CN108510011B - 一种基于手机多传感器的用户出行方式分析方法 - Google Patents

Abstract

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。

Description

一种基于手机多传感器的用户出行方式分析方法

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；

(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。

进一步地，所述步骤(1)中利用txt文件的形式将采集到的传感数据保存至样本库中，以时间戳对应路径，以便在计算机端进行后期的处理。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

本发明通过对手机内置多传感器的数据采集处理，弥补了传统传感器信息应用中数据来源单一、数据特征提取不明显的缺点，解决了以地图工具为基础的应用因定位信息的时间分布不均匀、定位精度较为模糊造成的难以准确识别手机用户轨迹点并提取出行特征的问题，填补了目前研究大部分是对传感器数据进行表面的分析，并没有能相互关联的空白。本发明通过对数据进行深层次挖掘，分析出当前用户的可能出行方式，不仅提高了特征提取的准确性，还为后续针对不同的出行方式智能地提供推荐应用服务列表奠定基础。

附图说明

图1为本发明用户出行方式分析方法的流程示意图。

图2为本发明改进AdaBoost算法的模型结构示意图。

图3(a)为原始加速度数据的波形示意图。

图3(b)为经切比雪夫Ⅰ型数字低通滤波器后的加速度数据波形示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

本发明基于手机多传感器的用户出行方式分析方法，通过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。

如图1所示，本发明用户出行方式识别方案的工作流程大致分为6个部分，依次为：数据采集、数据预处理、数据过滤、特征向量的提取、加权的多维判决法和改进的AdaBoost算法，其中：

(1)数据采集部分调用手机传感器的API接口，以10s为间隔定时记录提取到的GPS速度，X、Y、Z方向加速度，X、Y、Z方向角速度数据，并用TXT文件的形式保存数据到样本库，以时间戳对应路径，以便在计算机端进行后期的处理。其中，例如某次采集数据记录如表1所示：

表1

(2)数据预处理部分对采集到的三种传感器数据进行相应的特殊处理并进行滤波去噪：

2.1GPS数据处理。借用高德地图的GPS定位坐标，从中直接提取出某次出行过程中GPS坐标的变化，主要记录出行起点、出行终点、出行开始时间、出行终止时间。然后将记录的手机GPS相关数据，配合高德地图API提供的相关定位SDK，计算出出行过程的距离、时间、速度等。

2.2运动幅度数据处理。由于手机坐标系与坐标值会随出行运动过程而改变，因此单一方向轴的数据不能合理表明运动程度，为了能够更直观地挖掘加速度传感器数据的变化特征，故引入成合加速度，即将加速度三轴合成：

其中，x_a、y_a、z_a为三轴加速度，a为合加速度。

2.3旋转角度数据处理。由于姿态角可以反应出手机在不同出行运动状态下空间旋转幅度变化，故引入合成角速度，即将角速度三轴合成：

其中，x_g、y_g、z_g为三轴角速度，g为合角速度。

2.4滤波去噪。由于手机采集的传感器原始数据中包含各种错误或冗余噪声数据，并且考虑到人体运动的频带宽度远低于传感器的噪声带宽，因此采用切比雪夫Ⅰ型数字低通滤波器对原始传感器数据进行滤波处理，可以达到过滤高频，保留低频的目的。其中，低通数字滤波器的设计指标为：通带截止频率为0.2pi，通带波动为1dB，阻带截止频率为0.3pi，阻带衰减为15dB。因此该滤波器的数学模型如下式：

其中，H_z为系数函数，z为模型输入量。

本实施方式采用切比雪夫Ⅰ型数字低通滤波器对原始传感器数据进行滤波处理，对比结果如图3(a)和图3(b)所示，其中图3(a)为原始加速度数据，图3(b)为处理后的加速度数据。

(3)特征向量提取部分采用求取一次出行过程中单一出行方式的每种记录数据的方法，从而得到对应GPS、加速度、角速度的均值、方差、最小值、最大值、偏度、峰度等信息。根据以上内容组成6行、3列特征值的特征向量表，特征向量表的行即为数据的来源包括GPS、加速度传感器、角速度传感器，特征向量表的列即为特征值类型。其中，偏度表征统计数据分布的偏斜方向及程度，计算公式如下：

