Wi-CL: Low-Cost WiFi-Based Detection System for Nonmotorized Traffic Travel Mode Classification
Notice bibliographique
Résumé
Traffic travel mode identification and classification are crucial for the development of intelligent transportation systems (ITSs). At present, scholars have investigated the classification of motorized and nonmotorized traffic travel in various road environments; however, the classification of walking and bicycle modes in nonmotorized travel has been largely ignored. Therefore, in this paper, we investigate nonmotorized traffic travel and propose a new low-cost nonmotorized traffic travel mode classification system, known as the Wi-Fi classification (Wi-CL) system that uses Wi-Fi signal detectors and the refined characteristics of nonmotorized travel modes. The Wi-CL system includes four modules: data acquisition module, data processing module, feature extraction module, and mode classification module. In the data acquisition module, the proposed system detects the Wi-Fi signals of traffic participants in road environments. In addition, we propose a received signal strength indicator (RSSI) filtering algorithm for hybrid traffic networks that effectively addresses surrounding obstacles and environmental noise. In the feature extraction module, we extract relevant traffic features to construct a mode classification model. Finally, a recurrent neural network (RNN) framework based on the long short-term memory (LSTM) algorithm is successfully implemented in the mode classification module for traffic travel mode identification. To validate the effectiveness of the Wi-CL system, extensive experiments were conducted using field data collected by Wi-Fi detectors installed at the South China University of Technology (SCUT). The experimental results show that the proposed RSSI filtering algorithm achieves excellent signal filtering results in real road traffic environments. In addition, the constructed travel speed estimation algorithm outperforms other baseline models in four different scenarios (flat-peak walking, midday peak walking, flat-peak cycling, and midday peak cycling), achieving an overall classification accuracy of 97.92%. In summary, our Wi-CL system is a feasible approach for nonmotorized traffic travel mode classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».