INTRODUCTIONIndividual travel behav

INTRODUCTION
Individual travel behavior has been important in transportation
research and traffic planning for decades (1). More recently, active
travel has also become a focus for public health (2). Studies of
adults and children have shown that individuals who walk or bike
for transportation, or use public transportation, accumulate more
physical activity and are more likely to meet public health recommendations
(3, 4). In some countries active travel has been related
to obesity (5). These relationships, however, have been poorly
studied because they are reliant on self-report data, which provide
crude metrics (e.g., number of days vs. total minutes of active
travel). The premise of active living research is that built environment
can support more routine physical activity behaviors, and
that if active travel is an equal choice compared to car travel, more
people are likely to take advantage. Improvement in measurement
of active travel will enable intervention studies trying to promote
routine daily behaviors such as active travel.
Traditionally, travel behavior has been measured by travel and
time use diaries or self-report surveys (6). Not only are these burdensome
to participants,but also recall of events is often inaccurate
and potentially biased (7–9). The emergence of lightweight, low
cost, and accurate global positioning system (GPS) devices has
enabled researchers to objectively track the location of individuals.
However, while it is relatively straightforward to view and
understand GPS data using Geographic Information System (GIS)
packages, it would be extremely time consuming to do large-scale
data analysis by manually interpreting each GPS track. In light of
this, researchers began looking into automated ways of segmenting
trips and identifying transportation mode from GPS data. Early
studies of GPS data in transportation research focused on vehicle
travel, simplifying the development of algorithms somewhat.
More recently, multiple transportation modes have been studied,
including active transportation.
There have been a variety of approaches to predicting transportation
mode automatically from GPS data. These include
heuristic rule-based algorithms, (10–13), fuzzy logic (14, 15),
neural networks (16, 17), Bayesian models (18, 19), and decision
trees (20, 21). These approaches rarely include non-travel activities
(e.g., sitting or standing), and many incorporate map matching or
GIS components, which are particularly useful in order to ascertain
when a user is traveling on a public transit route. Physical activity
researchers, however, may not have access to GIS data. In contrast,
www.frontiersin.org April 2014 | Volume 2 | Article 36 | 1
Ellis et al. Identifying active travel behaviors
they are likely to include accelerometer data when assessing active
travel (3, 4). Previous studies have shown that specific behaviors
such as housework can be derived from accelerometer signals (22).
These studies rarely include vehicle travel as an activity mode, are
often performed in highly controlled lab settings, and mostly do
not include GPS data that can inform trip mode.
Only a few studies have employed GPS and accelerometer data.
Reddy et al. (23) use decision trees and Markov models to determine
transportation mode on mobile phones, using both GPS
and accelerometer data. They report 93% accuracy in predicting
five activities (still, walking, running, bicycling, and vehicle).
Troped et al. (24) also combine accelerometer and GPS data,
but from standalone devices, using linear discriminant analysis
to predict five activities (walking, running, bicycling, inline
skating, and driving a car). They report 90% accuracy in predicting
activities, but with a relatively small dataset of 712 min
of data.
