CN109635863A - 智能判断用户乘车的方法和装置 - Google Patents

Abstract

本发明涉及智能判断用户乘车的方法和装置。本发明的智能判断用户乘车的方法或装置包括数据采集、数据处理、特征提取以及识别分类。通过本发明所述智能判断用户乘车的方法或装置，能够有效利用智能手机MSME加速度传感器的信号数据，结合用户行为分类器及状态机智能判断用户在公交车站的乘车状态，避免了用户以手工方式操作手机APP触发用户乘车的操作，且准确率高。

Description

智能判断用户乘车的方法和装置

技术领域

本发明涉及智能交通技术领域，具体涉及一种智能判断用户乘车的方法和装置。

背景技术

一直以来，以半导体技术和微机电加工工艺设计、制造的MEMS(Micro-Electro-Mechanical-Systems)传感器，由于集成度高，并且可以与信号电缆集成在一起，使生产成本大大降低，已经在智能手机中得到了普遍应用。

随着信息技术突飞猛进发展，日渐普及的移动智能终端为智能公共交通网络的建设提供了优质载体，它具有便携、功能集中等特点，实现了许多专业设备具有的功能。另外生活节奏日益加快的今天，人们对了解公交何时到站的需求日益加大，公交作为最大的公共交通设施，成为人们出行不可或缺的工具之一。实时公交手机APP，用户可以通过手机连接互联网，随时随地查询到公交实时到站信息，能够让市民提高出行的效率，避免过长时间的在公交站等待。APP提供精准的实时到站提醒服务，让用户乘坐公交时安心看书、睡觉、听音乐的同时防止用户坐过站，耽误重要行程，避免不必要的损失。

作为到站提醒的前置条件，用户是否正在乘坐行驶的公交(以下可简称为“乘车”)的判断就尤为重要。但是，目前尚不存在能自动准确判定用户真实乘车状态的技术，因而只能通用用户在实时公交APP中手工点击触发“乘车”操作，从而开启路线规划和到站提醒算法，达到精确到站信息提示的效果。但是，这种实现方式对于用户来说体验非常不友好，故需要一种智能的方式取而代之。

发明内容

本发明要解决的技术问题

鉴于上述现状，本发明旨在应用智能手机MSME加速度传感器，获取用户乘车行为，智能判断用户乘车状态，从而避免用户手动操作APP选取乘车状态的操作。

解决技术问题的技术手段

为了解决上述技术问题，本发明的发明人经过深入研究后发现，通过使用手机的线性加速度传感器捕捉公交车发动机自身产生的高频低振幅震动数据，并结合用户行为分类器及状态机，能够有效区分“乘车”与其他“非乘车”状态，从而完成本发明。另外，此“乘车”状态的判定不仅局限于公交车，也适用于小客车、大巴等所有备有发动机的车辆。

本发明的智能判断用户乘车的方法(或装置)，其特征在于包括以下步骤(或模块)：数据采集步骤(或模块)，利用手机内置的线性加速度传感器，以能够捕捉到公交车发动机自身产生的高频低振幅震动数据的采集频率，连续采集用户在公交车站的各种行为在智能手机中的原始线性加速度信号数据；数据处理步骤(或模块)，对采集到的原始线性加速度信号数据进行异常数据过滤，滤波去噪，以及有重叠切分；特征提取步骤，通过基于重力方向的坐标轴转换以及傅里叶变换，在经过上述数据处理步骤后得到的数据中提取时域特征和频域特征，得到特征数据；识别分类步骤，将提取到的特征数据输入预先训练的分类器模型，输出行为标签后导入状态机，对用户在公交车站的行为状态进行分类识别，当分类识别结果为非乘车状态时，返回数据采集步骤，直至得到乘车状态的分类识别结果。

进一步，在本发明的智能判断用户乘车的方法(或装置)中，优选地是，在数据采集步骤(或模块)中，所述采集频率为15～40Hz。

进一步，在本发明的智能判断用户乘车的方法(或装置)中，优选地是，在特征提取步骤(或模块)中，所述提取时域特征和频域特征是指，将一个加速度信号数据定义为一个单元点，将各单元点的X、Y、Z三维坐标经坐标轴转换，获得水平方向的H轴和重力方向的V轴后，整合单次采集到的数据中的单元点的上述X,Y,Z,H,V五个坐标轴的时域特征：均值、极值、能量、熵、标准差、四分位范围，以及V轴通过傅里叶变换后的频域特征：均值、极值、能量、熵、标准差、四分位范围。

