特征金字塔双向LSTM：利用智能手机传感器进行交通方式检测
机器学习
2023-10-18 v1 人工智能
信号处理
摘要
智能手机的广泛使用使惯性测量单元广泛可用，提供了丰富的感官数据，有利于交通方式检测。本研究旨在提出一种新颖的端到端方法，有效利用智能手机收集的少量感官数据，在日常出行活动中实现准确的模式检测。我们的方法称为特征金字塔双向LSTM（FPbiLSTM），其特点是减少了所需传感器数量和处理需求，从而比其他当前模型在不牺牲结果质量的情况下实现更高效的建模过程。FPbiLSTM用特征金字塔网络扩展了现有的CNN双向LSTM模型，利用浅层丰富性和深层特征鲁棒性的优势来捕获各种交通方式中的时间运动模式。它仅使用2018年Sussex-Huawei Locomotion（SHL）挑战赛数据集七个传感器中的三个（即加速度计、陀螺仪和磁力计）所收集的数据，就表现出优异性能，在检测八种不同交通方式时达到了95.1%的准确率和94.7%的F1分数。
引用
@article{arxiv.2310.11087,
title = {Feature Pyramid biLSTM: Using Smartphone Sensors for Transportation Mode Detection},
author = {Qinrui Tang and Hao Cheng},
journal= {arXiv preprint arXiv:2310.11087},
year = {2023}
}