Dissertação
{en_GB=Detecting Travel and Behavioral Mode} {} EVALUATED
{pt=O projeto europeu MoTiV tem como objetivo estudar o valor que as pessoas atribuem ao tempo que passam nas viagens e quais são os fatores que definem esse valor. O objetivo deste trabalho consiste em desenvolver uma componente de recolha de dados que será usada para recolher dados necessários para o projeto MoTiV. A recolha de dados deve ser realizada automaticamente a partir dos sensores disponíveis nos smartphones modernos em tempo quase real. Um dos dados que deve ser recolhido é o modo de transporte usado. Para identificar o modo de transporte usado foi criado o Módulo de Deteção do Modo de Transporte (MDMT) para sistemas operativos Android e iOS. Ao longo de uma deslocação o MDMT avalia a informação obtida a partir dos sensores de um smartphone usando um algoritmo de aprendizagem de máquina de forma a identificar todos os modos de transporte usados ao longo de uma deslocação. A solução desenvolvida permite identificar 6 modos de transporte diferentes com uma precisão de 90% usando o algoritmo Random Forest. Para além disso, o numero de modos de transporte usados numa deslocação é identificado corretamente com uma precisão de 95%., en=The European project MoTiV aims to study the value of time that people spend on travel and what are the factors that define this value. The objective of this work is to develop a data collection component that will be used to collect the data needed for the MoTiV project. The data is supposed to be collected automatically from the sensors available in modern smartphones in near real time. One of the data that must be collected is the mode of transport used. The Transport Mode Detection Module was created in order to identify the transport mode used on both Android and iOS operating systems. During the trip this module evaluates the information obtained from the sensors of a smartphone using a machine learning algorithm in order to identify all the modes of transport used. The developed solution allows to identify 6 different modes of transport (walking, bicycle, car, bus, train and still) with an accuracy of 90% using the Random Forest algorithm. In addition, the number of transport modes used during a trip is identified correctly with an accuracy of 95%.}
novembro 6, 2018, 9:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Informática (DEI)
Professor Associado