的曲线下面积来获取所述取值范围。假设所述取值范围是所述标注传感数据中80%的取值所落入的范围,则可以以取与所述出现个数最多的取值之间的曲线下面积为所述出现个数曲线的曲线下总面积的40%的两个取值分别为所述取值范围的上边界点和下边界点。
本实施例通过对已标注出行方式的一种传感器的标注传感数据进行统计分析,以确定在设定出行方式下所述传感器的标注传感数据的取值范围,在用户出行过程中采集用户携带的移动终端中所述传感器的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的所述传感器的实时传感数据的个数,以及将在设定长度的时间段内采集到的处于所述取值范围内的所述传感器的实时传感数据的个数,与预置的个数阈值进行比较,根据比较结果判断用户的出行方式,有效的降低了判断用户出行方式的运算量。
图8及图9示出了本发明的第三实施例。
图8是本发明第三实施例提供的出行方式判断方法的流程图。所述出行方式判断方法以本发明第一实施例为基础,进一步的,对已标注出行方式的标注传感数据进行统计分析,以确定设定出行方式下实时传感数据的取值范围包括:对已标注出行方式的至少两种传感器的标注传感数据分别进行统计分析,以确定在设定出行方式下所述至少两种传感器的标注传感数据各自的取值范围;在对已标注出行方式的至少两种传感器的标注传感数据分别进行统计分析之后,还包括:对已标注出行方式的至少两种传感器的标注传感数据进行回归学习,以确定用于判定用户出行方式的线性回归模型中的模型参数;在用户出行过程中采集用户携带的移动终端的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数包括:在用户出行过程中采集用户携带的移动终端中所述至少两种传感器的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数;根据在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数判断用户的出行方式包括:根据所述线性回归模型,对在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数进行计算,以判断用户的出行方式。
参见图8,所述出行方式判断方法包括:
S810,对已标注出行方式的至少两种传感器的标注传感数据分别进行统计分析,以确定在设定出行方式下所述至少两种传感器的标注传感数据各自的取值范围。
在本发明的第二实施例中,仅采用一种传感器的实时传感数据作为依据来判断用户的出行方式。这样给出用户的出行方式判断的依据比较单一,因而可能会使给出的出行方式的判断不准确。为了在降低计算量的同时保证判断结果的准确性,使用至少两种传感器的实时传感数据作为依据,来给出对用户的出行方式的最终判断结果。
以至少两种传感器的实时传感数据为依据给出出行方式的判断结果需要对所述至少两种传感器的标注传感数据各自的取值范围分别进行统计分析。具体的,需要对已标注出行方式的至少两种传感器的标注传感数据分别进行统计分析,以确定在设定出行方式下所述至少两种传感器的标注传感数据各自的取值范围。
优选的,所述至少两种传感器包括加速度传感器以及陀螺仪传感器;所述至少两种传感器的实时传感数据包括所述加速度传感器测量的加速度值,以及所述陀螺仪传感器测量的角速度值;所述至少两种传感器的标注传感数据包括所述加速度传感器的标注有出行方式的加速度值,以所述陀螺仪传感器的标注有出行方式的角速度值。
S820,对已标注出行方式的至少两种传感器的标注传感数据进行回归学习,以确定用于判定用户出行方式的线性回归模型中的模型参数。
由于采用至少两种传感器的实时传感数据作为依据给出最终的出行方式判断结果,需要对所述至少两种传感器的实时传感数据进行结合,来给出出行方式的判断结果。在本实施例中,依据一个线性回归模型,对所述至少两种传感器的实时传感数据进行结合。
所述线性回归模型在所述至少两种传感器的标注传感数据的取值空间中确定一个界面,该界面能够将所述取值空间划分为两个子空间。所述两个子空间分别对应于所述设定出行方式以及所述设定出行方式以外的出行方式。示例的,所述两个子空间分别对应于公交出行方式以及步行出行方式。
优选的,所述线性回归模型是:
y0=αx1+βx2+γx3,
其中,x1是在设定长度的时间段内采集到的处于其对应的取值范围内的加速度传感器测量的加速度值的个数,x2是在设定长度的时间段内采集到的处于其对应的取值范围内的陀螺仪传感器测量的角速度值的个数,x3是根据用户的定位位置点序列计算的用户的移动速度,α是所述加速度传感器对应的加权值,β是所述陀螺仪传感器对应的加权值,γ是所述移动速度对应的加权值,y0是出行方式判断参考值。
所述线性回归模型的模型参数包括:所述至少两种传感器各自对应的加权值。示例的,所述至少两种传感器各自对应的加权值包括上述线性回归模型中的α和β。
所述线性回归模型的模型参数还包括出行方式判断阈值。
在本实施例中,采用机器学习的方法对上述线性回归模型的模型参数进行学习。
由于用所述线性回归模型确定的界面用于将所述至少两个传感器的标注传感数据的取值空间划分为分别对应于公交出行方式和步行出行方式的两个子空间,因此可以利用最小二乘法对所述加权值和所述出行方式判断阈值进行学习。
