Resumen

El conocimiento de los patrones de movilidad de los conductores es útil para habilitar funcionalidades de vehículos inteligentes sensibles al contexto, como sugerencias de ruta, preacondicionamiento de la cabina y gestión de energía para vehículos eléctricos. Estos patrones suelen describirse en términos de los Puntos de Interés (PoIs) visitados por un individuo. Sin embargo, los métodos existentes de extracción de PoIs son de propósito general y suelen basarse en detectar períodos de baja movilidad, lo que significa que, al aplicarlos a datos de vehículos, a menudo extraen un gran número de PoIs falsos (por ejemplo, extracción incorrecta de PoIs debido a paradas en el tráfico), reduciendo su utilidad. Para reducir el número de PoIs falsos extraídos, proponemos utilizar características derivadas de señales de vehículos, como la marcha seleccionada y el estado de las puertas, para clasificar los PoIs candidatos y filtrar aquellos que son irrelevantes. En este documento, (i) presentamos la Extracción de PoIs de Vehículos basada en Actividad (AVPE), un método envolvente alrededor de los métodos existentes de extracción de PoIs, que utiliza una etapa de clasificación posterior al agrupamiento para filtrar los PoIs falsos, (ii) evaluamos los beneficios de AVPE en comparación con tres algoritmos de extracción de PoIs de propósito general de última generación, y (iii) demostramos la efectividad de AVPE cuando se aplica a datos de conducción del mundo real.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Conocimiento; Conductores; Pautas de movilidad; Funcionalidad de los vehículos; Puntos de interés; Métodos de extracción
• Keywords:Knowledge; Drivers; Mobility patterns; Vehicle functionality; Points of interest; Extraction methods