Resumen

Los teléfonos inteligentes se han utilizado para reconocer diferentes estados de transporte. Sin embargo, los estudios actuales se centran en la velocidad del objeto, que solo se basa en el sensor GPS en lugar de considerar otros sensores adecuados y factores de aplicación reales. En este estudio, proponemos un método novedoso que considera estos factores de manera integral para mejorar el reconocimiento del estado de transporte. Se utiliza la estructura de red neuronal Bi-LSTM profunda (memoria a corto y largo plazo bidireccional), el modelo de crowdsourcing y el sistema de aprendizaje profundo TensorFlow para clasificar los estados de transporte. Mientras tanto, los datos capturados por los sensores de acelerómetro y giroscopio del teléfono inteligente se utilizan para probar y ajustar el modelo de red neuronal Bi-LSTM profunda, facilitando la transferencia del modelo a teléfonos inteligentes y realizar un reconocimiento en tiempo real. Los resultados experimentales muestran que este estudio logra una clasificación de actividad de transporte con una precisión de hasta el 92,8%. El modelo de la red neuronal

• Materias:Redes Inalámbricas Teléfonos inteligentes Sistema de seguimiento Distribución de claves Enfoque estocástico
• Subjects:Wireless Networks Smart phones Tracking system Key distribution Stochastic approach
• Palabras claves:Teléfonos inteligentes; Estados de transporte; Sensores; Bi-LSTM profundo; Red neuronal; TensorFlow
• Keywords:Smartphones; Transportation states; Sensors; Deep Bi-LSTM; Neural network; TensorFlow