S830,在用户出行过程中采集用户携带的移动终端中所述至少两种传感器的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数。
完成对所述至少两种传感器的标注传感数据的各自的取值范围的统计,以及对所述线性回归模型的模型参数的学习,则可以对所述至少两种传感器的实时传感数据进行处理,以获取在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数。
优选的,可以在用户出行过程中采集用户携带的移动终端中所述加速度传感器采集的加速度值,以及所述陀螺仪传感器采集的角速度值,并对它们分别进行处理,得到在设定长度的时间段内采集到的处于其对应的取值范围内的加速度传感器测量的加速度值的个数,以及在设定长度的时间段内采集到的处于其对应的取值范围内的陀螺仪传感器测量的角速度值的个数。
S840,根据所述线性回归模型,对在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数进行计算,以判断用户的出行方式。
获取到在设定长度的时间段内采集到的处于其对应的取值范围内的加速度传感器测量的加速度值的个数,以及在设定长度的时间段内采集到的处于其对应的取值范围内的陀螺仪传感器测量的角速度的个数以后,根据所述线性回归模型,对上述两种个数进行计算,给出对用户的出行方式的判断。
进一步的,将根据所述线性回归模型计算得到的y0与所述设定出行方式判断阈值进行比较,若y0大于所述设定出行方式判断阈值,则可以判断用户的出行方式为所述设定出行方式,若y0小于所述设定出行方式判断阈值,则可以判断用户的出行方式为除所述设定出行方式之外的其他出行方式,比如步行出行方式。
图9是本发明第三实施例提供的出行方式判断方法中实时数据处理的流程图。参见图9,优选的,对已标注出行方式的至少两种传感器的标注传感数据分别进行统计分析,以确定在设定出行方式下所述至少两种传感器的标注传感数据各自的取值范围包括:
S811,获取设定出行方式下所述至少两种传感器的标注传感数据各自的在不同取值上的出现个数曲线。
采取至少两种传感器的实时传感数据进行出行方式判断时,首先获取设定出行方式下所述至少两种传感器的标注传感数据各自的在不同取值上的出现个数曲线。所述设定出行方式是公交出行方式。一般情况下,获取到的所述出现个数曲线具有“单峰”的形状。
S812,对所述出现个数曲线分别进行统计,获取各个传感器的标注传感数据中出现个数最多的取值。
由于在设定出行方式下,也就是公交出行方式下,不同传感器对应的出现个数曲线都具有“单峰”的形状,所以在获取所述至少两种传感器的标注传感数据各自的取值范围时,要获取各个传感器的标注传感数据中出现个数最多的取值。
S813,以各个出现个数最多的取值为中心,获取设定出行方式下所述至少两种传感器的标注传感数据各自的取值范围。
获取到各个传感器的标注传感数据中出现个数最多的取值后,以各个出现个数最多的取值为中心,获取设定出行方式下所述至少两种传感器的标注传感数据各自的取值范围。
本实施例通过对已标注出行方式的至少两种传感器的标注传感数据分别进行统计分析,以确定在设定出行方式下所述至少两种传感器的标注传感数据各自的取值范围,对已标注出行方式的至少两种传感器的标注传感数据进行回归学习,以确定用于判定用户出行方式的线性回归模型中的模型参数,在用户出行过程中采集用户携带的移动终端中所述至少两种传感器的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数,根据所述线性回归模型,对在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数进行计算,以判断用户的出行方式,在降低出行方式判断所需的计算量的基础上,进一步的提高了出行方式判断的准确性。
图10示出了本发明的第四实施例。
图10是本发明第四实施例提供的出行方式判断方法的流程图。所述出行方式判断方法以本发明的第三实施例为基础,进一步的,在根据所述线性回归模型,对在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数进行计算,以判断用户的出行方式之前,还包括:根据不同用户的已标注出行方式的至少两种传感器的标注传感数据,利用支持向量机(Support vector machine,SVM)算法调整所述线性回归模型的所述加权值。
参见图10,所述出行方式判断方法包括:
S1010,对已标注出行方式的至少两种传感器的标注传感数据分别进行统计分析,以确定在设定出行方式下所述至少两种传感器的标注传感数据各自的取值范围。
S1020,对已标注出行方式的至少两种传感器的标注传感数据进行回归学习,以确定用于判定用户出行方式的线性回归模型中的模型参数。
S1030,根据不同用户的已标注出行方式的至少两种传感器的标注传感数据,利用SVM算法调整所述线性回归模型的所述加权值。
不同用户的体貌特征不同,比如男士的身高较高,步幅较大,而女士的身高较矮,步幅也较小。正因如此,在针对不同的用户进行出行方式判断时,所使用的线性回归模型的模型参数应当有细小的不同。