进一步，在本发明的智能判断用户乘车的方法(或装置)中，优选地是，在分类识别步骤(或模块)中，所述分类器模型采用的算法为决策树、Boosting、循环神经网络。

进一步，在本发明的智能判断用户乘车的方法(或装置)中，优选地是，在分类识别步骤(或模块)中，作为所述分类器模型，同时使用乘车分类器、等车分类器、骑行分类器和步行分类器这4种二分类的分类器模型。

进一步，在本发明的智能判断用户乘车的方法(或装置)中，优选地是，在分类识别步骤(或模块)中，所述状态机为在未知状态、疑似乘车状态和乘车状态这三个状态之间可相互切换的状态机。

进一步，在本发明的智能判断用户乘车的方法(或装置)中，优选地是，在数据采集步骤(或模块)中，进行数据采集的总时长为1～3分钟。

发明效果

采用本发明所述智能判断用户乘车的方法或装置，能够有效利用智能手机MSME加速度传感器的信号数据，结合用户行为分类器及状态机智能判断用户在公交车站的乘车状态，避免了用户以手工方式操作手机APP触发用户乘车的操作，且准确率高。

附图说明

图1为示出本发明的智能判断用户乘车的方法或装置的图。

图2为本发明所涉有重叠切分数据单元组的示意图。

图3为示出本发明的“乘车”和“站立等车”这两个状态的重力方向数值对比的一个具体实例的图。

图4为本发明的一个具体实施方式的状态机状态转换逻辑图。

具体实施方式

下面结合附图对本发明的智能判断用户乘车的方法或装置的具体实施方式进行说明。

如图1所示，本发明的智能判断用户乘车的方法(或装置)包括下列步骤(或模块)：

1.数据采集步骤

利用手机内置的线性加速度传感器，以特定的采集频率，连续采集用户在公交车站的各种行为在智能手机中的原始线性加速度信号数据。数据采集时对手机放置的方向及位置没有刻意约定。

关于触发手机内置的线性加速度传感器开始数据采集，可以是用户打开手机应用程序，也可以是用户在该手机应用程序中进行路线查询等。

采集频率可以为任意适当的频率，只要能使手机的线性加速度传感器捕捉到公交车发动机自身产生的高频低振幅震动数据即可，优选为15Hz～40Hz，更优选为30Hz。采集频率若小于15Hz，则大幅降低分类器模型的准确率，若操过40Hz，则会显著增加智能手机电量的消耗。可以通过增加采集频率的方式捕捉高频低振幅震动数据，30Hz为不影响用户正常使用手机功能的最佳采集频率。

单次采集时长可以基于乘车判定的准确率和用户体验的平衡进行适当选择，既需要保证采集到足够多的数据，又需要顾及用户体验，例如降低耗电量，减少判定时间等。

采集的总时长因加速度传感器敏感程度不同而有差异，为手机的线性加速度传感器能够捕捉到公交车发动机自身产生的高频低振幅震动数据所需要花费的时间，且同样可以基于乘车判定的准确率和用户体验的平衡进行适当选择。

另外，手机应用程序以上述特定的频率连续采集原始线性加速度信号数据，直至在后续步骤中达到下述条件之一即停止采集：条件一，判定用户为“乘车”状态；条件二，发现用户在一段时间内并没有乘车迹象，所述一段时间的选择同样可以基于乘车判定的准确率和用户体验的平衡进行适当选择，时间太短则影响准确率，时间太长则影响用户体验，优选为1～3分钟。

用户在公交车站的各种行为包括：乘车、等车、骑行、步行(指在车下步行)等。

各种行为的原始线性加速度信号为线性加速度传感器的X,Y,Z空间三维向量信号数据。具体而言，将以手机中心为原点，与屏幕垂直方向为Z轴，与手机长边框平行的方向为Y轴，与手机短边框平行的方向为X轴建立的坐标系中，三个维度的一个加速度数据，定义为一个数据单元点，单元点标记为p，即p＝(x,y,z)。

