User activity type and transportation mode detection using embedded mobile device sensors
Tipus de documentProjecte Final de Màster Oficial
Data2017-09
Condicions d'accésAccés obert
Llevat que s'hi indiqui el contrari, els
continguts d'aquesta obra estan subjectes a la llicència de Creative Commons
:
Reconeixement-NoComercial-SenseObraDerivada 3.0 Espanya
Abstract
Este proyecto tiene como objetivo mejorar la aplicación para Android llamada
MobilitApp (http://mobilitat.upc.edu) que consiste en el análisis de la movilidad de la
ciudadanía de Barcelona. Hemos diseñado nuestro propio sistema al cual le hemos
eliminado el uso abusivo del GPS para ahorrar energía del dispositivo y las APIs de
detección del modo de transporte que tienen un uso limitado para el usuario. Hemos
estudiado dos métodos de detección y utilizamos únicamente los sensores de los
smartphones. Detectamos diversos modos de actividad y transporte del usuario tales
como estático, a pie, corriendo, en bicicleta, en coche, en autobús, en tranvía y en
tren. Nuestra mejora ha consistido en grabar con una cámara de vídeo todas las
actividades para tener registrado todo lo ocurrido en la actividad. En el primer método,
construimos vectores característicos a través de la captura de los datos de los
sensores del dispositivo y utilizamos estos datos en el aprendizaje automático. En el
segundo método, experimentamos con redes neuronales para ver si el sistema es
capaz de reconocer las características por si mismo si solo le proporcionamos datos
de los sensores. También hemos analizado la posibilidad de hacer estos estudios sin
la necesidad de capturar vídeos de la cámara y observar solo los datos
proporcionados por los sensores de los dispositivos. Aquest projecte té com a objectiu millorar l'aplicació per a Android anomenada
MobilitApp (http://mobilitat.upc.edu) que consisteix en l'anàlisi de la mobilitat de la
ciutadania de Barcelona. Hem dissenyat el nostre propi sistema, hem eliminat l'ús
abusiu del GPS per estalviar bateria del dispositiu i les APIs de detecció del mode de
transport que tenen un ús limitat per l'usuari. Hem estudiat dos mètodes de detecció
i utilitzem només els sensors dels telèfons intel·ligents. Detectem diversos modes
d'activitat i transport de l'usuari tal com estàtic, a peu, corrents, amb bicicleta, amb
cotxe, amb autobús, amb tramvia i amb tren. La nostra millora ha consistit en
enregistrar amb una càmera de vídeo totes les activitats per tenir registrat tot el que
ha ocorregut a l'activitat. Al primer mètode, vàrem construir vectors característics a
través de la captura de les dades dels sensors dels dispositius i utilitzem aquestes
dades en l'aprenentatge automàtic. Al segon mètode, vàrem experimentar amb xarxes
neuronals per observar si el sistema és capaç de reconèixer les característiques per
si mateix si només li proporcionem les dades dels sensors. També hem analitzat la
possibilitat de fer aquests estudis sense la necessitat d'enregistrar amb la càmera i
observar només les dades proporcionades pels sensors dels dispositius. This study aims to improve an existing mobile application MobilitApp
(http://mobilitat.upc.edu) for citizen mobility analytics. By eliminating the use of APIs
with limited user activity and transportation mode detection, and energy wasting GPS,
we developed our own system, using two approaches and only embedded mobile
device sensors. We captured various user activity and transportation modes such as
stationary, walking, running, riding a bicycle, motorcycle, driving a car, taking a bus,
tram and train. We recorded all activities with video camera to be aware when activity
actually happened. At first approach, we build feature vectors through experimentation
and then use this data in machine learning. In the second approach, we experimented
with neural networks if they are capable recognizing features by them self, if we
provide them only raw data from embedded mobile device sensors. We also do studies
if controlled capturing data with camera is required or can be done without supervision
on larger scale.
MatèriesMobile communication systems, Machine learning, Sensor networks, Comunicacions mòbils, Sistemes de, Aprenentatge automàtic, Xarxes de sensors
TitulacióMÀSTER UNIVERSITARI EN ENGINYERIA DE TELECOMUNICACIÓ (Pla 2013)
Col·leccions
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
User activity t ... mobile device sensors.pdf | 3,451Mb | Visualitza/Obre |