[论文解读] Power-saving transportation mode identification for large-scale applications

Yuren Zhou, Jin Wang+4 more|arXiv (Cornell University)|Jan 20, 2017

Human Mobility and Location-Based Analysis参考文献 13被引用 6

一句话总结

本文提出一种结合低频采样方法与分层分类算法的交通方式识别方法，在保持约85%准确率的同时显著降低功耗。此外，还提出一种高效的离线数据标注方法，结合人工与自动方法，实现无需实时真实标签采集的大规模训练与测试。

ABSTRACT

Transportation mode detection with personal devices has been investigated for over ten years due to its importance in monitoring ones' activities, understanding human mobility, and assisting traffic management. However, two main limitations are still preventing it from large-scale deployments: high power consumption, and the lack of high-volume and diverse labeled data. In order to reduce power consumption, existing approaches are sampling using fewer sensors and with lower frequency, which however lead to a lower accuracy. A common way to obtain labeled data is recording the ground truth while collecting data, but such method cannot apply to large-scale deployment due to its inefficiency. To address these issues, we adopt a new low-frequency sampling manner with a hierarchical transportation mode identification algorithm and propose an offline data labeling approach with its manual and automatic implementations. Through a real-world large-scale experiment and comparison with related works, our sampling manner and algorithm are proved to consume much less energy while achieving a competitive accuracy around 85%. The new offline data labeling approach is also validated to be efficient and effective in providing ground truth for model training and testing.

研究动机与目标

• 解决个人设备上交通方式检测的高功耗问题，该问题限制了大规模部署。
• 通过开发高效的离线标注方法，克服高容量、多样化标注数据稀缺的问题。
• 在低采样频率条件下实现出色的识别准确率，以减少能耗。
• 设计一种适用于实际大规模应用的可扩展解决方案，适用于出行监测与交通管理。

提出的方法

• 采用新颖的低频采样策略，在保持足够分类数据的同时降低传感器功耗。
• 实施一种分层交通方式识别算法，通过将分类过程划分为粗粒度到细粒度的层级，提升准确率。
• 开发一种离线数据标注方法，结合人工验证与自动标注，高效生成真实标签。
• 利用大规模实地实验的真实数据训练并验证系统，确保在真实条件下的有效性。
• 将低采样方法与分层分类器相结合，实现能效与准确率之间的平衡。
• 通过对比基线方法在训练与测试准确率上的表现，验证标注流程的有效性。

实验结果

研究问题

• RQ1 低频采样策略是否能在显著降低功耗的同时保持具有竞争力的分类准确率？
• RQ2 在采样受限条件下，所提出的分层分类算法在提升准确率方面的效果如何？
• RQ3 离线标注方法是否能高效生成高质量真实标签，以支持大规模模型训练而无需实时标注？
• RQ4 在大规模交通方式检测系统中，能效与准确率之间的权衡关系如何？

主要发现

• 所提出的低频采样方法在交通方式识别中实现了约85%的准确率，同时功耗显著低于现有方法。
• 分层分类算法通过将交通方式类别组织为结构化的分类树，提升了识别准确率。
• 离线数据标注方法被证明高效且有效，实现了无需实时真实标签记录的大规模数据收集。
• 系统在一次真实世界的大规模实验中表现出色，验证了其在实际部署中的可行性。
• 与相关工作相比，所提出方法在保持具有竞争力准确率的同时，实现了显著降低的功耗。
• 低采样与分层分类的结合使该系统能够实现可扩展、低功耗的出行监测应用部署。