AI Summary & Key Takeaways
AI InsightOur findings suggest that traditional models, when properly optimized, can effectively support energy-efficient and privacy-conscious transport mode detection on smartphones.
📌 3 Key Takeaways
Abstract
Understanding human mobility is crucial for applications like urban planning, traffic management, and personalized services. This paper presents a power-aware transport mode detection approach that leverages a limited set of smartphone sensors and machine learning algorithms to accurately classify various transportation modes while optimizing energy consumption. By focusing on a subset of essential sensors (accelerometers, gyroscopes, magnetometers, etc.) and implementing an optimized data preprocessing pipeline, our method reduces the energy drain associated with continuous data collection. Using the Sussex-Huawei Locomotion dataset, we evaluate seven classification models, namely, 1-Nearest Neighbor, Gaussian Naïve Bayes, Decision Tree, Random Forest, and two Convolutional Neural Networks and a ResNet model. We propose a preprocessing pipeline and a windowing strategy for temporal sensor data, and we demonstrate that Random Forest achieves high classification accuracy (95.05%). The study also discusses trade-offs between model performance, computational cost, and energy efficiency, highlighting the potential of well-designed lightweight models and sensor subsets for real-world deployment. Our findings suggest that traditional models, when properly optimized, can effectively support energy-efficient and privacy-conscious transport mode detection on smartphones.
Özet
İnsan hareketliliğinin anlaşılması; kentsel planlama, trafik yönetimi ve kişiselleştirilmiş hizmetler gibi pek çok uygulama açısından kritik bir öneme sahiptir. Bu çalışma, enerji tüketimini optimize ederken çeşitli ulaşım modlarını doğru bir şekilde sınıflandırmak için sınırlı sayıda akıllı telefon sensörü ve makine öğrenme algoritmasından yararlanan, enerjiye duyarlı bir ulaşım modu tespit yöntemi sunmaktadır. Sürekli veri toplamanın neden olduğu enerji kaybının azaltılması için temel algılayıcıların (ivmeölçer, jiroskop, manyetometre v.b.) belirli bir alt kümesine odaklanılmış ve optimize edilmiş bir veri ön işleme süreci kulanılmıştır. Sussex-Huawei Locomotion veri seti kullanılarak 1-En Yakın Komşu, Gauss Naive Bayes, Karar Ağacı, Rastgele Orman ve iki Evrişimsel Sinir Ağı ile bir ResNet modeli olmak üzere yedi sınıflandırma modelinin performansı değerlendirilmiştir. Zamansal algılayıcı verileri için bir ön işleme hattı ile pencereleme stratejisi önerilmiş; Rastgele Orman'ın %95,05 doğruluk oranı ile yüksek sınıflandırma başarısı elde ettiği ortaya konmuştur. Çalışmada ayrıca model performansı, hesaplama maliyeti ve enerji verimliliği arasındaki dengeler tartışılmakta; hafif ve iyi tasarlanmış modellerin gerçek dünya uygulamalarına uyarlanabilirliği vurgulanmaktadır. Bulgular, geleneksel modellerin uygun şekilde optimize edildiklerinde akıllı telefonlarda enerji verimli ve gizlilik odaklı ulaşım modu tespitini etkin biçimde destekleyebileceğini göstermektedir.