将单次采集时长内采集(以下也简称为“单次采集”)得到的所有单元点，构建为一个数据单元组。一个数据单元组所包含的单元点数量依上述采集频率和单次采集时长而定。

本发明的智能判断用户乘车的方法中的数据采集步骤对应于本发明的智能判断用户乘车的装置中的数据采集模块。

2.数据处理步骤

对采集到的加速度传感器信号数据进行异常数据过滤，滤波去噪，以及有重叠切分，以便在后续步骤中获得较好的识别效果。

作为异常数据过滤，由于手机品牌以及传感器集成方式的差异，导致单次采集的单元点数量超过理论上通过特定采集频率和单次采集时长应采集得到的单元点数量，此时需要根据设定的采集频率，有选择性的丢弃间隔较小的单元点，使信号数据在频率上统一，并保证一个数据单元组包含理论上通过特定采集频率和单次采集时长应采集得到的单元点数量。

作为滤波去噪，因采集到的加速度数据一般都含有噪音，通常表现为某个维度有过大的加速度，针对此情况，选择最大值上限并将异常值替换为上限值，做到最大程度利用数据。

为了更加充分完整的获取传感器数据中包含的行为信息，可以进一步对每个数据单元组进行有重叠切分。因为用户行为反映在传感器数据中，表现为一系列连续的单元点，故前后点之间存在潜在的联系。为保证不丢失空间特征，并提高数据利用效率，对每个数据单元组，按照包含相同单元点数量的单元段进行以一定量的单元点为移动步长的有重叠切分。所述单元段是分类器模型输入的单元数据，一个单元段标记用户这一段时间的行为状态(乘车、等车、骑行、步行中的一种)。所述单元段和移动步长所含的单元点可以进行适当选择，以尽量保证重叠而有利于准确率的提升。图2为有重叠切分数据单元组的示意图，S表示一个数据单元组，n为数据单元组中所含单元点的数量，W表示一个单元段，x为移动步长。

本发明的智能判断用户乘车的方法中的数据处理步骤对应于本发明的智能判断用户乘车的装置中的数据处理模块。

3.特征提取步骤

通过基于重力方向的坐标轴转换以及傅里叶变换，在经过上述数据处理步骤的数据单元组中提取时域特征和频域特征。这些特征数据中存在能够体现重力方向上的高频低振幅震动特征的数据。

目前，“乘车”与“等车”等其他状态尚难以区分。本发明的发明人通过大量实验发现，当用户乘坐公交车时，由于公交车发动机自身会产生高频低振幅的震动，会导致乘车的用户也产生共振现象，进而会将该震动传递到用户手机的线性加速度传感器中。这种低振幅震动在非乘车状态下鲜有发生，是判断用户乘车状态非常有效的特征。这种特征使区分“乘车”与其他“非乘车”状态成为可能。但为了利用此低振幅震动数据，有两个核心问题需要解决：1.线性加速度传感器采集的数据是时域相关的，无法反应出频域中的特征；2.所采集的数据随手机摆放姿势不同会产生很大差异。本发明的发明人经过深入研究发现，对数据进行“坐标轴转换+傅里叶变换”成为解决上述问题的有效方式。

具体而言，加速度传感器设备采集的数据受手机摆放位置影响会产生很大差异。例如，同样是乘坐公交车，手持手机和将手机放入口袋中，会导致数据采集步骤中所描述的三维坐标系向不同角度旋转，尽管都是“乘车”一种行为模式，却能够产生完全不同的数据。但乘客的重心方向是一致的，针对此特点，可以采取统一坐标系的策略。例如，将获取到的一个数据单元组中X、Y、Z三个坐标轴的数据，通过计算得到三个坐标轴数据的平均值，近似表示这个时间段内的重力向量。接下来利用向量点乘分别计算每一个单元点p在这个重力向量上的投影长度，这样就获得了每个单元点经过坐标转换后重力方向的数值，令其为V轴。接下来通过向量减法可获得与重力方向垂直的水平向量，命名为H轴。

