本发明涉及一种基于移动终端噪声地图的用户场景识别方法，属于传感网络中群智感知的用户场景识别技术领域。
背景技术：
群智感知，使用众包的力量更加高效地收集、分享采集的物理环境数据，并基于此研发更多面向环保监测以及智能城市的创新型服务和应用。具有三大特点：1)低成本，志愿参与的市民充当监测者，通过贡献手机采集的环境数据节省人力资源和设备维护成本；2)地图更新快，市民的随机动态监测使得数据更新速度加快，具有更好的时效性；3)数据共享，参与用户既是噪声数据的贡献者等特点。当大量市民参与到社区乃至城市的环境、社交监测任务中，并配合及时有效的解决措施，能够使用众包的力量致力于环境监测、安全预警、实时医疗互助等创新型应用。尽管群智感知有广阔的应用前景和优点，但在实际部署和应用中，仍存在一些技术难点和挑战。首先不同智能手机的硬件具有一定差异，用户使用手机收集的数据存在一定差异，其次用户的参与收集的目的方式具有不确定性，再者如何提供激励政策鼓励更多用户参与群智感知应用，提高数据的收集效率和质量也是需要解决的问题。本文针对基于移动终端噪声地图应用中用户数据采集的目的、质量、测量场景的不确定性，提出使用用户场景识别算法对用户贡献传感数据的场景进行分类。通过有效的采集场景分类、数据质量标识，将有助于管理员进行数据预处理、数据过滤、使用有效数据进行可视化，并制定适宜的用户激励政策等工作。
为了对基于群智感知的用户采集场景进行分类，国内外研究者提出了多种识别算法，相关文献如下:
1、2010年，Nicolas等人在《Participatory noise pollution monitoring using mobile phones》提出使用自动场景标签的方式，使用时间戳和用户手动标签的方式对单次测量的记录进行场景标识。该方法中，把场景粗粒度分为4类：地理位置(城市、街道)、时间戳(工作日、周末)、天气和用户行为(静止、移动)。
2、2013年，Rajib等人在《Ear-Phone:A context-aware noise mapping using smart phones》提出场景发掘算法，使用三轴加速度计、前置光传感器对手机的采集位置进行了粗粒度划分：手中、包中、口袋中。研究者分析并提取了加速度计和前置光传感器在三个不同场景的特征，并使用kNN算法对采集到的加速度计数据进行特征匹配并分类，通过判断前置光传感器有无遮挡从而判断手机是否处于封闭状态。
3、2015年，朱致远在《参与式感知平台数据采集关键技术研究与实现》中提出将用户采集场景氛围四类，即家庭场景、工作场景、户外场景和汽车场景。并使用用户地理位置定位及运动状态、时间戳、用户终端网络连接状况及历史记录推测用户的采集场景，通过计算Wi-Fi连接数和历史记录，推测用户在各个场景的可能性。
技术实现要素：
本发明所要解决的问题是：在基于群智感知的噪声地图应用中，使用移动终端内置传感器采集的数据判断识别用户采集分贝数据的场景，并对该次测量数据记录进行场景标识，从而推测用户采集数据的场景。
为了达到上述目的，本发明是通过以下技术方案实现的：
一种基于移动终端噪声地图的用户场景识别方法，包括以下步骤：
步骤一:确定并获取移动终端的内置传感器数据。依据群智感知噪声地图的应用特点，以及各类传感器对移动终端的运动状态监测的不同特点，确定并使用四类传感器，线性加速度传感器，GPS传感器，陀螺仪传感器以及近距离传感器。
步骤二：用户采集场景粗粒度分类。麦克风传感器对环境变化的灵敏度较高，经实验分析得知，震动、摩擦、麦克风的放置的位置都会对实验结果产生较大的影响，因此本发明对用户采集场景进行粗粒度和细粒度的划分。
步骤三：获取细粒度场景传感器判断阈值。本发明中使用四类传感器进行场景识别，线性加速度传感器识别用户低速移动或者静止状态，陀螺仪传感器识别智能终端旋转角度，近距离传感器识别是否有物理遮挡或者包裹终端，GPS传感器识别用户高速或者低速移动状态。
步骤四：用户采集场景推测分类算法。本发明设计一种针对噪声分贝数据收集的场景分类识别流程，将场景细化为六大类，并使用线性传感器、陀螺仪传感器、光距离传感器、GPS传感器对移动终端物理状态进行不同场景划分。
上述步骤一中，确定并获取移动终端的内置传感器数据方法如下：
四类传感器的用途如下所示：使用线性加速度传感器，获得X、Y、Z三轴方向的加速度值(m/s2)，其中不包括重力加速度；使用GPS传感器实时获取用户的地理位置信息，并计算得到用户移动速度(m/s)；使用陀螺仪传感器获得X、Y、Z三轴方向的角速度，并计算得到手机旋转角度速度(°)；使用近距离传感器获取物体距手机的距离。
上述步骤二中，用户采集场景粗粒度分类方法如下：