Many of these algorithms in the literature to date are only
tested in ideal conditions or controlled environments, which may
overestimate their accuracy. Conditions like instantaneous mode
changes, cold start journeys, and trips in urban canyons can all
interfere with signal detection and challenge the effectiveness
of algorithms. Our novel contribution to the research includes
a validation protocol that tested travel modes in multiple real
world conditions, and collected a comprehensive dataset consisting
of about 150 h of annotated data. We employed both GPS
and accelerometer data, and used machine learning algorithms
to identify transportation mode, using multiple features of both
devices to inform the prediction model. We used a random forest
algorithm, an efficient algorithm that to our knowledge has
not previously been used to predict transportation modes from
accelerometer and GPS data, although Lustrek and Kaluza (25)
use a random forest algorithm for activity recognition from 12
small infrared motion tags placed on a user’s body and Casale
et al. (26) use random forests for physical activity recognition
from accelerometer data

ผลลัพธ์ (ไทย) 2:

บทนำ
พฤติกรรมการเดินทางส่วนบุคคลได้รับความสำคัญในการขนส่ง
วิจัยและการวางแผนการเข้าชมสำหรับทศวรรษที่ผ่านมา (1) เมื่อเร็ว ๆ นี้ที่ใช้งาน
เดินทางยังได้กลายเป็นจุดสำคัญสำหรับสุขภาพของประชาชน (2) การศึกษาของ
เด็กและผู้ใหญ่ได้แสดงให้เห็นว่าผู้ที่เดินหรือขี่จักรยาน
สำหรับการขนส่งหรือใช้การขนส่งสาธารณะสะสมมากขึ้น
การออกกำลังกายและมีแนวโน้มที่จะตอบสนองคำแนะนำด้านสุขภาพของประชาชน
(3, 4) ในบางประเทศการเดินทางที่ใช้งานได้รับการที่เกี่ยวข้อง
กับโรคอ้วน (5) ความสัมพันธ์เหล่านี้ แต่ไม่ดีได้รับการ
ศึกษาเพราะพวกเขาจะพึ่งพาข้อมูลรายงานตนเองซึ่งจะให้
ตัวชี้วัดน้ำมันดิบ (เช่นจำนวนวันเทียบกับนาทีรวมของการใช้งาน
ในการเดินทาง) สถานที่ตั้งของที่อยู่อาศัยการวิจัยที่ใช้งานอยู่ที่การสร้างสภาพแวดล้อม
ที่สามารถรองรับพฤติกรรมการออกกำลังกายประจำวันมากขึ้นและ
ว่าถ้าการเดินทางที่ใช้งานเป็นตัวเลือกที่เท่ากันเมื่อเทียบกับรถในการเดินทางมากขึ้น
คนที่มีแนวโน้มที่จะใช้ประโยชน์ การปรับปรุงในการวัด
ของการเดินทางที่ใช้งานจะช่วยให้การศึกษาการแทรกแซงพยายามที่จะส่งเสริม
พฤติกรรมกิจวัตรประจำวันเช่นการเดินทางการใช้งาน.
ตามเนื้อผ้าพฤติกรรมการเดินทางได้รับการวัดโดยการเดินทางและ
ใช้เวลาบันทึกประจำวันหรือการสำรวจด้วยตนเองรายงาน (6) ไม่เพียง แต่จะเป็นภาระเหล่านี้
ให้ผู้เข้าร่วม แต่ยังจำเหตุการณ์ที่เกิดขึ้นมักจะเป็นที่ไม่ถูกต้อง
และอาจลำเอียง (7-9) การเกิดขึ้นของน้ำหนักเบาต่ำ
ค่าใช้จ่ายและความถูกต้องของระบบกำหนดตำแหน่งบนโลก (GPS) อุปกรณ์ได้
เปิดใช้งานนักวิจัยเพื่อวัตถุติดตามตำแหน่งของบุคคล.
อย่างไรก็ตามในขณะที่มันค่อนข้างตรงไปตรงมาในการดูและ
เข้าใจข้อมูล GPS โดยใช้ระบบสารสนเทศภูมิศาสตร์ (GIS)
แพคเกจ มันจะใช้เวลานานมากที่จะทำขนาดใหญ่
การวิเคราะห์ข้อมูลโดยการแปลความหมายของแต่ละแทร็คจีพีเอส ในแง่ของการ
นี้นักวิจัยเริ่มหาวิธีอัตโนมัติการแบ่งกลุ่ม
การเดินทางและระบุวิธีการขนส่งจากข้อมูล GPS ในช่วงต้นของ
การศึกษาของข้อมูลจีพีเอสในการวิจัยที่มุ่งเน้นการขนส่งบนยานพาหนะ
การเดินทางลดความซับซ้อนของการพัฒนาอัลกอริทึมค่อนข้าง.
เมื่อเร็ว ๆ นี้โหมดการขนส่งหลายได้รับการศึกษา
รวมทั้งการขนส่งการใช้งาน.
มีความหลากหลายของวิธีการทำนายขนส่ง
โหมดอัตโนมัติจากข้อมูล GPS เหล่านี้รวมถึง
ขั้นตอนวิธีการแก้ปัญหาตามกฎ (10-13) ตรรกศาสตร์ (14, 15),
เครือข่ายประสาท (16, 17), รุ่นเบส์ (18, 19) และการตัดสินใจ
ต้นไม้ (20, 21) วิธีการเหล่านี้ไม่ค่อยรวมถึงกิจกรรมที่ไม่ใช่การเดินทาง
(เช่นนั่งหรือยืน) และอีกหลายแผนที่ incorporate การจับคู่หรือ
GIS ส่วนประกอบซึ่งเป็นประโยชน์อย่างยิ่งในการสั่งซื้อเพื่อยืนยัน
เมื่อผู้ใช้เดินทางบนเส้นทางการขนส่งสาธารณะ การออกกำลังกาย
นักวิจัย แต่ไม่อาจมีการเข้าถึงข้อมูล GIS ในทางตรงกันข้าม
www.frontiersin.org เมษายน 2014 | เล่ม 2 | มาตรา 36 | 1
เอลลิส, et al ระบุพฤติกรรมการเดินทางที่ใช้งาน
พวกเขามีแนวโน้มที่จะมีข้อมูล accelerometer เมื่อมีการประเมินการใช้งาน
การเดินทาง (3, 4) การศึกษาก่อนหน้านี้ได้แสดงให้เห็นว่าพฤติกรรมที่เฉพาะเจาะจง
เช่นบ้านจะได้รับจากสัญญาณ accelerometer (22).