在本实施例中,为了体现用户的个体差异,针对不同的用户对所述线性回归模型的加权值进行调整,使得针对不同用户给出的出行方式判断更加准确。具体的,根据不同用户的已标注出行方式的至少两种传感器的标注传感数据,利用SVM算法调整所述线性回归模型的所述加权值。
所述线性回归模型的模型参数不同,也就意味着由所述线性回归模型确定的所述至少两个传感器的标注传感数据的子空间划分界面不同。利用SVM算法调整所述线性回归模型的所述加权值,也就是调整所述子空间划分界面。优选的,可以采用最小二乘支持向量机(Least square-support vector machine,LS-SVM)算法调整所述线性回归模型的所述加权值。
S1040,在用户出行过程中采集用户携带的移动终端中所述至少两种传感器的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数。
S1050,根据所述线性回归模型,对在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数进行计算,以判断用户的出行方式。
本实施例通过在根据所述线性回归模型,对在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数进行计算,以判断用户的出行方式之前,根据不同用户的已标注出行方式的至少两种传感器的标注传感数据,利用SVM算法调整所述线性回归模型的所述加权值,从而进一步的提高了对与不同用户进行出行方式判断的准确性。
图11示出了本发明的第五实施例。
图11是本发明第五实施例提供的出行方式判断装置的结构图。参见图11,所述出行方式判断装置包括:标注数据分析模块1110、实时数据处理模块1140以及出行方式判断模块1150。
所述标注数据分析模块1110用于对已标注出行方式的标注传感数据进行统计分析,以确定设定出行方式下标注传感数据的取值范围。
所述实时数据处理模块1140用于在用户出行过程中采集用户携带的移动终端的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数。
所述出行方式判断模块1150用于根据在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数,判断用户的出行方式。
优选的,所述标注数据分析模块1110包括:第一标注数据分析单元1111。
所述第一标注数据分析单元1111用于对已标注出行方式的一种传感器的标注传感数据进行统计分析,以确定在设定出行方式下所述传感器的标注传感数据的取值范围。
所述实时数据处理模块1140包括:第一实时数据处理单元1141。
所述第一实时数据处理单元1141用于在用户出行过程中采集用户携带的移动终端中所述传感器的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的所述传感器的实时传感数据的个数。
所述出行方式判断模块1150包括:第一出行方式判断单元1151。
所述第一出行方式判断单元1151用于将在设定长度的时间段内采集到的处于所述取值范围内的所述传感器的实时传感数据的个数,与预置的个数阈值进行比较,根据比较结果判断用户的出行方式。
优选的,所述第一标注数据分析单元1111具体用于:
获取设定出行方式下所述传感器的标注传感数据在不同取值上的出现个数曲线;
对所述出现个数曲线进行统计,获取所述传感器的标注传感数据中出现个数最多的取值;
以所述出现个数最多的取值为中心,获取设定出行方式下所述传感器的标注传感数据的取值范围。
优选的,所述标注数据分析模块1110包括:第二标注数据分析单元1112;
所述第二标注数据分析单元1112用于对已标注出行方式的至少两种传感器的标注传感数据分别进行统计分析,以确定在设定出行方式下所述至少两种传感器的标注传感数据各自的取值范围;
所述出行方式判断装置还包括:回归学习模块1120;
所述回归学习模块1120用于在对已标注出行方式的至少两种传感器的标注传感数据分别进行统计分析之后,对已标注出行方式的至少两种传感器的标注传感数据进行回归学习,以确定用于判定用户出行方式的线性回归模型中的模型参数;
所述实时数据处理模块1140包括:第二实时数据处理单元1142;
所述第二实时数据处理单元1142用于在用户出行过程中采集用户携带的移动终端中所述至少两种传感器的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数;
所述出行方式判断模块1150包括:第二出行方式判断单元1152。
所述第二出行方式判断单元1152用于根据所述线性回归模型,对在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数进行计算,以判断用户的出行方式。
优选的,所述第二标注数据分析单元1112具体用于:
获取设定出行方式下所述至少两种传感器的标注传感数据各自的在不同取值上的出现个数曲线;
对所述出现个数曲线分别进行统计,获取各个传感器的标注传感数据中出现个数最多的取值;
以各个出现个数最多的取值为中心,获取设定出行方式下所述至少两种传感器的标注传感数据各自的取值范围。
