Görüntüleme
6
İndirme
1
Bireysel ulaşım şekli, trafik planlama ve insan sağlığı araştırmalarında önemli bir etkiye sahiptir. Kişilerin ulaşım alışkanlıkları analiz edilerek şehirlerde yeni hatların planlaması çok daha verimli bir şekilde yapılabilir. Bu alışkanlıkları tespit etmenin yollarından bir tanesi de kişilerin kullandıkları akıllı telefonlar veya saatler üzerinden toplanan algılayıcı verilerinin işlenerek ulaşım türü tespiti yapılmasıdır. Akıllı telefonların ve saatlerin hayatımıza girmesiyle, ulaşım türü belirleme üzerine yapılan çalışmalar artmıştır. Öte yandan, bu cihazların enerji kısıtları olması sebebiyle ulaşım türü tanıma uygulamalarının mümkün olduğunca az enerji tüketmesi istenmektedir. Bu nedenle ulaşım türü tanımada kullanılan öznitelikler oldukça önemlidir. Bu çalışmada akıllı telefon üzerinde bulunan ivme ölçer, jiroskop, mıknatıs ölçer ve yön algılayıcıları kullanılarak toplanan ham veriden zaman ve frekans alanında öznitelikler elde edilmiştir. Öznitelikler, Zaman, Frekans, Zaman+Frekans tiplerine göre ayırılarak, farklı sınıflandırma algoritmaları üzerindeki başarıya etkileri incelenmiştir. Sınıflandırma algoritması olarak J48, Rastgele Orman (Random Forest), Destek Vektör Makineleri (SVM), En Yakın k Komşuluk (k-NN) ve Çok Katmanlı Algılayıcı algoritmaları kullanılmıştır. Yapılan testler sonucunda en başarılı algoritma %95,06 ile Rastgele Orman algoritması olurken, Zaman+Frekans alanında elde edilen özniteliklerin Zaman alanındaki özniteliklere göre sadece %0,5 daha iyi sonuç ürettiği görülmüştür.
It has a significant impact on individual transportation, traffic planning and human health research. By analyzing people’s transport habits, new lines can be planned in cities much more efficiently. One of the ways to identify these habits is to identify the type of transport by processing the detector data collected through the smartphones or clocks that people use. With the entrance of smartphones and clocks into our lives, the work on determining the type of transport has increased. On the other hand, because these devices have energy limits, transport type recognition practices are required to consume as little energy as possible. Therefore, the characteristics used in the recognition of the type of transportation are quite important. In this study, specificities in the time and frequency field of raw data collected using the drive measurement, gyroscope, magnetic measurement and direction detectors found on the smartphone have been obtained. By distinguishing the properties, time, frequency, time+frequency according to the types, the effects on success on different classification algorithms have been studied. As classification algorithms are used J48, random forest (Random Forest), support vector machines (SVM), nearest k neighbourhood (k-NN) and multi-layer detector algorithms. The most successful algorithm is the random forest algorithm with 95,06%, while the characteristics obtained in the time+frequency field have only 0.5 percent better results than the characteristics in the time field.
Personal transportation form has a substantial impact on traffic planning and human health. Analyzing transportation preferences/habits of people could result in planning new public routes in a more efficient manner. One of the ways to detect such habits is to process the data collected from the sensors located on smartphones and smart watches. Thus, the widespread usage of these type devices makes the way for more publication about transport mode detection. On the other hand, due to their energy-constrained architecture, mobile applications about transport mode detection should be designed taking energy consumption into consideration. Therefore, the selected features for transport mode detection are quite critical. In this study, time-domain and frequency domain features are extracted from the data collected from accelerometer, gyroscope, magnetometer and orientation sensor. The impact of time-domain features, frequency-domain features and time-frequency domain features on success rate are compared using 5 different classification algorithms including J48, Random Forest, Support Vector Machines (SVM), k Nearest Neighbor (k-NN) and Multi-Layer Perceptron. Test results show that Random Forest algorithm outperforms the rest with a success rate of 95.06%, whereas exploiting both time and frequency features increases the classification rate only by 0.5% compared to using only time-domain features.
Alan : Mimarlık, Planlama ve Tasarım; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
