本論文摘自WWW 2008, 主要貢獻在於如何從原始的GPS資料推論出當時的交通工具 (e.g., Car, Bus, Bike, Walk).
方法可分為以下三個步驟:
1. change point-based segmentation method 負責將GPS的trip分割成不同的segmentation, 這裡僅區分成Walk Segment 以及 Non Walk Segment.
2. inference model: 本論文比較四種不同的機器學習方法 (Navie Bayes, Decision Tree, SVM, CRT), 針對每個segment辨識所使用的交通工具.
3. post-processing algorithm based on conditional probability: 有鑒於機器學習推論出來的交通工具有所誤差, 因此最後在用條件機率的方法針對機率較低的預測重新計算.
實驗部份:
GPS資料主要包含45個人約半年的行動資料, 此外評估的準則採用Precision及Recall
實驗結果顯示 decision tree 演算法可產生最好的效能.
以下附上修改原作者的投影片:
2010年3月19日
2009年4月22日
訂閱：
文章 (Atom)
