智能手机定位数据质量评估的范围公民科学贡献

文摘

人类旅游行为已经在许多交通研究,解决在旅游调查方法已被广泛用于收集自我报告日常移动模式的见解。然而,由于引进全球导航卫星系统(GNSS)和最近智能手机内置GNSS,研究者采用这些无处不在的设备收集流动行为数据的工具。虽然大多数研究认识到该技术的适用性,它仍然有一定的局限性。这些都是很少以量化的方式解决。经常收集的数据的质量往往是高估了,这些错误传播到聚合结果提供完整的知识水平的信心的结果和结论。在这项研究中,我们关注的是数据质量的完整性方面利用GNSS数据从四个活动在比利时的弗兰德斯地区。实证结果是基于通过智能手机和移动行为收集的数据包括了超过450名参与者的29个月。我们的研究结果显示,传输模式是最影响以及土地使用如何影响所收集的数据的质量。此外,我们首先提供洞察时间修复,可用于更好地估计旅行模式。

1。介绍

理解人类行为是旅游规划的核心交通服务和确保可持续发展的社区。传统上,这些数据被收集基于自我洞察一个人的日常移动模式。自我报告通常是在旅游调查或访谈的形式完成的。这些方法的缺点是公认的在文学和包括,其中,漏报的短途旅行1- - - - - -3),公共交通旅行时间的高估或低估的汽车旅行时间(4- - - - - -6),获取不完整的和不一致的信息(7,8),和舍入旅行时间和距离9]。最近,负担得起的全球导航卫星系统(GNSS)设备和移动通信提供了一种新的方式获取数据的流动研究,包括公民科学在志愿者参与流动的某些方面和环境问题10),等等。

GNSS的一些示例数据适用性更好地理解个人的日常流动行为包括实施GNSS数据,结合地理信息系统(GIS)技术和交互式网络验证应用,推导和验证旅行目的和运输方式11]。实现结果显示良好的匹配与国家旅游调查结果表明提出的方法可能有前途的替代纸质日记的基础方法。同样,郑et al。1245]利用GNSS数据用户,收集了超过六个月的周期,并应用基于监督学习的方法来自动推断出传输模式和获得理解如何识别交通模式交换位置。此外,刘等人。13和锅等。14】看一个更深的出租车轨迹的空间和时间模式探讨都市间的土地利用变化。他们将研究区域划分为6个交通领域与各种土地利用类型密切相关(如商业、工业、住宅、制度、和娱乐)和发现人类流动从位置感知设备收集的数据提供了机会,及时获得城市土地利用信息。使用一个类似的数据集,郭et al。15]看看出租车跟踪获得行程的出发地和目的地的位置。罩等。16)开发路径选择模型基于GNSS收集的数据来自智能手机用户在旧金山。他们提取替代使用重复的最短路径搜索链接属性和广义成本系数随机。他们的结果表明,自行车道是倾向于其他设施类型,尤其是罕见的骑自行车的人。结果仅用于自行车网络基础设施规划的目的。邓肯et al。17)检查利用GNSS数据客观地测量和研究人类行为环境属性的关系而言,身体活动和运输相关的活动。Mavoa et al。18)检查孩子的独立移动数据和实现序列比对匹配GNSS和旅行日记数据。他们成功匹配的所有旅行在两个数据集之间的60%左右。村上春树和瓦格纳19]探索GNSS跟踪验证改善的潜在的自我报告的数据。通过对比GNSS跟踪和旅行日记,他们发现,在一般情况下,自我报告的旅行距离超过那些从GNSS追踪观察。

