Clasificación del modo de transporte mediante Smartphones

Abstract

En el siguiente documento se presenta un novedoso sistema de detección automática del modo de transporte en el que viaja un usuario, utilizando exclusivamente los datos aportados por los sensores de aceleración y de localización que incorpora el smartphone que debe portar con él. Este sistema se implementará en una aplicación, llamada TransMode, que realizará predicciones en tiempo real recogiendo datos continuamente y permitiendo su ejecución en segundo plano sin afectar en el correcto funcionamiento del dispositivo. La identificación automática del modo de transporte puede ser utilizada para proveer infor-mación relevante al usuario, como el gasto de combustible y la emisión de CO2 del desplazamiento si se produce en vehículo, o el gasto calórico si se produce andando o en bicicleta. Además, una aplicación para smartphones permite recoger información de un gran número de usuarios, lo que se conoce como big data. Esta información está siendo demandada por entidades privadas y agencias de planificación urbana, para reconocer los patrones de movimiento, evaluar la eficiencia del transporte de una ciudad y mejorar las infraestructuras de las ciudades. Con este propósito, se realiza un estudio que analiza la efectividad de distintas técnicas de procesamiento con los datos que recoge la aplicación, obteniendo una serie características aso-ciadas a cada una de los modos de transporte y que se utilizan para entrenar varios clasificadores (SVM y Naive-Bayes). Como resultado, obtendremos una configuración que nos permite realizar la clasificación con la mayor precisión, afectando lo mínimo posible a la duración de la batería y sin entorpecer el uso cotidiano del dispositivo mientras la nuestra se ejecuta en segundo plano

In this paper, we present a novel transportation mode detection algorithm, using exclusively acceleration and location data provided by smartphones. This model will be implemented in an application for smartphones that perform real-time predictions. Automatic transportation mode identi cation can be used to show relevant information to the user, such as fuel consumption and the CO2 emissions if it s a vehicle travel, or the number of calories burnt if it occurs by foot or by bike. In addition, smartphones can collect information from a large number of people, which is known as big data. This information is being sued by private rms and urban planners to recognize the patterns of people movement, evaluate the transportation e ciency in a city and improve the infrastructure of the cities. For this purpose, we made a study analyzing the e ectiveness of di erent processing techniques with the smartphone s collected data, obtaining characteristics associated to each mode of transport, and using this characteristics to train several classi ers (SVM and Na ve-Bayes). As a result, we obtain a con guration that allows us to make the classi cation a ecting as little as possible to the battery duration and whitout disturbing daily phone use, when our aplication is running in the background.