Detecting the transportation mode for context-aware systems using smartphones

Quintella, Carlos Alvaro de M. S.; Andrade, Leila Nalis Paiva da Silva; Campos, Carlos Alberto Vieira

doi:10.1109/itsc.2016.7795921

Cited by 15 publications

(10 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Em [5] foi implementada uma aplicação, que teve como principal objetivo realizar a coleta do modo de transporte utilizado pelo usuário através de sensoriamento participativo e oportunista, sendo o modo de transporte utilizado inserido manualmente pelo usuário e a informações de movimento coletadas automaticamente através do framework Core Location do IOS que utiliza dados de sensor GPS, WiFi e redes celulares. Os dados coletados foram utilizados para o desenvolvimento de um algoritmo de mineração de dados completo que realiza o pré-processamento, sumarização de atributos e aplicação de técnicas de aprendizado de máquina para realizar a inferência do modo de transporte.…”

Section: Trabalhos Relacionadosunclassified

“…A aplicação CityTracks-RT utiliza o algoritmo proposto em [5] para realizar a detecção do modo de transporte em tempo real, uma vez que este recurso não foi implementado em [5].…”

Section: Aplicação Citytracks-rtunclassified

“…A aplicação CityTracks-RT utiliza dados de GPS, WiFi e redes celulares para coletar as posições dos usuários de smartphones. Durante 90 [5] segundos são capturados traces de localização do usuário contendo altitude, latitude, longitude, precisão do GPS e o timestamp da medição. Estes dados são utilizados para calcular a velocidade instantânea a partir de 2 segundos, e aceleração a partir de 3 segundos.…”

Section: Aplicação Citytracks-rtunclassified

“…Além disso, traces com precisão de GPS superior a 200 metros ou diferença de timestamp da medição inferior a um segundo são descartados [5]. Traces com diferença de tempo superior a um segundo são inseridos através de uma técnica de interpolação na qual são gerados pontos intermediários com base nas características do trace anterior, mantendo velocidade constante e aceleração zero [5]. Ao fim dos 90 segundos de coleta são extraídos os atributos de sumarização do conjunto de traces, denominado chunk.…”

Section: Aplicação Citytracks-rtunclassified

“…Devidoà utilização de diversos modelos de smartphones, alguns deles coletaram localizações com uma precisão média superior a 40 metros. Apesar disso, todas as localizações coletadas estavam abaixo do limiar de precisão de 200 metros estabelecido com base em [5]. Durante a análise dos dados, posterior a coleta, observamos que se reduzíssemos o limiar de posição para valores inferiores,à 200 metros, diminuiríamos consideravelmente a quantidade de localizações obtidas, o que por sua vez geraria um grande espaçamento entre as localizações capturadas dificultando, ainda mais, a detecção do modo de transporte utilizado.…”

Section: Análise Dos Dados Coletadosunclassified

See 4 more Smart Citations

CityTracks-RT: Uma aplicação para detecção do modo de transporte em tempo real nos centros urbanos

Soares

Quintella

Campos

2017

Anais Do Simpósio Brasileiro De Sistemas De Informação (SBSI)

View full text Add to dashboard Cite

Palavras-Chavesensoriamento móvel, cidades inteligentes, detecção do modo de transporte. ABSTRACTContext-aware applications in intelligent transport systems have a growing need for travel mode detection systems. Howe-Permission to make digital or hard copies of all or part of this work for personal or classroom use is granted without fee provided that copies are not made or distributed for profit or commercial advantage and that copies bear this notice and the full citation on the first page. To copy otherwise, or republish, to post on servers or to redistribute to lists, requires prior specific permission and/or a fee. SBSI 2017 June 5 th -8 th , 2017, Lavras, Minas Gerais, Brazil Copyright SBC 2017.ver, few applications allow real-time travel mode detection through the use of smartphones. In this paper, we propose a real-time travel mode detection application based on GPS traces using a data mining technique through which these traces are preprocessed, grouped in motion segments and classified by supervised machine learning algorithms. An application prototype was implemented on the Android platform, used by smartphones, for movement data collection and user travel mode detection using the WEKA API in Java. Finally, to evaluate the performance of the application in a real environment, field tests were carried out with dozens of volunteers in the metropolitan area of Rio de Janeiro through which 1338 travel mode inferences were obtained by four machine learning techniques and the results were evaluated and compared through the indicators of the confusion matrix. Thus, through the performance evaluation carried out, it was possible to verify that the proposed application is useful for real-time travel mode detection in urban centers.

show abstract

Section: Trabalhos Relacionadosunclassified

“…A aplicação CityTracks-RT utiliza o algoritmo proposto em [5] para realizar a detecção do modo de transporte em tempo real, uma vez que este recurso não foi implementado em [5].…”

Section: Aplicação Citytracks-rtunclassified