虽然大多数研究认识到基于GNSS的方法理解人类的潜在旅游行为,它有它的局限性7,19]。这些都是很少或量化的方式进行详细论述。主要原因是普遍认为GNSS数据比自我更详细的见解,有更高的空间和时间分辨率,高潜力取代传统的数据收集方法,得出结论,从而更好的依据个体的旅游行为。此外,地面实况数据,可用于评估的质量基于GNSS见解很少收集。缺乏对原始传感器数据的数据质量和他们的错误传播的结果。这给了一个不完整的视图的信心水平的结果和结论。本文的目的是加深理解GNSS数据迁移研究提供系统的适用性和量化见解收集的数据代表性在描述个人的旅游行为。为此,我们将报告不同的基于GNSS的数据集,包括旅行由各种运输方式。对于这些数据集,我们提供广泛的数据收集过程的描述,以及旅行的相关背景,并报告他们如何捕获实际的旅游行为。描述实际的旅游行为,我们依靠独立的传感器收集的数据和/或基于GIS的验证过程。 By doing so, we hope to fill in some of the gaps recognized in the existing literature, raise the level of awareness about relevance of data quality reporting for GNSS based travel behaviour studies, and provide valuable reference for future research in this field.

2。方法和数据

本文的实证分析人群采购收集的数据从四个不同的活动,在佛兰德斯,比利时(图1)。活动在不同的地区和欧洲项目的一部分,每一个与特定的目的,进一步描述的部分2.3。一个公分母所有项目的数据收集方法。这个数据收集方法涉及一个智能手机应用程序用于收集,以及其他信息,从参与者GNSS痕迹。

本研究的目标人群是一个通用的人口和重点是可持续机动性和传输模式,人们使用和其他日常通勤旅行。此外,在行程段聚合级别,行程段轨迹中,是使用一个传输模式(20.]。因此,一个多通道的旅行可能包含多个部分,每个乘坐不同的交通模式。研究区域和目标人群的特点如表所示1。

报道的描述模式从参与者描述了表2。在这种运输模式分类、乘客和司机使用相同的传输模式(如汽车),但不同的角色(即。,一个是驾驶车辆和一个不是)。

2.1。代表性的数据

为了有一组代表性的流动人口行为数据的整个弗兰德斯(图1),这是没有偏见(即一个传输模式。,only trips performed with a one specific transport mode), data from four campaigns are combined all together to create a more diverse dataset.

由此产生的数据集是一次模态分裂(图2和表3),类似于旅游行为研究的流动性和公共工程(弗拉芒政府)。佛兰德的研究始于1994年,在荷兰被称为Onderzoek Verplaatsingsgedrag (OVG),即“旅游行为调查。“研究了家庭和个人的流动特点和侧重于流动行为的佛兰德21]。OVG 4.5是最后一版的研究,它涵盖了从2012年9月到2013年9月(22]。因此,我们与我们的数据集OVG 4.5,除了乘客和自行车模式,其他模式与官方结果是一致的。这两种模式的差异可以解释为OVG数据计算的方式。数据是基于主要的运输模式;因此不考虑并发的模式(例如,工作可能涉及模式如自行车,火车,和脚,尽管只有火车可能报告为主要模式)。然而,我们的数据捕获所有的模式出现在佛兰德地区的官方结果,而且,更重要的是,它与另一项研究报告类似的平均旅行距离在该地区(23),乘客和自行车模式17日报道,4公里,分别在我们的数据集模式21和5公里。考虑这一点,结合数据集从所有四个项目被视为良好的整体人口流动行为表示。

2.2。移动应用程序

数据收集活动通过两个安卓智能手机应用程序连接(24),Routecoach(25),这是在比利时根特大学开发的。移动应用程序的一部分,一个智能城市平台支持更可持续的移动行为(26]。连接是一个移动应用程序收集流动行为数据。它有两个操作方式收集数据:主动和被动模式。主动模式需要用户的干预注释行程段等信息的目的,运输模式,和开始/结束的旅行(图3(一个)),而在被动模式下,数据被收集在后台不需要用户的任何行动。虽然测井资料,行程段自动检测是基于待点(区域没有运动)和传输模式进行分类使用传感器数据(GNSS和加速计传感器);然而,旅行目的不是推断,但用户可以注释他们的行程。在主动模式或被动模式下,用户可以查看自己的旅行日记(图3 (b))和正确是否需要它(例如,添加一个旅行目的)。默认情况下,连接是在被动模式切换到主动模式却手动开始旅行时,启动应用程序,这意味着填写数据,按下播放按钮。因此,没有视觉的变化图形用户界面(GUI)主动或被动模式。