优选的,所述模型参数包括所述至少两种传感器各自对应的加权值,以及设定出行方式判定阈值。
优选的,所述至少两种传感器包括加速度传感器以及陀螺仪传感器;
所述至少两种传感器的实时传感数据包括所述加速度传感器测量的加速度值,以及所述陀螺仪传感器测量的角速度值;
所述至少两种传感器的标注传感数据包括所述加速度传感器的标注有出行方式的加速度值,以所述陀螺仪传感器的标注有出行方式的角速度值。
优选的,所述线性回归模型是:
y0=αx1+βx2+γx3,
其中,x1是在设定长度的时间段内采集到的处于其对应的取值范围内的加速度传感器测量的加速度值的个数,x2是在设定长度的时间段内采集到的处于其对应的取值范围内的陀螺仪传感器测量的角速度值的个数,x3是根据用户的定位位置点序列计算的用户的移动速度,α是所述加速度传感器对应的加权值,β是所述陀螺仪传感器对应的加权值,γ是所述移动速度对应的加权值;
所述第二出行方式判断单元1112具体用于:
将y0与所述设定出行方式判断阈值进行比较,根据比较结果判断用户的出行方式为所述设定出行方式或其他出行方式。
优选的,所述出行方式判断装置还包括:加权值调整模块1130。
所述加权值调整模块1130用于在根据所述线性回归模型,对在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数进行计算,以判断用户的出行方式之前,根据不同用户的已标注出行方式的至少两种传感器的标注传感数据,利用支持向量机SVM算法调整所述线性回归模型的所述加权值。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间的相同或相似的部分互相参见即可。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (18)
1.一种出行方式判断方法,其特征在于,包括:
对已标注出行方式的标注传感数据进行统计分析,以确定设定出行方式下标注传感数据的取值范围;其中,所述的传感数据是加速度传感器测量的加速度值,和/或陀螺仪传感器测量的角速度值;
在用户出行过程中采集用户携带的移动终端的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数;
根据在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数,判断用户的出行方式。
2.根据权利要求1所述的方法,其特征在于,对已标注出行方式的标注传感数据进行统计分析,以确定设定出行方式下标注传感数据的取值范围包括:
对已标注出行方式的一种传感器的标注传感数据进行统计分析,以确定在设定出行方式下所述传感器的标注传感数据的取值范围;
在用户出行过程中采集用户携带的移动终端的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数包括:
在用户出行过程中采集用户携带的移动终端中所述传感器的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的所述传感器的实时传感数据的个数;
根据在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数判断用户的出行方式包括:
将在设定长度的时间段内采集到的处于所述取值范围内的所述传感器的实时传感数据的个数,与预置的个数阈值进行比较,根据比较结果判断用户的出行方式。
3.根据权利要求2所述的方法,其特征在于,对已标注出行方式的一种传感器的标注传感数据进行统计分析,以确定在设定出行方式下所述传感器的标注传感数据的取值范围包括:
获取设定出行方式下所述传感器的标注传感数据在不同取值上的出现个数曲线;
对所述出现个数曲线进行统计,获取所述传感器的标注传感数据中出现个数最多的取值;
以所述出现个数最多的取值为中心,获取设定出行方式下所述传感器的标注传感数据的取值范围。
4.根据权利要求1所述的方法,其特征在于,对已标注出行方式的标注传感数据进行统计分析,以确定设定出行方式下实时传感数据的取值范围包括:
对已标注出行方式的至少两种传感器的标注传感数据分别进行统计分析,以确定在设定出行方式下所述至少两种传感器的标注传感数据各自的取值范围;
在对已标注出行方式的至少两种传感器的标注传感数据分别进行统计分析之后,还包括:
对已标注出行方式的至少两种传感器的标注传感数据进行回归学习,以确定用于判定用户出行方式的线性回归模型中的模型参数;
在用户出行过程中采集用户携带的移动终端的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数包括:
在用户出行过程中采集用户携带的移动终端中所述至少两种传感器的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数;
根据在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数判断用户的出行方式包括:
根据所述线性回归模型,对在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数进行计算,以判断用户的出行方式。