其中，n代表样本数量，

代表样本的平均值，X代表样本的观测值，偏度反应了概率分布密度曲线相对于平均值不对称程度的特征数。

峰度表征分布的陡缓程度，计算公式如下：

其中，n代表样本数量，

代表样本的平均值，X代表样本的观测值，峰度反映了概率密度分布曲线在平均值处峰值高低的特征数，不同运动行为所表现的峰度不同，峰度可以有效地区分不同的行为。

例如对某次采集数据进行特征提取所得的向量表如表2所示：

表2

(4)特征基准向量提取部分采用滑动平均法。针对不同的出行模式，经过以上步骤已经获得了多组单一传感器相应的一维特征向量，下面需要根据不同的模式采取随机重取样方式，从对应模式的多组样本特征向量中随机有放回地排列组合并选取其中的1/n向量。为了防止偶然因素或者数据过滤不完善的影响，在随机重取样后，提取各组特征向量的滑动平均值作为不同模式判别的特征基准向量。表3为以合成加速度为例介绍不同行为模式下的加速度特征基准向量的样本格式。

表3

求取特征基准向量的滑动平均值公式如下：

其中，m＝1,2,3,4,5为五种模式，i＝1,2,3,...为第m个模式下提取的随机重取样特征向量的数量。

(5)加权的多维判决方法主要采用以下四步进行初步分类识别：

5.1针对待判别的出行方式，依次提取单一传感器的特征向量与五种出行模式(步行、自行车、私家车、公交车、地铁)所对应的特征基准向量进行逐行判别，将每行对应列元素分别与特征基准向量对应元素进行比较，得到二者误差。

5.2通过比较不同出行类型，得到5个误差中的最小值，并投最小值所对应的模式一票，对数据所有行的每个元素都依此原理进行判决。

5.3为避免整行数据采集的失真引起判决误差，故对每行判决结果引入权重；记录上述每行的最小误差值并求和，可得每行判决结果的权重为：

其中，ω_i为每行判决结果所对应的权重，(ε_i)_min为第i行的最小误差值，

为6行最小误差值的和。

5.4进行完6次加权判决过程后，将最终结果进行统计，得到五种模式对应的总概率，由此概率分布可得数据样本所属的类别，即初步分类结果。

本实施方式使表2中的加速度数据与表3的加速度特征基准向量进行逐行判决时，可得均值、方差、最小值、最大值、偏度、峰度对应的误差最小值分别为(0.02，0.051，0.049，0.935，0.045，0.003)，故可得权重为(0.982，0.954，0.956，0.153，0.959，0.997)。进行完上述6次加权判决过程后，将最终结果进行统计，上述加速度数据得到的五种模式对应的总概率约为(0.667，0.166，0.166，0.001，0)。

(6)改进的AdaBoost算法部分主要采用迭代思想，针对上述多维判决的概率结果，构建权重向量D。和原AdaBoost算法不同，这里使用弱分类器的正确率来最小化损失函数，从而求得AdaBoost给每个分类器分配的权重值α。

其中，弱分类器的正确率为：

此处正确分类的概率选定为权重向量D中对应真实出行模式的概率。因此，AdaBoost给每个分类器分配的权重值为：

为降低泛化错误率，计算出α值后需要对权重向量D进行反向更新，以使得那些正确分类的权重升高，而错分的权重降低。

因此权重向量D采用如下更新方法，若某个样本被正确分类，那么该样本的权重更改为：

若某个样本被错分，那么该样本的权重更改为：

在计算出D之后，AdaBoost会不断地重复训练和调整权重的过程，直到训练错误率达到一定阈值或者弱分类器的分类结果达到指定值为止。

最后通过对三种传感器对应的弱分类器的预测结果进行α值的加权集合，即基学习器的线性组合，构成一个更强的最终分类器，公式如下：

最终分类器的权重向量H(x)中的概率最大值对应的出行模式即为最终集成学习的结果。

本实施方式改进AdaBoost算法如图2所示，每种基分类器对应5种模式，使用弱分类器的最大概率作为正确率来最小化损失函数，可得AdaBoost给每个分类器分配的权重值α分别为(0.69,0.97,0.90)。不断地重复训练和调整权重向量D，直到训练错误率小于0.1为止。通过对三种传感器对应的弱分类器的预测结果进行α值的加权集合，可得最终分类器的权重向量H(x)＝{0.93,0.06,0.01,0,0}。由于该向量中的概率最大值对应模式一，因此推测该用户最可能选择步行作为出行方式。

上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (6)

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。

Images