这个应用程序的另一个特点是,它发送调查问卷测试用户;这样的问卷是基于事件触发的使用某些传输模式(27]。例如,驾驶行为问题(频率、事故和交通)可以触发验证后一定数量的汽车旅行模式,但这些问题并不是要求nonfrequent汽车用户可能在/高估某些情况下;使用调查问卷的另一个例子是收集用户的人口统计信息,在这种情况下,一个调查启动一旦开始运动。问卷调查是可配置的,其内容是在函数的迁移运动(即。被捕获,类型的行为)。一旦用户填写的调查,它不再是触发。除此之外,连接建立在严格的隐私准则;因此,不需要注册使用该应用程序。

第二个应用程序,Routecoach与股票类似的特性连接,但它增加了路线指导和游戏功能。这个应用程序的主要目标是提供一双定义起点/终点之间的路由信息(图3 (c))。要做到这一点,Routecoach倍数来源获取路由信息(例如,国家铁路公司和公共交通公司)安排和路线,结合其他的运输方式(步行,骑自行车,汽车)提出一套可行的路线。此外,游戏的特征是用于奖励活动最活跃的用户和积极鼓励其他人参与,例如,领导董事会大多数骑自行车公里(图3 (d))和可持续性的挑战,朋友可以互相挑战多公里行走在一个星期。更详细的描述应用程序和活动中可以找到27,28]。

值得一提的是,一个活跃的模式比被动收集更精确和注释的数据模式,然而,用户可能省略短途旅行(ATM、邮局和面包店)[29日]。相比之下,更多的数据被收集在被动模式,但这些数据需要处理链(过滤、分割的兴趣点匹配,活动,和模式检测)是有用的(30.]。前面提到的移动应用程序处理的采样频率为1赫兹在主动模式和可变频率在被动模式下增加设备的电池的时间跨度;这样的频率取决于电池水平(高电池级采样频率高于低水平)。

2.3。活动

三个项目用的移动应用程序连接在他们的活动。数据收集的目的,连接是安装在参与者之间共享的一套智能手机转变期(2 - 3周)。作为活动的一部分,参与者被要求报告他们的活动在活跃模式下使用应用程序。下面是一个简短的描述项目:(我)多通道电迁移通勤和商务旅行(艾尔摩)调查是否电动自行车,可能结合其他类型的持久流动(典型的公共交通、出租车),可能是一个有价值的选择与工作相关的旅行,比如上下班和商务旅行31日]。(2)电动汽车在行动(EVA)是一个大规模的生活实验室平台与各种类型的电动汽车,充电基础设施,和数据记录器。这个平台的目的是检查公共充电站的地理位置是最适合27]。该项目也旨在评估电动汽车对用户行为的影响,为进一步支持的定义标准,建议,场景,为电动汽车的可持续部署路线图。(3)奥林巴斯关注网络移动性,针对共享迁移之间的集成(汽车共享,拼车,自行车共享)和私人和公共运输。它工作在不同级别的集成:最终用户、流动性提供者和支持服务(例如,电动汽车充电设施)。活动开始于四个比利时城市(安特卫普,根特、特和鲁汶)。在这些城市和他们站、电气共享汽车和自行车共享可用;因此,用户还可以选择电动变体(32]。

另一方面,Routecoach应用程序是一个可持续的迁移活动的一部分在弗兰德布拉班特省。应用程序是免费下载和数据收集的大部分处于被动模式。(iv)活动的主要目的是开发一个评估和规划工具移动项目规划者(这是可转让的,可采用33]。数据收集过程持续了从1月到2015年4月。总共8303个用户积极参与通过下载免费的应用程序和收集的数据超过30000次,虽然,在这项研究中,我们只考虑了用户手动报道他们的活动(380用户)。