另外，可利用傅里叶变换提取频域下这种高频的震动。例如，将最容易造成混淆的“乘车”和“站立等车”这两个状态的重力方向数值呈现出来做比较。如图3所示，当成功捕获这种高频低振幅的震动时，傅里叶变换会在低周期(高频率)附近产生较多中低振幅震动，可同“站立等车”形成明显差异。

即，提取时域特征和频域特征的具体方式为：整合一个数据单元组内上述X,Y,Z,H,V五个坐标轴连续序列的时域特征：均值、极值、能量、熵、标准差、四分位范围等，以及V轴通过傅里叶变换后序列的频域特征：均值、极值、能量、熵、标准差、四分位范围等。

本发明的智能判断用户乘车的方法中的特征提取步骤对应于本发明的智能判断用户乘车的装置中的特征提取模块。

4.识别分类步骤

上一步提取到的特征数据通过分类器模型输出行为标签，然后导入状态机，对用户在公交车站的行为状态进行分类识别，从而最终高效识别用户的真实乘车行为。

作为分类器模型，利用预先采集的上述各类行为标签(乘车、等车、步行、骑行等)特征数据进行训练，构建二分类的分类器模型，即预先训练好的分类器模型，包括乘车分类器、等车分类器、骑行分类器、步行分类器等。训练方法可根据数据特征进行适当的选择，例如可以选择sklearn(工具包)等进行训练。在本发明中，优选同时使用乘车分类器、等车分类器、骑行分类器和步行分类器模型这四个二分类模型进行分类。本发明建立多个标签的二分类分类器模型，而非多分类器模型是由于，例如，等车和乘坐在安稳行驶的公交车上的状态非常相似，如果简单建立包含例如4种标签的四分类模型，容错率很低，相反，四个二分类模型可提高容错率。

作为分类器模型的算法，可以选择决策树、Boosting、循环神经网络(LSTM)等，优选Boosting算法，其中，特别是Adaboost算法将若干个弱分类器通过加权组合得到强分类器，能够有效避免选择重要性较低的特征，并增加有效特征的权重，进而可以得到最佳准确率。

首先利用分类器模型获取用户行为标签：当一个数据单元组的数据经过提取上述特征后，将其导入每个分类器模型，并获取每个分类器模型的结果；当且仅当判断，乘车分类器的判断为正，其余分类器判断为负时，才认为当前状态有可能为乘车状态，行为标签为“乘车”，否则为“非乘车”。

进一步，为了规避分类器模型因相似行为产生错误的识别，譬如用户站立在公交车中与用户在公交车站站立等公交车的行为相似，在分类器模型的基础上增加状态机行为。

具体而言，一个数据单元组经上述有重叠切分后为多个单元段并提取特征数据后，导入每个分类器并按照上述方法判断用户行为，获取用户行为标签，然后导入至状态机。所述状态机为在未知状态、疑似乘车状态和乘车状态这三个状态之间可相互切换的状态机。图4为本发明的状态机状态转换逻辑图，具体过程如下：

如果该数据单元组中有至少一个行为标签为“乘车”时，状态机状态由原始状态转换为“疑似乘车”状态；

状态机状态在“疑似乘车”状态下将下一个数据单元组的结果导入至状态机，如果此数据单元组中行为模式为“乘车”的标签个数操过总标签个数的75％，状态机状态由“疑似乘车”状态转换为“乘车”状态，且行为模式为“乘车”的标签个数比例越高，乘车判定的准确率越高；

若“乘车”的标签个数小于等于总标签个数的75％，则转换至原始的“未知状态”。

若一轮判定的结果为非乘车状态时，返回至数据采集步骤，继续进行下一轮的乘车判定，直至判定结果为乘车状态，则提前停止数据采集；当经过一段时间的判定，仍未获得乘车状态的判定结果，则判定结果为非乘车状态，也停止数据采集。所述一段时间的选择如上所述，可以基于乘车判定的准确率和用户体验的平衡进行适当选择，优选为1～3分钟。