การศึกษาเหล่านี้ไม่ค่อยรวมถึงการเดินทางของยานพาหนะเป็นโหมดกิจกรรมจะ
มักจะดำเนินการในการตั้งค่าห้องปฏิบัติการควบคุมสูงและส่วนใหญ่ไม่
ได้รวมข้อมูล GPS ที่สามารถแจ้ง โหมดการเดินทาง.
จีพีเอสเพียงการศึกษาน้อยและมีการจ้างงาน accelerometer ข้อมูล.
เรดดี้, et al (23) การใช้ต้นไม้ตัดสินใจและรูปแบบมาร์คอฟในการกำหนด
วิธีการขนส่งบนโทรศัพท์มือถือโดยใช้ทั้ง GPS
และข้อมูล accelerometer พวกเขารายงานความถูกต้อง 93% ในการทำนาย
ห้ากิจกรรม (ยังคงเดิน, วิ่ง, จักรยานและยานพาหนะ).
Troped et al, (24) นอกจากนี้ยังรวม accelerometer และ GPS ข้อมูล
แต่จากอุปกรณ์แบบสแตนด์อโลนโดยใช้การวิเคราะห์จำแนกเชิงเส้น
ที่จะคาดการณ์ห้ากิจกรรม (เดิน, วิ่ง, ปั่นจักรยาน, อินไลน์
สเก็ตและการขับรถ) พวกเขารายงานความถูกต้อง 90% ในการทำนาย
กิจกรรม แต่มีชุดข้อมูลที่มีขนาดค่อนข้างเล็ก 712 นาที
ของข้อมูล.
หลายขั้นตอนวิธีการเหล่านี้ในวรรณคดีวันที่เป็นเพียงการ
ทดสอบในสภาพที่เหมาะสมหรือสภาพแวดล้อมการควบคุมซึ่งอาจ
ประเมินค่าสูงความถูกต้องของพวกเขา สภาพเช่นทันทีโหมด
การเปลี่ยนแปลงการเดินทางเริ่มเย็นและการเดินทางในหุบเขาเมืองทุกคนสามารถ
ยุ่งเกี่ยวกับการตรวจจับสัญญาณและความท้าทายประสิทธิภาพ
ของขั้นตอนวิธี ผลงานนวนิยายของเราเพื่อการวิจัยรวมถึง
โปรโตคอลการตรวจสอบว่าการทดสอบโหมดการเดินทางในหลายจริง
เงื่อนไขโลกและรวบรวมชุดข้อมูลที่ครอบคลุมประกอบด้วย
ประมาณ 150 ชั่วโมงของข้อมูลข้อเขียน เรามีงานทำทั้ง GPS
และ accelerometer ข้อมูลและใช้ขั้นตอนวิธีการเรียนรู้ของเครื่อง
ที่จะระบุวิธีการขนส่งโดยใช้คุณสมบัติหลายทั้ง
อุปกรณ์ที่จะแจ้งให้รูปแบบการทำนาย เราใช้ป่าสุ่ม
ขั้นตอนวิธีการขั้นตอนวิธีการที่มีประสิทธิภาพที่มาให้ความรู้ของเราได้
ไม่ถูกนำมาใช้ในการทำนายโหมดการขนส่งจาก
accelerometer และ GPS ข้อมูลแม้ว่า Lustrek และ Kaluza (25)
ใช้อัลกอริทึมป่าสุ่มสำหรับการรับรู้กิจกรรมจาก 12
แท็กการเคลื่อนไหวอินฟราเรดขนาดเล็ก วางอยู่บนร่างกายของผู้ใช้และ Casale
et al, (26) การใช้ป่าสุ่มสำหรับการรับรู้การออกกำลังกาย
จากข้อมูล accelerometer

ผลลัพธ์ (ไทย) 3:

แนะนำพฤติกรรมการเดินทางส่วนบุคคลได้รับการสำคัญในการขนส่งการวิจัยและการวางแผนการจราจรสำหรับทศวรรษที่ผ่านมา ( 1 ) เมื่อเร็วๆ นี้ งานเดินทางยังกลายเป็นโฟกัสสำหรับสุขภาพของประชาชน ( 2 ) การศึกษาของผู้ใหญ่ และเด็กได้แสดงให้เห็นว่าบุคคลที่เดิน หรือจักรยานสำหรับการขนส่ง หรือใช้รถสาธารณะ สะสมมากขึ้นกิจกรรมทางกายและมีแนวโน้มที่จะพบคำแนะนำสุขภาพ( 3 , 4 ) ในบางประเทศท่องเที่ยวที่ได้รับที่เกี่ยวข้องโรคอ้วน ( 5 ) ความสัมพันธ์เหล่านี้ อย่างไรก็ตาม ได้รับงานศึกษาข้อมูลเพราะพวกเขาจะพึ่งพาตนเอง ซึ่งให้ดิบวัด ( เช่นจำนวนวันและนาทีรวมของการใช้งานท่องเที่ยว ) สถานที่ตั้งของการวิจัยอยู่ที่ใช้งานอยู่ที่การสร้าง สภาพแวดล้อมสามารถสนับสนุนพฤติกรรมการออกกำลังกายรูทีนมากขึ้น และถ้าท่องเที่ยวเป็นทางเลือกที่เท่ากันเมื่อเทียบกับรถมากขึ้นผู้คนมีแนวโน้มที่จะใช้ประโยชน์จาก การปรับปรุงในการวัดงานท่องเที่ยวจะให้การแทรกแซงการศึกษาพยายามที่จะส่งเสริมพฤติกรรมในกิจวัตรประจำวัน เช่น งานเดินทางประเพณี , พฤติกรรมการเดินทางท่องเที่ยวและมีวัดด้วยใช้บันทึกเวลาหรือการรายงานตนเอง ( 6 ) ไม่เพียง แต่เหล่านี้เป็นภาระเพื่อให้ผู้เข้าร่วม แต่ยังระลึกถึงเหตุการณ์มักไม่ถูกต้องและอคติที่อาจเกิดขึ้น ( 7 – 9 ) การเกิดขึ้นของเบา ต่ำต้นทุนและระบบตำแหน่งทั่วโลก ( GPS ) อุปกรณ์ที่ถูกต้องได้ทำให้นักวิจัยทั้งหลาย ติดตามตำแหน่งของบุคคลอย่างไรก็ตาม ในขณะที่มันค่อนข้างตรงไปตรงมาเพื่อ ดู และเข้าใจข้อมูลจีพีเอสที่ใช้ระบบสารสนเทศภูมิศาสตร์ ( GIS )แพคเกจ จะมีเวลามากย่อมทำขนาดใหญ่การวิเคราะห์ข้อมูลโดยการตีความแต่ละด้วย GPS ติดตาม ในแง่ของนี้ นักวิจัยได้เริ่มมองหาวิธีแบ่งส่วนอัตโนมัติการเดินทางและการระบุโหมดการขนส่งจากข้อมูล GPS แต่เช้าการศึกษาวิจัยข้อมูล GPS ในยานพาหนะการขนส่งเน้นท่องเที่ยว , ลดความซับซ้อนของการพัฒนาอัลกอริทึมค่อนข้างเมื่อเร็ว ๆ นี้ในโหมดการขนส่งหลายได้รับการศึกษารวมถึงการขนส่งที่ใช้งานอยู่มีความหลากหลายของวิธีการที่จะใช้ขนส่งโหมดโดยอัตโนมัติจากข้อมูล GPS เหล่านี้รวมถึงกฎอัลกอริทึมฮิวริสติก ( 10 – 13 ) , ตรรกศาสตร์ ( 14 , 15 )โครงข่ายประสาทเทียม ( 16 , 17 ) , แบบเบส์ ( 18 , 19 ) และการตัดสินใจต้นไม้ ( 20 , 21 ) วิธีเหล่านี้มักจะรวมถึงกิจกรรมท่องเที่ยวบน( เช่นนั่งหรือยืน ) และหลายคู่รวมแผนที่หรือส่วนประกอบของระบบสารสนเทศทางภูมิศาสตร์ ซึ่งเป็นประโยชน์อย่างยิ่งในการวินิจฉัยเมื่อผู้ใช้เดินทางในการขนส่งสาธารณะในเส้นทาง กิจกรรมทางกายนักวิจัย , อย่างไรก็ตาม , อาจไม่สามารถเข้าถึงระบบสารสนเทศภูมิศาสตร์ข้อมูล ในทางตรงกันข้ามwww.frontiersin.org เมษายน 2014 | เล่ม 2 | บทความ 36 | 1Ellis et al . ระบุพฤติกรรมการท่องเที่ยวงานพวกเขามีแนวโน้มที่จะรวมข้อมูล accelerometer เมื่อประเมินค่างานท่องเที่ยว ( 3 , 4 ) การศึกษาก่อนหน้านี้ได้แสดงให้เห็นว่าพฤติกรรมที่เฉพาะเจาะจงเช่นงานบ้านสามารถได้มาจากสัญญาณ accelerometer ( 22 )การศึกษาเหล่านี้ไม่รวมรถท่องเที่ยวเป็นกิจกรรมโหมด คือมักจะดำเนินการในการตั้งค่าห้องปฏิบัติการควบคุมสูง และส่วนใหญ่ทำไม่รวมข้อมูลจีพีเอสที่สามารถแจ้งโหมดการเดินทางเพียงไม่กี่การศึกษาได้ใช้ GPS และข้อมูล accelerometer .เรดดี้ et al . ( 23 ) ใช้ต้นไม้การตัดสินใจและมาร์คอฟโมเดลเพื่อตรวจสอบโหมดการขนส่งที่ใช้ทั้ง GPS โทรศัพท์มือถือข้อมูล accelerometer . พวกเขารายงานความถูกต้อง 93% ในการประมาณการ5 กิจกรรม ( ยัง เดิน วิ่ง จักรยาน และรถยนต์ )troped et al . ( 24 ) นอกจากนี้ยังรวม accelerometer และข้อมูล GPSแต่จากอุปกรณ์แบบสแตนด์อโลนโดยใช้การวิเคราะห์เชิงเส้นทำนาย 5 กิจกรรม เดิน วิ่ง ปั่นจักรยาน แบบอินไลน์เล่นสเก็ต , และการขับรถ ) พวกเขารายงานความถูกต้อง 90% ในการประมาณการกิจกรรม แต่ด้วยข้อมูลที่ค่อนข้างเล็กของคุณมินข้อมูลหลายของขั้นตอนวิธีการเหล่านี้ในวรรณคดี วันเท่านั้นทดสอบในสภาพที่เหมาะหรือควบคุมสภาพแวดล้อม ซึ่งอาจอย่ามองข้ามความแม่น เงื่อนไขเช่นโหมดทันทีเปลี่ยนแปลง การเดินทางเริ่มหนาว และการเดินทางในเมืองหุบเขาทั้งหมดรบกวนตรวจสอบสัญญาณและความท้าทายประสิทธิภาพของอัลกอริทึม ผลงานนวนิยายของเราไปวิจัย รวมถึงการตรวจสอบโปรโตคอลที่ทดสอบโหมดหลาย จริงสภาวะโลก และเก็บรวบรวมข้อมูลที่ครอบคลุม ประกอบด้วยประมาณ 150 ชั่วโมงของแสดงข้อมูล เราใช้ทั้ง GPSข้อมูล accelerometer , และใช้อัลกอริทึมการเรียนรู้ของเครื่องจักรการระบุโหมดการขนส่ง การใช้คุณสมบัติหลายแห่งทั้งอุปกรณ์แจ้งการพยากรณ์แบบ เราใช้ป่า สุ่มขั้นตอนวิธีอัลกอริทึมที่มีประสิทธิภาพที่ให้ความรู้ของเราได้ไม่เคยถูกทำนายโหมดการขนส่งจากaccelerometer และข้อมูล GPS , แม้ว่า lustrek คาลูซา ( 25 ) และใช้วิธีสุ่มสำหรับการรับรู้กิจกรรมจาก 12 ป่าอินฟราเรดขนาดเล็กเคลื่อนไหวแท็กวางไว้บนร่างกายของผู้ใช้ และ คาซาเล่et al . ( 26 ) ใช้กิจกรรมทางกายภาพการสุ่มสำหรับป่าจากข้อมูล accelerometer