5.根据权利要求4所述的方法,其特征在于,对已标注出行方式的至少两种传感器的标注传感数据分别进行统计分析,以确定在设定出行方式下所述至少两种传感器的标注传感数据各自的取值范围包括:
获取设定出行方式下所述至少两种传感器的标注传感数据各自的在不同取值上的出现个数曲线;
对所述出现个数曲线分别进行统计,获取各个传感器的标注传感数据中出现个数最多的取值;
以各个出现个数最多的取值为中心,获取设定出行方式下所述至少两种传感器的标注传感数据各自的取值范围。
6.根据权利要求4所述的方法,其特征在于,所述模型参数包括所述至少两种传感器各自对应的加权值,以及设定出行方式判定阈值。
7.根据权利要求6所述的方法,其特征在于,所述至少两种传感器包括加速度传感器以及陀螺仪传感器;
所述至少两种传感器的实时传感数据包括所述加速度传感器测量的加速度值,以及所述陀螺仪传感器测量的角速度值;
所述至少两种传感器的标注传感数据包括所述加速度传感器的标注有出行方式的加速度值,以所述陀螺仪传感器的标注有出行方式的角速度值。
8.根据权利要求7所述的方法,其特征在于,所述线性回归模型是:
y0=αx1+βx2+γx3,
其中,x1是在设定长度的时间段内采集到的处于其对应的取值范围内的加速度传感器测量的加速度值的个数,x2是在设定长度的时间段内采集到的处于其对应的取值范围内的陀螺仪传感器测量的角速度值的个数,x3是根据用户的定位位置点序列计算的用户的移动速度,α是所述加速度传感器对应的加权值,β是所述陀螺仪传感器对应的加权值,γ是所述移动速度对应的加权值;
所述根据所述线性回归模型,对在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的所述取值范围内的个数进行计算,以判断用户的出行方式包括:
将y0与所述设定出行方式判断阈值进行比较,根据比较结果判断用户的出行方式为所述设定出行方式或其他出行方式。
9.根据权利要求6所述的方法,其特征在于,在根据所述线性回归模型,对在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数进行计算,以判断用户的出行方式之前,还包括:
根据不同用户的已标注出行方式的至少两种传感器的标注传感数据,利用支持向量机SVM算法调整所述线性回归模型的所述加权值。
10.一种出行方式判断装置,其特征在于,包括:
标注数据分析模块,用于对已标注出行方式的标注传感数据进行统计分析,以确定设定出行方式下标注传感数据的取值范围;其中,所述的传感数据是加速度传感器测量的加速度值,和/或陀螺仪传感器测量的角速度值;
实时数据处理模块,用于在用户出行过程中采集用户携带的移动终端的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数;
出行方式判断模块,用于根据在设定长度的时间段内采集到的处于所述取值范围内的实时传感数据的个数,判断用户的出行方式。
11.根据权利要求10所述的装置,其特征在于,所述标注数据分析模块包括:
第一标注数据分析单元,用于对已标注出行方式的一种传感器的标注传感数据进行统计分析,以确定在设定出行方式下所述传感器的标注传感数据的取值范围;
所述实时数据处理模块包括:
第一实时数据处理单元,用于在用户出行过程中采集用户携带的移动终端中所述传感器的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内采集到的处于所述取值范围内的所述传感器的实时传感数据的个数;
所述出行方式判断模块包括:
第一出行方式判断单元,用于将在设定长度的时间段内采集到的处于所述取值范围内的所述传感器的实时传感数据的个数,与预置的个数阈值进行比较,根据比较结果判断用户的出行方式。
12.根据权利要求11所述的装置,其特征在于,所述第一标注数据分析单元具体用于:
获取设定出行方式下所述传感器的标注传感数据在不同取值上的出现个数曲线;
对所述出现个数曲线进行统计,获取所述传感器的标注传感数据中出现个数最多的取值;
以所述出现个数最多的取值为中心,获取设定出行方式下所述传感器的标注传感数据的取值范围。
13.根据权利要求10所述的装置,其特征在于,所述标注数据分析模块包括:
第二标注数据分析单元,用于对已标注出行方式的至少两种传感器的标注传感数据分别进行统计分析,以确定在设定出行方式下所述至少两种传感器的标注传感数据各自的取值范围;
该装置还包括:
回归学习模块,用于在对已标注出行方式的至少两种传感器的标注传感数据分别进行统计分析之后,对已标注出行方式的至少两种传感器的标注传感数据进行回归学习,以确定用于判定用户出行方式的线性回归模型中的模型参数;
所述实时数据处理模块包括:
第二实时数据处理单元,用于在用户出行过程中采集用户携带的移动终端中所述至少两种传感器的实时传感数据,并对所述实时传感数据进行处理,以获取在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数;
所述出行方式判断模块包括:
第二出行方式判断单元,用于根据所述线性回归模型,对在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数进行计算,以判断用户的出行方式。
14.根据权利要求13所述的装置,其特征在于,所述第二标注数据分析单元具体用于:
获取设定出行方式下所述至少两种传感器的标注传感数据各自的在不同取值上的出现个数曲线;
对所述出现个数曲线分别进行统计,获取各个传感器的标注传感数据中出现个数最多的取值;
以各个出现个数最多的取值为中心,获取设定出行方式下所述至少两种传感器的标注传感数据各自的取值范围。
15.根据权利要求13所述的装置,其特征在于,所述模型参数包括所述至少两种传感器各自对应的加权值,以及设定出行方式判定阈值。
16.根据权利要求15所述的装置,其特征在于,所述至少两种传感器包括加速度传感器以及陀螺仪传感器;
所述至少两种传感器的实时传感数据包括所述加速度传感器测量的加速度值,以及所述陀螺仪传感器测量的角速度值;
所述至少两种传感器的标注传感数据包括所述加速度传感器的标注有出行方式的加速度值,以所述陀螺仪传感器的标注有出行方式的角速度值。
17.根据权利要求16所述的装置,其特征在于,所述线性回归模型是:
y0=αx1+βx2+γx3,
其中,x1是在设定长度的时间段内采集到的处于其对应的取值范围内的加速度传感器测量的加速度值的个数,x2是在设定长度的时间段内采集到的处于其对应的取值范围内的陀螺仪传感器测量的角速度值的个数,x3是根据用户的定位位置点序列计算的用户的移动速度,α是所述加速度传感器对应的加权值,β是所述陀螺仪传感器对应的加权值,γ是所述移动速度对应的加权值;
所述第二出行方式判断单元具体用于:
将y0与所述设定出行方式判断阈值进行比较,根据比较结果判断用户的出行方式为所述设定出行方式或其他出行方式。
18.根据权利要求15所述的装置,其特征在于,还包括:
加权值调整模块,用于在根据所述线性回归模型,对在设定长度的时间段内所述至少两种传感器的实时传感数据处于各自对应的取值范围内的个数进行计算,以判断用户的出行方式之前,根据不同用户的已标注出行方式的至少两种传感器的标注传感数据,利用支持向量机SVM算法调整所述线性回归模型的所述加权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410806111.1A CN104504066B (zh) | 2014-12-19 | 2014-12-19 | 出行方式判断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410806111.1A CN104504066B (zh) | 2014-12-19 | 2014-12-19 | 出行方式判断方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104504066A CN104504066A (zh) | 2015-04-08 |
CN104504066B true CN104504066B (zh) | 2018-11-02 |
Family
ID=52945464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410806111.1A Active CN104504066B (zh) | 2014-12-19 | 2014-12-19 | 出行方式判断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504066B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408026B (zh) * | 2016-09-20 | 2020-04-28 | 百度在线网络技术(北京)有限公司 | 用户出行方式的识别方法和装置 |
CN108120450B (zh) * | 2016-11-29 | 2020-06-26 | 华为技术有限公司 | 一种静止状态的判断方法及装置 |
CN111125179B (zh) * | 2018-10-30 | 2023-10-20 | 百度在线网络技术(北京)有限公司 | 出行方式确定方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007303989A (ja) * | 2006-05-12 | 2007-11-22 | Pioneer Electronic Corp | 移動体端末装置、移動体端末装置の制御方法、移動体端末装置の制御プログラム、および移動体端末装置の制御プログラムを記録した記録媒体 |
CN102136192A (zh) * | 2011-01-31 | 2011-07-27 | 上海美慧软件有限公司 | 一种基于手机信号数据的出行方式识别方法 |
CN103841585A (zh) * | 2014-03-27 | 2014-06-04 | 中国联合网络通信集团有限公司 | 一种区分高速铁路用户的方法和装置 |
-
2014
