[发明专利]一种基于手机传感器的公交车拥挤程度估测方法

权利要求书

1.一种基于手机传感器的公交车拥挤程度估测方法，其特征在于，包括以下步骤：

步骤1：利用手机上自带的加速度传感器和陀螺仪传感器以固定的采样频率采集手机的传感器数据，在预处理之后进行滑动重叠时间窗口的划分；

步骤2：对于当前时间窗口的传感器数据，使用事前训练好的SVM-HMM模型进行动作的识别；

步骤3：基于步骤2的输出结果，使用建立好的步态识别模型对属于走路动作的传感器数据进行识别来获得乘客走路过程中的步态信息；

步骤4：综合步骤2的动作序列与步骤3的步态信息，利用已有的参与感知的乘客的姿态信息尝试感知未参与感知的乘客的姿态信息；

步骤5：用特征向量表示所有感知到的乘客的姿态信息后通过支持向量机分类器进行个体拥挤程度的分类并计算该分类结果对应的置信度,具体实现包括以下子步骤：

步骤5.1：视步骤2和步骤3为主动感知过程，步骤4为被动感知过程，对每一个感知到的乘客的动作姿态信息进行整理并提取出到达稳定态的总时间、走路的时间、整个过程中站立的次数、总的步数、平均步长、步长的方差、转向的次数、转向的平均幅度以及最后的稳定态共9个特征；

步骤5.2：把步骤5.1得到的特征向量输入到之前训练好的支持向量机分类器中分类出对应的个体拥挤程度；

步骤5.3：根据分类过程中输入向量到最优分类超平面的距离及输入向量周围样本与其属于相同类别的概率计算该输入向量对应输出结果的可信性，对于得到的置信度结果，如果输入向量来源于被动感知过程，则结果要乘以n/(n+1)来进行调整，其中n代表参与被动感知的乘客的数量；若输入向量来源于主动感知过程，则无需调整；

步骤6：综合步骤5的结果用一个特征向量表示某一辆公交车的拥挤信息，然后根据该特征向量使用支持向量机分类得到整辆公交车的拥挤程度；具体实现包括以下子步骤：

步骤6.1：把步骤5处理后的数据按照位置划分到公交车的前部、中部、后部三个位置，处理这些拥挤信息来提取出一个用以描述整辆车拥挤程度的16维的特征向量：3个位置的平均的拥挤程度、拥挤程度结果总数、最高置信度的个体拥挤程度、最新的参与感知的个体拥挤程度、达到静止态之后识别到的动作波动的总数共15个特征、从到达稳定态到车启动出发等待时间的平均值共1个特征；

步骤6.2：把该特征向量输入到之前训练好的支持向量机分类器中得到公交车拥挤程度的输出结果。

2.根据权利要求1所述的基于手机传感器的公交车拥挤程度估测方法，其特征在于：步骤1中所述的利用加速度传感器和陀螺仪传感器以固定的采样频率采集数据以及预处理和滑动重叠时间窗口划分工作，其具体实现包括以下子步骤：

步骤1.1：持续采集用户的位置信息并比对该位置信息与数据库里位置信息的差异，当差异小于阈值后，手机开始采集存储传感器数据；

步骤1.2：在数据收集工作开始之后，手机会以100hz的固定频率进行数据采集工作，采集对象包括加速度传感器数据以及陀螺仪数据；

步骤1.3：使用滑动滤波算法对采集到的数据进行滤波去噪处理；滑动滤波算法公式如下：

步骤1.4：对去噪之后的传感器数据进行重叠时间窗口切割。

3.根据权利要求1所述的基于手机传感器的公交车拥挤程度估测方法，其特征在于：步骤2中所述的利用SVM-HMM模型处理当前时间窗口的传感器数据进行动作识别，其具体实现包括以下子步骤：

步骤2.1：当前窗口的传感器数据进行特征处理，提取出特征向量，根据该特征向量由之前训练好的支持向量机分类器分类出当前窗口数据对应的动作结果；

步骤2.2：在所有的时间窗口的数据都被识别为动作之后，把分类结果用向量表示之后，通过后验概率转换成概率向量之后使用隐马尔可夫模型进行最后的动作识别结果的输出。

4.根据权利要求1所述的基于手机传感器的公交车拥挤程度估测方法，其特征在于：步骤4中所述的利用已有的参与感知的乘客的姿态信息尝试感知未参与感知的乘客的姿态信息，其具体实现包括以下子步骤：

步骤4.1：服务器寻找步骤2中最晚达到稳定态的乘客，记录该乘客达到稳定态的时间为被动感知时间节点；

步骤4.2：在被动感知时间节点之后遍历所有参与感知的乘客的传感器数据，寻找动作波动序列；若找到，则根据该动作波动序列中波动的属性归纳出被动感知乘客的姿态信息；若未找到，被动感知过程结束，转移至步骤5。