一种基于智能手机动作识别的共享单车定位方法与流程

本发明涉及一种基于智能手机动作识别的共享单车定位方法,该方法利用共享单车用户智能手机中的加速度传感器和gps设备完成共享单车的定位。

背景技术：

随着共享时代的到来，共享资源，共享网络，共享知识逐渐涌现。得益于方便性与快捷性，共享单车成为了人们生活中越来越重要的伙伴。由于共享单车可能停放在任何地方，为了方便对其再次借用，共享单车的定位在单车共享的服务中扮演着举足轻重的角色，实现对其及时准确的定位可以方便用户快速查询附近的可借单车。

目前，共享单车的定位方法主要分为以下两种：(1)在共享单车上安装gps设备，但该方法存在以下弊端(a)安装gps成本太高；(b)gps设备能量消耗问题难以解决；(c)gps设备维护较困难。(2)用户使用智能手机做换车操作时上传其所在位置，但用户在使用过程中往往不是在距离换车地点很近的地方完成换车操作，这将造成很大的定位误差。近年来，专利号为cn106686549a的基于无线定位基站的共享单车停车场系统，将所述区域校验服务平台的一个数据端输入连接于停车场定位基站，将所述区域校验服务平台的另一个数据端输入连接于停车场定位基站，解决了现有技术存在共享单车乱停乱放行为不易管理的问题。专利号为cn106658417a的基于无线定位基站的共享单车还车方法及系统，服务器端根据基站定位方法确定的共享单车的所在位置通过区域比较方法确定其是否在停车场基站定位方法确定的还车区域内，解决了现有技术存在共享单车乱停乱放不易管理的问题。

技术实现要素：

技术问题：本发明的目的是利用用户智能手机完成对共享单车的定位，提供一种无需安装设备且兼具经济性与可靠性的共享单车定位方法。

为实现上述目的，本发明的技术方案如下：

本发明是利用用户所携带的智能手机完成对共享单车的定位，目前智能手机都包含3轴加速度传感器和gps设备，该定位方法包括：动作识别阶段，利用智能手机中的3轴加速度传感器完成对用户的动作识别，识别出用户骑行和非骑行状态，找到用户由骑行状态变换为非骑行状态的时间点。定位阶段，利用智能手机中的gps设备记录用户借车后的位置轨迹，将状态变化时间点的位置看作为用户还车位置，将该位置上传给服务器。

进一步，基于加速度传感器的用户动作识别的方法包括离线训练和在线动作识别两个阶段，离线训练的具体步骤如下。

数据预处理，为了滤除数据中的噪声点，利用lof离群值检测算法对加速度传感器所采集的数据进行预处理。

标记数据，对预处理好的数据进行人工标记，标记数据所对应的动作类别，例如骑行、跑步、走路等。

特征提取，对标记好的数据进行特征提取，可以提取多个特征，在时域特征包括每个轴上加速度的平均值、方差，总振幅tm和倾斜角θ，总振幅tm其计算公式如下：

其中，x,y,z分别表示在x轴,y轴与z轴上加速度的大小。倾斜角θ的计算公式如下：

其中y为y轴上的加速度大小，g是重力加速度大小。除了上述时域特征还可以提取其频域特征，在该方法中提取小波系数作为特征。

模型训练，在特征提取完之后利用经典的分类算法svm进行模型训练，以供动作识别阶段来分类模型。

进一步，基于加速度传感器的用户在线动作识别阶段的具体步骤如下：

特征提取，获取实时加速度传感器数据并进行特征提取。

动作识别，将采集的数据作为分类器的输入，得到动作识别结果，得到用户由骑行状态变化为长时间非骑行状态(跑步或走路)，当非骑行状态持续5分钟，可以认为用户在状态发生变化的那一时刻ts已经还车。

进一步，在定位阶段，在用户借车后智能手机记录用户的位置轨迹，直到用户由骑行状态变化为长时间非骑行状态(跑步或走路)，并且非骑行状态持续5分钟，智能手机不再记录用户的运动轨迹，将t时刻用户的位置看作是共享单车的位置上传服务器。

有益效果：本发明将已普及的智能手机应用到共享单车的定位上,共享单车可能停放在任何地方，为了方便对其再次借用，共享单车的定位在单车共享的服务中扮演着举足轻重的角色，实现对其及时准确的定位可以方便用户快速查询附近的可借单车。

附图说明

图1是本发明的系统架构图；

图2是本发明在线动作识别阶段流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

实施例，如图1、图2所示，本基于智能手机动作识别的共享单车定位方法，包括：动作识别阶段，利用智能手机中的3轴加速度传感器完成对用户的动作识别，识别出用户骑行和非骑行状态，找到用户由骑行状态变换为非骑行状态的时间点。定位阶段，利用智能手机中的gps设备记录用户借车后的位置轨迹，将状态变化时间点的位置看作为用户还车位置，将该位置上传给服务器。

标记数据，对预处理好的数据进行人工标记，标记数据所对应的动作类别，例如骑行、跑步、走路等。

特征提取，对标记好的数据进行特征提取，可以提取多个特征，在时域特征包括每个轴上加速度的平均值、方差，总振幅tm和倾斜角θ，总振幅tm其计算公式如下：

其中，x,y,z分别表示在x轴,y轴与z轴上加速度的大小。倾斜角θ的计算公式如下：

其中y为y轴上的加速度大小，g是重力加速度大小。除了上述时域特征还可以提取其频域特征，在该方法中提取小波系数作为特征。

模型训练，在特征提取完之后利用经典的分类算法svm进行模型训练，以供动作识别阶段来分类模型。

基于加速度传感器的用户在线动作识别阶段的具体步骤如下：

特征提取，获取实时加速度传感器数据并进行特征提取。

动作识别，将采集的数据作为分类器的输入，得到动作识别结果，得到用户由骑行状态变化为长时间非骑行状态(跑步或走路)，当非骑行状态持续5分钟，可以认为用户在状态发生变化的那一时刻ts已经还车。

在定位阶段，在用户借车后智能手机记录用户的位置轨迹，直到用户由骑行状态变化为长时间非骑行状态(跑步或走路)，并且非骑行状态持续5分钟，智能手机不再记录用户的运动轨迹，将t时刻用户的位置看作是共享单车的位置上传服务器。

以上公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。