摘要介绍了收集到的数据的表4;一些常见的特性在整个数据集允许我们合并成一个,例如,设置为1 Hz的采样率时应用程序在主动模式(即工作。,用户手动报告开始/停止旅行)。此外,这种模式记录一个时间戳后用户的行动即使GNSS位置是不固定的。

数据集(iv)包含数据从应用程序的测试周期还postcampaign阶段;因此它包括更长一段比官方活动,尽管所有的数据收集在被动模式下(背景数据收集)过滤掉,因为采样频率不固定;因此理论位置的数量估计可能产生不正确的结果。

2.4。数据质量

本研究着重于数据质量的完整性方面。因此,测量(GNSS位置)聚合为一次段的水平。特性,比如收集地点,预计地点,时间先修复(TTFF),和失踪地点从旅行中提取部分(表5)。

2.4.1。失踪的地点

考虑一个失踪的位置作为一个失败事件的GNSS设备修复,所以这样的事件发生在一次。因此,旅行部分可能包括空白(失踪地点)的位置点不是决定性的。我们代表一次段作为一个连续的位置点与注释。当段旅行在主动模式,它包括用户的注释,如目的、运输模式,和开始/结束时间。开始/结束时间,这些时间注释从收集到的地点是独立的,因为他们被记录后按播放/停止按钮在应用程序(数据3(一个)和3 (c))。因此,位置点可能出现或者不出现在一段旅行,尤其是一开始,第一个位置可以得到了一段时间后(图4)。相反,当一段旅行收集在被动模式下,启动时间匹配第一个位置的时间戳,以及时间戳,结束时间,最后一个位置,因为在被动模式下,这些标签是推断由应用程序使用的时间戳的位置。然而,位置点可能是第一个和最后一个位置点之间不存在由于众所周知的GNSS技术的问题。

冷/热启动等问题和信号接收可能最终在缺失数据段旅行;因此产生的部分可能包括途中的差距。区别之间的差距,失踪地点初的旅行,第一位置,之前的差距与冷/热启动的GNSS设备,这是GNSS设备需要的时间获得一段时间的不活动后的第一个位置。这个问题经常发现在缺失数据的开始旅行,尤其是当一个设备仍长时间(34,35]。相比之下,缺口后第一个位置点与信号接收信号丢失等问题(36)(例如,地下旅行、桥梁、隧道)和多路径误差又名城市峡谷漂流错误(37,38]。

让是旅行部分由元组表示 ,在那里是一个列表的位置点 这样是一个位置点和一个时间戳,列出用户的注释吗 与 ,开始段的起始时间,结束的停车时间,模式是交通,目的这次旅行的目的,是一个独特的标识符的段。我们评估的质量GNSS数据使用下面的公式: 在哪里和函数来计算位置的数量吗并从一个位置点提取时间戳。采样率1赫兹,在主动模式,理论GNSS的分店数量等于段持续时间以秒为单位(即。,区别结束和开始倍);因此失踪地点的比例等于收集地点的数量除以理论的(见(1))。缺失的数据与时间的比例首次修复之间的时差是第一位置的时间戳和段起始时间的理论位置(见(2))。失踪的地点在一个旅行的比例部分的区别是失踪的地点和时间首先修复(见(3))。收集位置的比例等于丢失的位置相对于单元(见(4))

2.4.2。土地使用

土地利用在这项研究中起着重要的作用;它提供了一个额外的角度分析GNSS数据质量及其关系的地方收集数据;例如,大型结构广泛存在在城市地区可能影响信号接收不同的相比,在农村地区,这样的结构几乎不存在。因此,一段分为农村或城市取决于它的起源。

段起源包含相关信息来评估缺失的位置由于冷/热启动效应。自从第一次修复发生在的开头段(图4),行政区域的部分开始用于分类到农村或城市。因此,从行政区域在比利时OpenStreetMap贡献者(OSM)。OSM地理空间矢量数据是一个开放的平台,它通常被认为是完整的和适合规划研究相比其他商业同行(39]。

使用地理信息系统,我们确定一段谎言在农村或城市区域(20.),空间操作(拦截)和行政区域之间的部分,结果在标签领域基于土地使用。土地利用份额如图5旅行,那里有段从农村开始。