本发明的智能判断用户乘车的方法中的识别分类步骤对应于本发明的智能判断用户乘车的装置中的识别分类模块。

本发明通过智能手机MSME加速度传感器数据的有效利用，并根据乘车行为的特征，深度挖掘重力方向的高频低振幅特征，并利用二分类的分类器模型结合模拟真实乘车行为的行为模式状态机，提升了用户乘车行为状态判断的准确性。并且，本发明的方法无须用户手工操作，对用户智能手机放置的位置和方向也无特殊要求。

实施例

下面列举具体的实施例对本发明进行进一步说明，可以理解的是，这些实施例仅用以说明本发明的技术方案，而非对本发明的保护范围进行限制。

实施例1～2和比较例1～2

用户将iphone手机水平放置于行驶的公交车上，通过手机内置的线性加速度传感器，按照表1中列出的各采集频率和单次采集时长，连续采集线性加速度传感器的X,Y,Z空间三维向量信号数据。

测试例1

对实施例1～2和比较例1～2进行耗电量评价，以及采集到的重力方向上的高频低振幅数据的评价，结果示于表1中。

耗电量评价标准如下(采集的总时长为10分钟)：

◎：耗电量小于1％；

○：耗电量为1％以上且小于3％；

×：耗电量为3％以上。

重力方向上的高频低振幅数据的评价标准如下(从触发采集到2分钟内获得的数据，对傅里叶变换后在周期区间(0，0.5π)内低振幅波峰的个数进行计数)：

◎：重力方向上的振幅大小至少在区间(0.1G,0.6G)左右的低振幅波峰个数为5个以上；

○：高频低振幅波峰个数为1个以上且少于5个；

×：均为振幅小于0.1G的极低振幅波峰。

表1

实施例3

1.数据采集

用户在行驶的公交车上利用iphone手机内置的线性加速度传感器，以30Hz为采集频率，30秒为单次采集时长，采集线性加速度传感器X,Y,Z空间三维向量信号数据，采集总时长限定为3分钟，采集时不限制手机的摆放位置和方向。

2.数据处理

在单次采集得到的所有单元点中，有选择性的丢弃间隔较小的数据单元点，得到包含900个单元点的数据单元组。

将采集到的加速度数据最大值的异常值替换为上限值，进行滤波去噪。

对该数据单元组，按照50个单元点为一段，15个单元点为移动步长进行有重叠切分，获得各单元段。

3.特征提取

整合该数据单元组内上述X,Y,Z,H,V五个坐标轴连续序列的时域特征：均值、极值、能量、熵、标准差、四分位范围以及V轴通过傅里叶变换后序列的频域特征：均值、极值、能量、熵、标准差、四分位范围。

4.识别分类

将第一个数据单元组中的900个单元点经提取上述特征后，导入用sklearn预先训练好的四个基于Adaboost算法的二分类器(乘车、等车、骑行、步行)，并获取每个分类器的结果。当且仅当判断，乘车分类器的判断为正，其余分类器判断为负时，才认为当前状态有可能为乘车状态，否则为“非乘车”状态。

将上述输出结果导入至状态机。如果该数据单元组中有至少一个行为标签为“乘车”时，状态机状态由原始状态转换为“疑似乘车”状态；状态机状态在“疑似乘车”状态下，将下一个数据单元组导入至状态机，如果此数据单元组中行为模式为“乘车”的标签个数超过总标签的75％，状态机状态由“疑似乘车”转换为乘车状态，否则转换至原始的“未知”状态。

若一轮判定的结果为非乘车状态时，返回至数据采集步骤，继续进行下一轮的乘车判定，直至判定结果为乘车状态，则提前停止数据采集；当经过3分钟的判定，仍未获得乘车状态的判定结果，则判定结果为非乘车状态，也停止数据采集。“疑似乘车”

实施例4～5

除了将分类器模型的算法按照表2进行替换之外，进行与实施例1相同的操作。

比较例3

除了在特征提取步骤中不整合V轴相关特征之外，进行与实施例1相同的操作。

比较例4

除了在识别分类步骤中不使用状态机之外，进行与实施例1相同的操作。

测试例2

测量实施例3～5和比较例3～4的召回率和准确率，结果示于表2中。

表2

Claims (10)

