Coarse grained identification of public transportation mode using passenger smartphone

Calculating time of transportation, waiting time for the transportation mean and providing fast travel solution is an essential requirement for satisfaction of passengers using public transportation system. Statistics shows the mean delay time of transportation system vehicles of 4 minutes and it is because there are traditional ways to calculate and predict arrival times and these methods cannot detect any unexpected reasons that may happen in the route of any transportation modes and cause the delay between the real arrival time and the predicted one. To address these issues, many works have been done to predict the arrival time in real but not calculation mathematically. Novel methods of transportation mode identification has been suggested which are mostly based on real time data gathered from passengers or the public transportation vehicle itself. Some examples of such data are in-vehicle GPS, passenger smartphone or GSM cell identification. The goal of this master thesis is to identify public transportation mode using passenger smartphone sensor data who travels through public transportation system. Our work is not depend on the location so the approach can be used in all cities and countries. Although there are different source for data to identify the mode of transportation system, this thesis rely solely on Accelerometer sensor data and there are certain reasons for this choice such as energy consumption and enough identification accuracy which will be explained briefly during this thesis. We considered three different modes for transportation which are Idle, Walk and Bus (In-Vehicle) and gathered more than 10 hours data for each of them and from different transportation route and lines to compose model classes and we compared the result with related works and our suggested methods for data manipulation and normalization, feature extraction, classification and clustering can identify the public transportation mode with more than 90% accuracy in the classification algorithm and more than 70% percent for the clustering algorithm.

Calcolare tempo di trasporto, il tempo di attesa per la media di trasporto e di fornire una soluzione di viaggio veloce è un requisito essenziale per la soddisfazione dei passeggeri che utilizzano sistema di trasporto pubblico. Statistiche mostra il tempo di ritardo medio dei veicoli sistema di trasporto di 4 minuti ed è perché ci sono modi tradizionali per calcolare e prevedere i tempi di arrivo e di questi metodi non possono rilevare eventuali motivi imprevisti che possono accadere nel percorso di ogni modalità di trasporto e causare il ritardo tra il tempo di arrivo reale e quello previsto. Per affrontare questi problemi, molte opere sono state fatte per prevedere in tempo reale, ma non il calcolo del tempo di arrivo matematicamente. I nuovi metodi di identificazione modalità di trasporto è stato suggerito che sono per lo più sulla base di dati in tempo reale raccolti da passeggeri o il veicolo di trasporto pubblico stesso. Alcuni esempi di tali dati sono in-veicolo di GPS, smartphone passeggeri o l'identificazione delle cellule di GSM. L'obiettivo di questa tesi di laurea è quello di individuare modalità di trasporto pubblico utilizzando i dati dei sensori dello smartphone passeggero che viaggia attraverso il sistema di trasporto pubblico. Il nostro lavoro non è dipende dalla posizione in modo che il metodo può essere usato in tutte le città e paesi. Anche se ci sono fonte diversa per i dati per identificare la modalità di sistema di trasporto, questa tesi si basano esclusivamente sui dati sensore accelerometro e ci sono alcune ragioni per questa scelta come il consumo di energia e di sufficiente accuratezza di identificazione che saranno spiegate brevemente durante questa tesi. Abbiamo preso in considerazione tre diverse modalità per il trasporto, che sono inattivi, a piedi e bus (In-Vehicle) e raccolto più di 10 ore di dati per ciascuna di esse e da diverse via di comunicazione e linee per comporre classi del modello e abbiamo confrontato il risultato con le opere connesse e nostri metodi suggeriti per la manipolazione dei dati e la normalizzazione, estrazione di caratteristiche, classificazione e clustering possono identificare la modalità di trasporto pubblico con una precisione superiore al 90% nel algoritmo di classificazione e più del 70% per cento per l'algoritmo di clustering.