3所示。结果与讨论

在本文中,我们目前只有结果通过智能手机和收集的GNSS痕迹不我们的分析集中在任何其他类型的数据收集活动。

通过对比收集GNSS位置和数量的理论位置,我们计算了缺失数据每趟和传输模式(图6)。另外,我们观察到火车模式包含缺失数据的比例最高,收集不到50%的数据。对我们理解,一个教练让不利的条件接收的信号,因为它密集的底盘,如乘客乘坐双层火车和地下的低水平轨迹(40]。此外,地下平台和覆盖铁路站可能会影响第一修复。

公共交通,有轨电车模式表现略优于火车模式,收集数据的略高于50%。两种运输方式共同的东西会引起信号的损失,如密集的底盘,高电压高于他们,覆盖站(41]。相反,公共汽车收集72.4%的数据(图模式6),一个臭名昭著的改进在有轨电车,但也许不够好对于某些应用程序。

行人是下一个经历的问题收集数据;26.8%的数据是错过了步行模式。这可以解释为用户的行为达到一定的目的地。例如,建筑以避免雨水和阳光下散步,走了捷径在狭窄的走廊,和小停在商店或覆盖区域。

汽车司机和乘客模式,执行好和收集数据的90%左右。然而,我们将很难看到不同,提供的相同类型的车辆。但事实证明,汽车乘客报告数据略低于汽车司机,分别为88.3%和91.8。差异可以在与设备的交互,因为汽车司机必须集中在路上而不是操纵智能手机,而旅客免费与智能手机交互方式长。这些结果与之前的研究(42),数据质量评估使用GNSS伐木工。提到的研究报道9%的汽车丢失的数据模式。这一数字与我们的研究结果,8.2%的数据不被智能手机。

另一个有趣的观察是两轮车辆,自行车和摩托,那份报告分别为82%和92%。似乎道路限制推动脚踏车骑士共享相同的基础设施,比如汽车,有一个清晰可见的卫星大部分时间,因此收集相似比例的数据。相反,自行车模式利用其他道路设施(公路自行车道和自行车)几乎没有限制(自行车可以骑步行路径或行人一样快捷方式)。因此,它面临着类似的问题收集数据像行人。

3.1。时间先解决

考虑时间首次修复缺失的数据(图的一部分7),我们计算它使用旅行开始时间和时间戳的GNSS的位置。事实证明,它遵循相同的趋势模式除了步行模式,我们观察到整个数据收集的斗争不仅在这种模式下(缺失数据的26.8%)也第一个解决表示7.2%的旅行。

火车和电车都错过了超过10%的数据之前首先解决。初的旅行有差异导致旅行报告问题,真理的来源可能是旅行的第一个位置点,因此漏报旅行距离,虽然差距在一段可以纠正使用GIS工具和匹配技术。这些技术使位置点与道路网和插入失踪地点,产生一个好的旅行距离的估计。

另外,我们注意到,在汽车旅行作为一个乘客在旅行时丢失的数据生成超过一辆车司机,因为开始时丢失的数据非常接近,2.3%和2.7%的汽车和乘客模式,分别为;我们可以告诉其区别在与设备交互。

3.2。土地利用的影响

缺失的数据进一步分析,我们认为土地利用因素可能影响GNSS信号的接收。我们依靠提供的信息OSM提取行政区域;因此旅行片段被归类为农村和城市这取决于旅行的起源。结果如图8旅行中,模态分裂数是城乡提供。

结果在图9预计为农村和城市地区;也就是说,城市比农村地区的影响。然而,对有轨电车的影响模式似乎是一样的在这两个方面,尤其是第一修复时间,我们注意到类似的数据缺失的数据,对农村和城市的10.8%和10.7%。因此,它可能是,基础设施是相似的;除了公共交通像有轨电车在农村并不受欢迎,这证明,这些旅行从周围的城市地区。