1.一种智能判断用户乘车的方法，其特征在于包括以下步骤：

数据采集步骤，利用手机内置的线性加速度传感器，以能够捕捉到公交车发动机自身产生的高频低振幅震动数据的采集频率，连续采集用户在公交车站的各种行为在智能手机中的原始线性加速度信号数据；

数据处理步骤，对采集到的原始线性加速度信号数据进行异常数据过滤，滤波去噪，以及有重叠切分；

特征提取步骤，通过基于重力方向的坐标轴转换以及傅里叶变换，在经过上述数据处理步骤后得到的数据中提取时域特征和频域特征，得到特征数据；

识别分类步骤，将提取到的特征数据输入预先训练的分类器模型，输出行为标签后导入状态机，对用户在公交车站的行为状态进行分类识别，当分类识别结果为非乘车状态时，返回数据采集步骤，直至得到乘车状态的分类识别结果。

2.根据权利要求1所述的智能判断用户乘车的方法，其特征在于，在数据采集步骤中，所述采集频率为15～40Hz。

3.根据权利要求1所述的智能判断用户乘车的方法，其特征在于，在特征提取步骤中，所述提取时域特征和频域特征是指，将一个加速度信号数据定义为一个单元点，将各单元点的X、Y、Z三维坐标经坐标轴转换，获得水平方向的H轴和重力方向的V轴后，整合单次采集到的数据中各单元点的上述X,Y,Z,H,V五个坐标轴的时域特征：均值、极值、能量、熵、标准差、四分位范围，以及V轴通过傅里叶变换后的频域特征：均值、极值、能量、熵、标准差、四分位范围。

4.根据权利要求1所述的智能判断用户乘车的方法，其特征在于，在分类识别步骤中，所述分类器模型采用的算法为决策树、Boosting、循环神经网络。

5.根据权利要求1所述的智能判断用户乘车的方法，其特征在于，在分类识别步骤中，作为所述分类器模型，同时使用乘车分类器、等车分类器、骑行分类器和步行分类器这4种二分类的分类器模型。

6.根据权利要求1所述的智能判断用户乘车的方法，其特征在于，在分类识别步骤中，所述状态机为在未知状态、疑似乘车状态和乘车状态这三个状态之间可相互切换的状态机。

7.根据权利要求1所述的智能判断用户乘车的方法，其特征在于，在数据采集步骤中，进行数据采集的总时长为1～3分钟。

8.一种智能判断用户乘车的装置，其特征在于包括以下模块：

数据采集模块，利用手机内置的线性加速度传感器，以能够捕捉到公交车发动机自身产生的高频低振幅震动数据的采集频率，连续采集用户在公交车站的各种行为在智能手机中的原始线性加速度信号数据；

数据处理模块，对采集到的原始线性加速度信号数据进行异常数据过滤，滤波去噪，以及有重叠切分；

特征提取模块，通过基于重力方向的坐标轴转换以及傅里叶变换，在经过上述数据处理步骤后得到的数据中提取时域特征和频域特征，得到特征数据；

识别分类模块，将提取到的特征数据输入预先训练的分类器模型，输出行为标签后导入状态机，对用户在公交车站的行为状态进行分类识别，当分类识别结果为非乘车状态时，返回数据采集步骤，直至得到乘车状态的分类识别结果。

9.根据权利要求8所述的智能判断用户乘车的装置，其特征在于，在特征提取模块中，所述提取时域特征和频域特征是指，将一个加速度信号数据定义为一个单元点，将各单元点的X、Y、Z三维坐标经坐标轴转换，获得水平方向的H轴和重力方向的V轴后，整合单次采集到的数据中各单元点的上述X,Y,Z,H,V五个坐标轴的时域特征：均值、极值、能量、熵、标准差、四分位范围，以及V轴通过傅里叶变换后的频域特征：均值、极值、能量、熵、标准差、四分位范围。

10.根据权利要求8所述的智能判断用户乘车的装置，其特征在于，在分类识别模块中，所述状态机为在未知状态、疑似乘车状态和乘车状态这三个状态之间可相互切换的状态机。