Abstract: The proliferation of mobi

Abstract: The proliferation of mobile smart devices has led to a rapid increase of
location-based services, many of which are amassing large datasets of user trajectory
information. Unfortunately, current trajectory information is not yet sufficiently rich to
support classification of user transportation modes. In this paper, we propose a method that
employs both the Global Positioning System and accelerometer data from smart devices to
classify user outdoor transportation modes. The classified modes include walking,
bicycling, and motorized transport, in addition to the motionless (stationary) state, for
which we provide new depth analysis. In our classification, stationary mode has two
sub-modes: stay (remaining in the same place for a prolonged time period; e.g., in a parked
vehicle) and wait (remaining at a location for a short period; e.g., waiting at a red traffic
light). These two sub-modes present different semantics for data mining applications. We
use support vector machines with parameters that are optimized for pattern recognition. In
addition, we employ ant colony optimization to reduce the dimension of features and
analyze their relative importance. The resulting classification system achieves an accuracy
rate of 96.31% when applied to a dataset obtained from 18 mobile users.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อ: การแพร่หลายของโทรศัพท์มือถือสมาร์ทได้นำไปสู่การเพิ่มขึ้นอย่างรวดเร็วของตามสถานบริการ จำนวนมากที่จะรวบ datasets ขนาดใหญ่ของผู้ใช้วิถีข้อมูล อับ ข้อมูลวิถีปัจจุบันยังไม่รวยพอที่จะสนับสนุนการจัดประเภทของโหมดการขนส่งของผู้ใช้ ในเอกสารนี้ เราเสนอวิธีการที่ใช้ทั้งโลกและตรวจข้อมูลจากอุปกรณ์สมาร์ทจัดประเภทผู้ใช้โหมดขนส่งกลางแจ้ง โหมดลับรวมเดินห้อง และเครื่องยนต์ขนส่ง นอกรัฐ (เครื่องเขียน) พระกร สำหรับซึ่งเราให้วิเคราะห์ลึกใหม่ ในการจัดประเภทของเรา โหมดเครื่องเขียนมี 2โหมดย่อย: (ที่เหลืออยู่ในเดียวกันเป็นเวลานานระยะเวลา เช่น ในการจอดพักรถ และการรอคอย (ที่เหลืออยู่ในตำแหน่งชั่วระยะเวลา เช่น, "กำลังรอ"จราจรสีแดงที่แสง) สองโหมดย่อยเหล่านี้นำเสนอความหมายที่แตกต่างกันสำหรับโปรแกรมประยุกต์การทำเหมืองข้อมูล เราใช้เครื่องสนับสนุนเวกเตอร์กับพารามิเตอร์ที่นี้เหมาะสำหรับการรู้จำรูปแบบ ในนอกจากนี้ เราจ้างเพิ่มประสิทธิภาพฝูงมดเพื่อลดขนาดของคุณลักษณะ และวิเคราะห์ความสำคัญของพวกเขา แม่นยำได้รับระบบการจัดประเภทได้อัตรา 96.31% เมื่อใช้กับชุดข้อมูลที่ได้รับจากผู้ใช้โทรศัพท์มือถือ 18