考虑到实验的设置,采样频率是1赫兹,我们可以估计的平均延迟第一修复。因此,我们计算每个模式,结合它的平均旅行时间的百分比缺失的数据由于时间先修复(表6和图10),这是一个冷/热启动问题的平均估计智能手机。

指出过,土地使用展品不影响电模式首先修复;在这两个方面,它报告类似的数据。相比之下,moto等模式,乘客,自行车,公共汽车时增加了双重的相比,这些都是农村地区(图10)。

作为一个整体的结果,报告的智能手机84%的GNSS数据;16%的数据是错过了(图11)。丢失的数据分割在4%的和12%的冷/热启动问题是错过了旅行段内(在第一个位置点和旅行的结束),可以与信号接收问题。

4所示。结论

本文结果从四个活动结合在一起,在流动行为的质量数据分析,更准确地说,数据的完整性方面。这些结果可以用来作为参考电流和期货流动研究,使用智能手机作为一个收集工具,这些数据缺失的数据可以给旅行的时间和距离测量多种运输方式为背景。此外,研究结果可以帮助建立参数对智能手机应用程序和评估影响的报告。

乘火车旅行最影响GNSS信号的智能手机。然而,它可能不是难以克服缺乏数据,因为这交通意味着遵循一个解决途径和时间表。因此,GNSS痕迹可以与铁路,甚至可以推断dummy-locations来填补空白。它将需要额外的步骤处理链(匹配和插值)处理,从而导致其他类型的错误(oversegmentation和误导性的轨迹)。

事实证明,人在类似的汽车旅行可以产生不同的结果基于车辆中的角色。例如,一个人在车里可以乘客或司机,司机报道缺失的数据小于乘客。我们已经看到,收集相关的问题不是第一次修复访问期间,导致这样的结论:human-device交互(角和位置),收集数据对数据收集的质量产生影响。

最后,我们的发现与之前的研究显示一致性(42),一个司机模式报告可比数据缺失的数据(9%)。然而,研究利用GNSS伐木工人安装在一辆车,而不是智能手机,GNSS伐木工的地方主要是影响冷/热启动,因为长时间的关闭(例如,一辆汽车在一个停车场)。相比之下,智能手机更有可能工作一整天,此外,用户可能会收集GNSS位置通过任何其他移动应用程序安装在他们的设备上,提供一个快速响应第一次修正。

信息披露

成立赞助商没有参与这项研究的设计;在收集、分析或解释数据;写的手稿;并决定发表的结果。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由INTERREG西北欧项目新的集成智能运输选项(NISTO),弗拉芒政府机构创新科技、和佛兰德研究所流动性。