首先依据场景对麦克风分贝数据的影响程度，进行粗粒度的划分，并明确在场景识别中使用的传感器种类，之后，依据用户采集场景的特点，依据粗粒度场景将场景细化为六类场景，六类场景为：
场景1、手机静止置于非震动物理表面，手机正面朝上且没有遮挡物，无物理包裹；
场景2、手机置于用户手中且用户无运动状态，手机无频繁大幅度翻转角度和震动现象；
场景3、手机置于静止的有包裹能力的物理中，无大幅度翻转、震动现象
场景4、手机置于较快速运动的物体内或表面，处于开放环境无物理包裹，无较大震动
场景5、手机置于较慢速运动的物理内或表面，处于开放环境无物理包裹，无较大震动
场景6、物体置于移动运动的封闭物体内，有包裹现象；
对每个场景采集的分贝数据质量进行评分，评分的依据为外界对智能手机采集时震动和摩擦的影响，通过实验分析，手机静止或者位于用户手中时分贝数据质量较高。
上述步骤三中，获取细粒度场景传感器判断阈值方法如下：
针对以上四类传感器场景判断阈值，使用梯度下降法获取不同传感器判断阈值。
第一步，使用智能手机在六个场景下混合测量多组测试数据，并使用半自动方式通过人工标注对六个场景的数据进行场景标识，用于校验后期算法场景分类的正确率。
第二步，计算获取不同传感器在不同场景下的判断阈值。
针对GPS经纬度数据，使用公式计算得到两点之间A
(lng1,lat1),B(lng2,lat2)的距离S(km)，即
其中a＝lat1-lat2,b＝lng1-lng2,6378.137(km)为地球半径，从而得到用户移动速度其中S和interval分别为两点间的距离和时间间隔；针对线性加速度传感数据(acc_x,acc_y,acc_z)，使用合加速度accValue和平均能量accEnergy计算用户的移动状态，即
使用线性加速度平均能量判断行走、静止加速度平均能量阈值。使用梯度下降方法计算线性加速度阈值，y＝b(min<b<max),其中b表示切割横线在y轴的截距，min和max分别代表待测数据中平均能量的最小和最大值。使用计算y＝b时传感器场景分类错误率，其中S总表示使用半人工标注的不同场景的数据总数，S正确表示使用加速度能量阈值判断后得到的能够正确划分数据场景的数目。在计算阈值过程中，b初始化取值max，之后截矩b不断迭代减小，当错误率Δ≤0.01时，迭代计算过程停止，此时满足条件的b值即分别为行走和静止状态的判断阈值。其中当Δ>0.05时，b每次减小0.1；当Δ≤0.05时b每次减小0.01。陀螺仪测量值用于区分手机是否处于静止状态，该值用于区分手机位于静止状态或者处于用户手中。针对Android近距离感应器，一共有两类取值，当该值为0时，表明有物体遮挡，当该值不为0时表明无物理遮挡，手机处于开放空间。使用陀螺仪区分手机是否处于相对静止状态，该值用于区分手机位于静止状态或者处于用户手中。经过混合场景的不对计算迭代，得到传感器判断阈值。实验结果表明，在移动终端处于绝对静止状态时，陀螺仪和加速度值并不为0，根据手机硬件的不同，具有不同的偏移值。
上述步骤四中，用户采集场景推测分类算法方法如下：
首先初始化各传感器判断阈值；使用GPS计算用户移动速度，若为高速移动状态v≥4.6m/s，判断近距离传感器是否为0，若不为0则表明无遮挡，此时标记为场景4；若为低速移动状态v≤4.6m/s，判断平均能量是否超过行走阈值，若超过，判断其近距离传感器是否为0，若不为0，则将其标记为场景5，若为0，则将其标记为场景6；若平均能量阈值没有超过行走阈值，则判断近距离传感器是否为0，若为0，则将其标记为场景3，若近距离传感器不为0，判断其是否同时满足平均能量超过静止平均能量阈值并且陀螺仪旋转角度大于静止时陀螺仪角度，若不满足则标记为场景1，否则将其标记为场景2。
本发明的有益效果：本发明提供的基于移动终端噪声地图的用户场景识别算法，实时计算并发现用户不同行为模式下的分贝数据采集场景，能够有效分析计算用户参与环境感知的数据质量，基于此通过有效过滤和数据预处理，能够有效提高噪声地图的可视化，并能够对基于群智感知的用户激励措施提供参考意见，从而鼓励更多人参与到社区乃至城市的环境监测任务中。
附图说明
图1为本发明移动终端场景识别流程图示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
一种基于移动终端噪声地图的用户场景识别方法，包括以下步骤：
步骤一:确定并获取移动终端的内置传感器数据。依据群智感知噪声地图的应用特点，以及各类传感器对移动终端的运动状态监测的不同特点，确定并使用四类传感器，线性加速度传感器，GPS传感器，陀螺仪传感器以及近距离传感器。