- 2014-12-19 CN CN201410806111.1A patent/CN104504066B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007303989A (ja) * | 2006-05-12 | 2007-11-22 | Pioneer Electronic Corp | 移動体端末装置、移動体端末装置の制御方法、移動体端末装置の制御プログラム、および移動体端末装置の制御プログラムを記録した記録媒体 |
CN102136192A (zh) * | 2011-01-31 | 2011-07-27 | 上海美慧软件有限公司 | 一种基于手机信号数据的出行方式识别方法 |
CN103841585A (zh) * | 2014-03-27 | 2014-06-04 | 中国联合网络通信集团有限公司 | 一种区分高速铁路用户的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104504066A (zh) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2748093B1 (en) | Method and apparatus for elevator motion detection | |
KR101782240B1 (ko) | 보수 카운팅 방법 및 그 장치 | |
CN103323615B (zh) | 一种通过加速度传感器计算步行速度的移动终端及方法 | |
US20190049253A1 (en) | Congestion degree estimation method, number-of-people estimation method, congestion degree estimation program, number-of-people estimation program and number-of-people estimation system | |
CN103340634B (zh) | 一种基于加速度变化检测人运动状态的方法 | |
US9448073B2 (en) | System and method for assessing road quality using data collected from a mobile device | |
US8538723B2 (en) | Exercise mode automatic identification method | |
CN103336093A (zh) | 一种区域空间质量分析方法 | |
US20210093918A1 (en) | Detecting the end of hiking activities on a wearable device | |
CN104504066B (zh) | 出行方式判断方法和装置 | |
CN106137209A (zh) | 一种运动姿态检测方法及可穿戴式设备 | |
US20140309964A1 (en) | Internal Sensor Based Personalized Pedestrian Location | |
CN106772496A (zh) | 一种海拔的测量方法和系统 | |
CN109844460A (zh) | 一种步幅校准方法、相关设备及系统 | |
US20170334513A1 (en) | Method and a system for estimation of a useful effort provided by an individual during a physical activity consisting in executing an alternating pedalling movement on a pedal device | |
CN106469505A (zh) | 一种浮动车轨迹纠偏方法和装置 | |
JP2017504363A (ja) | 運動量算出方法、装置及び携帯電話 | |
WO2015184741A1 (zh) | 导航信息的获取方法及装置、移动终端 | |
US10295364B2 (en) | Obstacle data providing system, data processing apparatus and method of providing obstacle data | |
CN106441295A (zh) | 步行者行进方向确定方法及装置 | |
CN105953794A (zh) | 一种基于mems传感器的计步导航方法 | |
JP7117775B2 (ja) | 情報処理装置、情報処理システム、情報処理方法、及びプログラム | |
CN106500717B (zh) | 一种实现计步的方法及装置 | |
EP3112811A1 (en) | System and method for processing a foot acceleration signal | |
CN115825475A (zh) | 一种基于频域信息的输电线路舞动状态确定方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |