使用学习方法和自带传感器检测运输模式:回顾

科学领域:

• 运输科学 运输科学
• 计算机科学 计算机科学
• 信号处理 信号处理

背景情况:

• 越来越多的交通拥堵需要先进的旅行建模.
• 带有惯性测量单元 (IMU) 的智能手机提供了运输模式检测 (TMD) 的潜力.
• 在处理各种传感器数据,数据集标准化和选择适合TMD的机器学习方法方面存在挑战.

研究的目的:

• 提供对最先进的运输模式检测 (TMD) 系统的深入审查.
• 用智能手机IMU分析现实世界TMD数据收集和分类的当前挑战.
• 评估现有的旅行模式检测方法,重点关注数据集,传感器数据和特征提取.

主要方法:

• 对TMD系统最近的进展进行了全面的文献审查.
• 分析数据集,传感器数据类型 (加速计,磁计,陀螺仪等). ) 和特征提取技术.
• 对智能手机IMU数据用于旅行模式识别的分类方法的评估.

主要成果:

• 确定了基于智能手机的TMD数据多样性,标准化和机器学习适用性的关键挑战.
• 突出了最近的数据集和最佳实践,用于TMD系统中的分类.
• 提供了使用智能手机IMU检测旅行模式的当前方法的评估.

结论:

• 本综述通过专注于实际数据收集和分类问题,为TMD系统提供了新的见解.
• 研究人员可以利用这种分析来解决开发有效TMD策略的关键问题和挑战.
• 这些发现旨在指导未来的研究,以使用智能手机传感器更强大,更准确地检测运输模式.