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ: การแพร่กระจายของอุปกรณ์มือถือสมาร์ทได้นำไปสู่การเพิ่มขึ้นอย่างรวดเร็วของ
การให้บริการตามสถานที่ต่างๆหลายแห่งซึ่งมีการสะสมชุดข้อมูลขนาดใหญ่ของผู้ใช้วิถี
ข้อมูล แต่น่าเสียดายที่ข้อมูลเส้นทางการเคลื่อนที่ในปัจจุบันยังไม่เพียงพอที่อุดมไปด้วยเพื่อ
สนับสนุนการจัดหมวดหมู่ของผู้ใช้โหมดการขนส่ง ในบทความนี้เรานำเสนอวิธีการที่
มีพนักงานทั้งระบบกำหนดตำแหน่งบนโลกและ accelerometer ข้อมูลจากอุปกรณ์สมาร์ทที่จะ
จำแนกรูปแบบการขนส่งที่ใช้กลางแจ้ง โหมดการจัดรวมถึงการเดิน,
ปั่นจักรยานและการขนส่งมอเตอร์นอกเหนือไปจากการเคลื่อนไหว (นิ่ง) รัฐสำหรับ
การที่เราให้การวิเคราะห์เชิงลึกใหม่ ในการจัดหมวดหมู่ของเราโหมดนิ่งมีสอง
โหมดย่อย: อยู่ (ที่เหลืออยู่ในสถานที่เดียวกันสำหรับช่วงเวลาที่เป็นเวลานาน; เช่นในที่จอด
รถ) และรอ (ที่เหลืออยู่ในสถานที่ในช่วงเวลาสั้น; เช่นรออยู่ที่สีแดง การจราจร
แสง) ทั้งสองโหมดย่อยความหมายที่แตกต่างกันในปัจจุบันข้อมูลการใช้งานการทำเหมืองแร่ เรา
ใช้การสนับสนุนเครื่องเวกเตอร์ที่มีพารามิเตอร์ที่เหมาะสมสำหรับการรับรู้รูปแบบ ใน
นอกจากนี้เราจ้างเพิ่มประสิทธิภาพอาณานิคมมดที่จะลดขนาดของคุณสมบัติและการ
วิเคราะห์ความสำคัญของพวกเขา ระบบการจำแนกผลประสบความสำเร็จในความถูกต้อง
ในอัตรา 96.31% เมื่อนำไปใช้กับชุดข้อมูลที่ได้รับจากการใช้โทรศัพท์มือถือ 18

ผลลัพธ์ (ไทย) 3:

บทคัดย่อ : การแพร่กระจายของอุปกรณ์มือถือสมาร์ทได้ก่อให้เกิดการเพิ่มขึ้นอย่างรวดเร็วของ
บริการตามพื้นที่หลายแห่ง ซึ่งจะรวบรวมข้อมูลเส้นทาง
ขนาดใหญ่ข้อมูลผู้ใช้ แต่น่าเสียดายที่ข้อมูลวิถีปัจจุบันยังไม่เพียงพอรวย

สนับสนุนประเภทของโหมดการขนส่งที่ผู้ใช้ งานวิจัยนี้ได้เสนอวิธีการที่
ใช้ทั้งทั่วโลกตำแหน่งระบบและข้อมูล accelerometer อุปกรณ์สมาร์ท
จำแนกผู้ใช้โหมดการขนส่งที่กลางแจ้ง โหมดย่อย ได้แก่ การเดิน ปั่นจักรยาน และรถขนส่ง
, , นอกจากการนิ่ง ( นิ่ง ) ของรัฐ สำหรับ
ซึ่งเรามีการวิเคราะห์ความลึกใหม่ ในหมวดหมู่ของเรา มีสองโหมดนิ่ง
โหมดย่อย :( ที่เหลืออยู่ในสถานที่เดียวกัน เป็นระยะ เวลานาน เช่น ในรถที่จอดรอ (
) และที่เหลืออยู่ในสถานที่สำหรับรอบระยะเวลาสั้น เช่น รอที่สีแดงจราจร
แสง ) เหล่านี้สองโหมดที่แตกต่างกันสำหรับโปรแกรมย่อยปัจจุบันความหมายของการทำเหมืองข้อมูล เราสนับสนุนเวกเตอร์เครื่องจักร
ใช้กับพารามิเตอร์ที่เหมาะสำหรับรูปแบบการรับรู้ ใน
นอกจากนี้เราจ้างอาณานิคมมดลดมิติคุณลักษณะและ
วิเคราะห์ความสำคัญสัมพัทธ์ของพวกเขา . ผลการจำแนกระบบบรรลุความถูกต้อง
อัตรา 96.31 % เมื่อใช้กับชุดข้อมูลที่ได้จาก 18 ผู้ใช้มือถือ