引用

1. Bricka和c . r . Bhat”,以gps和旅游调查数据的比较分析,“交通研究记录1972年文章ID 9-20, 2006页。视图:谷歌学术搜索
2. j·沃尔夫,m·奥利维拉和m·汤普森“漏报对里程和旅行时间估计的影响:来自全球定位system-enhanced家庭旅游的调查,“交通研究记录,卷1854,不。3、189 - 198年,2003页。视图:谷歌学术搜索
3. s . g . Bricka森,r . Paleti和c r . Bhat”影响因素差异的分析报告显示,GPS-recorded旅行,”交通研究部分C:新兴技术,21卷,不。1,第88 - 67页,2012。视图:出版商的网站|谷歌学术搜索
4. c .腐肉和d·莱文森,”行程时间可靠性的价值:回顾当前的证据,”交通研究部分:政策和实践,46卷,不。4、720 - 741年,2012页。视图:出版商的网站|谷歌学术搜索
5. j·贝茨,j .波兰人、p·琼斯和a·库克,“个人旅行,估值的可靠性”运输研究E部分:物流和运输审查,37卷,不。2 - 3、191 - 229年,2001页。视图:出版商的网站|谷歌学术搜索
6. 即Semanjski s乔达摩,“传感智能城市的移动性管理、人类活动”智能城市技术InTech,即n Da Silva, Ed的哲理,2016。视图:出版商的网站|谷歌学术搜索
7. j·杜和l . Aultman-Hall”提高旅行速度信息的准确性从被动持续多日的GPS旅游数据集:自动行程结束识别问题,“交通研究部分:政策和实践第41卷。。3、220 - 232年,2007页。视图:出版商的网站|谷歌学术搜索
8. p•c•菲茨杰拉德,m .徐”评估的准确性悉尼家庭旅游与全球定位系统(GPS)的调查,“运输,34卷,不。6,723 - 741年,2007页。视图:出版商的网站|谷歌学术搜索
9. f . Witlox“评估报告的可靠性距离数据在城市旅游行为分析,“交通地理杂志,15卷,不。3、172 - 183年,2007页。视图:出版商的网站|谷歌学术搜索
10. 问:江、f . Kresin a . k . Bregt et al .,“公民为改善城市环境监测传感,”杂志上的传感器卷,2016篇文章ID 5656245, 2016。视图:出版商的网站|谷歌学术搜索
11. w . Bohte和k .真理正义之神”,推导和验证旅行目的和旅游模式持续多日的gps旅游调查:一个大型的应用程序在荷兰,”交通研究部分C:新兴技术,17卷,不。3、285 - 297年,2009页。视图:出版商的网站|谷歌学术搜索
12. y郑,l . Liu l . Wang和x谢,“学习运输方式从原始GPS数据地理应用程序在网络上,“在学报》第17届国际会议上万维网(WWW ' 08)美国,纽约,纽约,2008年4月。视图:谷歌学术搜索
13. 肖y y . Liu f . Wang,美国高,“城市土地使用和交通的源库区域:证据从gps出租车数据在上海,“景观和城市规划,卷106,不。1,第87 - 73页,2012。视图:出版商的网站|谷歌学术搜索
14. g .锅气,z, d,和美国,“土地利用分类使用出租车GPS追踪,”IEEE智能交通系统,14卷,不。1,第123 - 113页,2013。视图:出版商的网站|谷歌学术搜索
15. d .郭x朱,h·金,p .高,和c哪,”叫做流动数据,发现空间模式”在GIS的事务,16卷,不。3、411 - 429年,2012页。视图:出版商的网站|谷歌学术搜索
16. j .罩、e·萨尔和查尔顿,“基于gps的自行车路线选择模型,旧金山,加利福尼亚,”交通信,3卷,不。1,第75 - 63页,2011。视图:出版商的网站|谷歌学术搜索
17. m·j·邓肯h . m .荒原,w . k .哑剧”应用GPS提高运输相关的身体活动的理解,“在体育科学和医学杂志》上,12卷,不。5,549 - 556年,2009页。视图:出版商的网站|谷歌学术搜索
18. s Mavoa m·奥利弗·k·威滕,h . m .荒原”连接GPS使用序列比对和旅行的日记数据在孩子的独立移动的一项研究中,“国际健康地理杂志》上,10卷,货号。64年,2011年。视图:出版商的网站|谷歌学术搜索
19. 大肠村上和d·p·瓦格纳”可以使用全球定位系统(GPS)提高旅行报告?”交通研究部分C:新兴技术,7卷,不。2 - 3、149 - 165年,1999页。视图:出版商的网站|谷歌学术搜索
20. p•e . Clifford j·张,c·菲茨杰拉德从GPS数据推导模式和目的奥地利的工作报告主要在运输和物流中心,运输和物流研究所,悉尼大学,悉尼,澳大利亚,2008年。
21. OVG”,佛兰德旅游调查,“流动性和公共工程,2013年,可用:http://www.mobielvlaanderen.be/ovg/。视图:谷歌学术搜索
22. OVG OVG弗兰德斯4.5:旅游调查,2014年。