步骤二：用户采集场景粗粒度分类。麦克风传感器对环境变化的灵敏度较高，经实验分析得知，震动、摩擦、麦克风的放置的位置都会对实验结果产生较大的影响，因此本发明对用户采集场景进行粗粒度和细粒度的划分。
步骤三：获取细粒度场景传感器判断阈值。本发明中使用四类传感器进行场景识别，线性加速度传感器识别用户低速移动或者静止状态，陀螺仪传感器识别智能终端旋转角度，近距离传感器识别是否有物理遮挡或者包裹终端，GPS传感器识别用户高速或者低速移动状态。
步骤四：用户采集场景推测分类算法。本发明设计一种针对噪声分贝数据收集的场景分类识别流程，将场景细化为六大类，并使用线性传感器、陀螺仪传感器、光距离传感器、GPS传感器对移动终端物理状态进行不同场景划分。
上述步骤一中，确定并获取移动终端的内置传感器数据方法如下：
四类传感器的用途如下所示：使用线性加速度传感器，获得X、Y、Z三轴方向的加速度值(m/s2)，其中不包括重力加速度；使用GPS传感器实时获取用户的地理位置信息，并计算得到用户移动速度(m/s)；使用陀螺仪传感器获得X、Y、Z三轴方向的角速度，并计算得到手机旋转角度速度(o)；使用近距离传感器获取物体距手机的距离。
上述步骤二中，用户采集场景粗粒度分类方法如下：
首先依据场景对麦克风分贝数据的影响程度，进行粗粒度的划分，并明确在场景识别中使用的传感器种类，如表1所示，
表1用户场景粗粒度分类
之后，依据用户采集场景的特点，依据表1的粗粒度场景将场景细化为六类场景，如表2所示，
表2用户采集场景细粒度划分及分贝数据评分标准
对每个场景采集的分贝数据质量进行评分，评分的依据为外界对智能手机采集时震动和摩擦的影响，通过实验分析，手机静止或者位于用户手中时分贝数据质量较高。
上述步骤三中，获取细粒度场景传感器判断阈值方法如下：
针对以上四类传感器场景判断阈值，使用梯度下降法获取不同传感器判断阈值。
第一步，使用智能手机在六个场景下混合测量多组测试数据，并使用半自动方式通过人工标注对六个场景的数据进行场景标识，用于校验后期算法场景分类的正确率。
第二步，计算获取不同传感器在不同场景下的判断阈值。
针对GPS经纬度数据，使用公式计算得到两点之间A
(lng1,lat1),B(lng2,lat2)的距离S(km)，即
其中a＝lat1-lat2,b＝lng1-lng2,6378.137(km)为地球半径，从而得到用户移动速度其中S和interval分别为两点间的距离和时间间隔；针对线性加速度传感数据(acc_x,acc_y,acc_z)，使用合加速度accValue和平均能量accEnergy计算用户的移动状态，即
在本发明算法中，使用线性加速度平均能量判断行走、静止加速度平均能量阈值。使用梯度下降方法计算线性加速度阈值，y＝b(min<b<max),其中b表示切割横线在y轴的截距，min和max分别代表待测数据中平均能量的最小和最大值。使用计算y＝b时传感器场景分类错误率，其中S总表示使用半人工标注的不同场景的数据总数，S正确表示使用加速度能量阈值判断后得到的能够正确划分数据场景的数目。在计算阈值过程中，b初始化取值max，之后截矩b不断迭代减小，当错误率Δ≤0.01时，迭代计算过程停止，此时满足条件的b值即分别为行走和静止状态的判断阈值。其中当Δ>0.05时，b每次减小0.1；当Δ≤0.05时b每次减小0.01。在本发明算法中，陀螺仪测量值用于区分手机是否处于静止状态，该值用于区分手机位于静止状态或者处于用户手中。针对Android近距离感应器，一共有两类取值，当该值为0时，表明有物体遮挡，当该值不为0时表明无物理遮挡，手机处于开放空间。使用陀螺仪区分手机是否处于相对静止状态，该值用于区分手机位于静止状态或者处于用户手中。经过混合场景的不对计算迭代，本发明算法得到的传感器判断阈值如表3所示。
表3Android传感器场景判断阈值
实验结果表明，在移动终端处于绝对静止状态时，陀螺仪和加速度值并不为0，根据手机硬件的不同，具有不同的偏移值。
上述步骤四中，用户采集场景推测分类算法方法如下：
在用户采集场景识别算法中，场景识别流程如图1所示。首先初始化各传感器判断阈值；使用GPS计算用户移动速度，若为高速移动状态v≥4.6m/s，判断近距离传感器是否为0，若不为0则表明无遮挡，此时标记为场景4；若为低速移动状态v≤4.6m/s，判断平均能量是否超过行走阈值，若超过，判断其近距离传感器是否为0，若不为0，则将其标记为场景5，若为0，则将其标记为场景6；若平均能量阈值没有超过行走阈值，则判断近距离传感器是否为0，若为0，则将其标记为场景3，若近距离传感器不为0，判断其是否同时满足平均能量超过静止平均能量阈值并且陀螺仪旋转角度大于静止时陀螺仪角度，若不满足则标记为场景1，否则将其标记为场景2。