Detección de modos de transporte usando datos GPS
Transportation Mode Detection using GPS Data
Barra lateral del artículo
PDF
FLIP
XML
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Cuaderno Activa provee acceso libre inmediato a su contenido bajo el principio de hacer disponible gratuitamente la producción investigativa al ´´público, fomentando un mayor intercambio de conocimiento científico.
Contenido principal del artículo
Resumen
El uso de dispositivos móviles y el aprovechamiento de la tecnología GPS, permiten la implementación de sistemas para analizar el contexto y actividades típicas de transporte de un usuario, a través del análisis de los datos de localización y sensores de aceleración. Este trabajo de investigación comprende el procesamiento de datos obtenidos vía GPS. Con este procesamiento se pretende detectar el modo de transporte de un usuario en segmentos de recorridos predefinidos. Para la clasificación de éstos, se usan perfiles de velocidad que identifican los modos de transporte en cada uno de los segmentos, mediante un sistema software en lenguaje de programación Java y la utilización de Matlab para el análisis y filtros de datos. El sistema software se desarrolla en dos componentes, el primero comprende el filtro y transformación de datos. Estos datos se representan en coordenadas decimales a coordenadas cartesianas. El segundo presenta la clasificación, para la detección de modos de transportes con las coordenadas cartesianas. También contiene el análisis de estados de movimientos cinemáticos. Las pruebas se realizan a través de un dataset tomado del proyecto GeoLife de Microsoft Asia. Los resultados obtenidos muestran una detección coherente sobre los medios de transporte que usan los diferentes usuarios. Estos usuarios se comparan a partir de perfiles de velocidad predefinidos.
Palabras Clave: Detección de modos de transporte, GPS, transporte multimodal.
Descargas
Detalles del artículo
Referencias (VER)
1957 - 1966.
Ashbrook, D., & Starner, T. (2003). Using GPS to learn significant locations and predict movement across. Personal and ubiquitous computing, 7(5),
275-286.
Ecomovildad. (2012). ¿A qué velocidad va el transporte público?. Recuperado de http://ecomovilidad.net/madrid/a-que-velocidad-va-el-transporte-publico/
E-Interactive. (2013). Comportamiento de usuarios en dispositivos móviles. Recuperado de http://www.e-interactive.es/wp-content/uploads/Informe-de-Marketing-Movil.pdf
Featherstone, W., & Claessens, S. (2008). Closedform transformation between geodetic and ellipsoidal coordinates. Springer, 52(1),
1-18.
Feng, T., & Timmermans, H. J. (2016). Comparison of advanced imputation algorithms for detection of transportation mode and activity episode using GPS data. Transportation Planning and Technology, 39(2),
180-194.
Microsoft Research. (2012). GeoLife GPS trajectories. Recuperado de http://research.microsoft.com/en-us/downloads/b16d359d-d164-469e-9fd4-daa38f2b2e13/
Oriol , B., Bigorra, A., Pérez , Y., Orellana, A., Russo, A., & Salvador Anton, C. (2013). Analysis of tourist behaviour based on the tracking data collected by GPS. Geographic information systems: Concepts, methodologies. doi: 10.4018/978-1-4666-2038-4.ch066
Palacios, Rafael. (2006). Matlab Central. Recuperado de http://www.mathworks.com/matlabcentral/fileexchange/10915-deg2utm
Shin, D., Aliaga, D., Tunçer, B., Müller, S., Kim, S., & Zünd, D. (2014). Urban sensing: Using smartphones for transportation mode classification. ElSEVIER, 53. 76-86.
Sohn, T., Varshavsky, A., LaMarca, A., Chen, M. Y., Choudhury, T., Smith, I., y otros. (2006). Mobility detection using everyday GSM traces. UbiComp 2006: Ubiquitous computing, 4206(221-224). Springer Berlin Heidelberg.
Stenneth, L., Wolfson, O., Yu, P. S., & Xu, B. (November 2011). Transportation mode detection using mobile phones and GIS information. Proceedings of the 19th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. Chicago, Illinois.
Wu, L., Yang, B., & Jing, P. (2016). Travel mode detection based on GPS raw data collected by smartphones: a systematic review of the existing methodologies. Multidisciplinary Digital Publishing Institute, 7 (4),
67.
Xiao, G., Juan, Z., & Zhang, C. (2015). Travel mode detection based on GPS track data and Bayesian networks. Computers, environment and urban systems, 54, 14-22.
Yan, Z., Chakraborty, D., Parent, C., & Spaccaprieta, S. (2013). Semantic Trajectories: Mobility data computation and annotation. ACM Transactions on Intelligent Systems and Technology, 4 (3).
Zhan , X., Hasan , S., Ukkusuri , S., & Kamga , C. (2013). Urban link travel time estimation using large-scale taxi data with partial information . ElSEVIER, 33,37-49.
Zhang, J., Arentze, T., & Timmermans, H. (2012). A multimodal transport network model for advanced traveler information system. Journal of Ubiquitous Systems & Pervasive Networks, 4 (1),
21-27.
Zheng, Y., Chen, Y., Quanan, L., Xie, X., & Wei-Ying, M. (2010). Understanding Transportation Modes Based on GPS Data for Web Applications. ACM, 4 (1),
1-33.
Zheng, Y., Liu, L., & Wang, L. (April 2008). Learning transportation mode from raw GPS data for geographic applications on the web. International World Wide Web Conference Committee (IW3C2). Beijing, China.
Zhu, X., Li, J., Liu, Z., Wang, S., & Yang, F. (June 2016). Learning Transportation Annotated Mobility Profiles from GPS Data for Context-Aware Mobile Services. Services Computing (SCC),
2016 IEEE International Conference.