23. l . h .总是和j·e . Stada运输系统,2004年。
24. 移动。,“Connect mobile application,” Ghent University. Google Play store, 2013, Available:https://play.google.com/store/apps/details?id=com.move.tripdiary。视图:谷歌学术搜索
25. 动,“Routecoach移动应用程序”,根特大学。谷歌商店,2015年,可用:https://play.google.com/store/apps/details?id=com.move.routecoach。视图:谷歌学术搜索
26. a·j·洛佩兹,Semanjski, j . De摩尔·d·吉利斯r .犬吠和乔达摩,“智能城市的发展平台作为支持工具更可持续的移动行为,”严重的健康游戏和应用程序的会议32卷,2015。视图:谷歌学术搜索
27. s . Vlassenroot d·吉利斯r .犬吠,s .乔达摩”的使用智能手机应用在旅游行为数据的收集,”智能交通系统研究的国际期刊,13卷,不。1,17-27,2015页。视图:出版商的网站|谷歌学术搜索
28. Semanjski, a·j·l·Aguirre j . De摩尔和s .乔达摩”政策2.0平台移动传感和鼓励有针对性的流动行为的转变,“传感器(瑞士),16卷,不。7,货号。1035年,2016年。视图:出版商的网站|谷歌学术搜索
29. d·p·瓦格纳,“列克星敦地区旅游数据收集测试:GPS为个人旅游调查,“最终报告,Highw。政策正。。抛光工艺。达成。美联储,Highw。海军上将巴特尔透明。哥伦布Div。,1997年。视图:谷歌学术搜索
30. j .狼博士d . r . Guensler,使用GPS数据记录器来取代旅游日记旅游数据的收集,乔治亚理工学院,2000。
31. VIM,“多通道电移动通勤和商务旅行,”弗兰德斯研究所流动性,2015年,可用:http://www.vim.be/projects/elmowork。视图:谷歌学术搜索
32. 奥林匹斯山,”联网的移动解决方案,2015年,“可用:http://www.olympus-mobility.com。视图:出版商的网站|谷歌学术搜索
33. Nisto”,新的综合智能交通选项,“2015年,可用:http://www.nisto-project.eu。视图:谷歌学术搜索
34. p•问:江和c·菲茨杰拉德,“从旅游调查处理gps数据,”在第二届国际colloqium综合土地利用和交通的行为基础模型:框架、模型和应用程序,2005年。视图:谷歌学术搜索
35. n Schuessler和k . Axhausen”处理原始数据来自全球定位系统没有额外的信息,“交通研究记录,没有。2105年,几个,2009页。视图:出版商的网站|谷歌学术搜索
36. g . Draijer: Kalfs, j . Perdok“全球定位系统作为旅游研究的数据收集方法,”交通研究记录:《交通研究委员会卷,1719年,第153 - 147页,2000年。视图:出版商的网站|谷歌学术搜索
37. n Schuessler和k . Axhausen”确定行程和活动及其特点从GPS原始数据没有进一步的信息,”学报》第八届国际会议在交通调查方法2008年5月,法国安纳西。视图:谷歌学术搜索
38. j . 6 r . Guensler j .媚眼,“平滑方法来减少全球定位系统随机误差对旅游的影响距离,速度和加速度剖面估计,“交通研究记录:《交通研究委员会卷,1972年,第150 - 141页,2006年。视图:出版商的网站|谷歌学术搜索
39. h·h·Hochmair d Zielstra, p . nei”自行车路线和车道功能的完整性评估公开对美国而言,“在GIS的事务,19卷,不。1,第81 - 63页,2015。视图:出版商的网站|谷歌学术搜索
40. 伯和j . a . Delgado-Penin”的使用GPS接收器在铁路环境中,“IEEE车辆技术,53卷,不。5,1452 - 1460年,2004页。视图:出版商的网站|谷歌学术搜索
41. r . Mazl和l . Přeučil”的惯性导航传感器数据融合列车GPS-dark地区”第四学报2003年IEEE智能车辆研讨会,2003美国,页345 - 350年,2003年6月。视图:出版商的网站|谷歌学术搜索
42. d·a·洛佩兹Semanjski, d .吉利斯奥乔亚,和美国乔达摩,“以gps往返旅行距离估计:汽车用例,”第五届国际会议上数据分析学报》上2016年,页87 - 92,数据分析。视图:出版商的网站|谷歌学术搜索

版权

版权©2017天使j·洛佩兹等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。