Este proyecto tiene como objetivo mejorar la aplicación para Android llamada MobilitApp (http://mobilitat.upc.edu) que consiste en el análisis de la movilidad de la ciudadanía de Barcelona. Hemos diseñado nuestro propio sistema al cual le hemos eliminado el uso abusivo del GPS para ahorrar energía del dispositivo y las APIs de detección del modo de transporte que tienen un uso limitado para el usuario. Hemos estudiado dos métodos de detección y utilizamos únicamente los sensores de los smartphones. Detectamos diversos modos de actividad y transporte del usuario tales como estático, a pie, corriendo, en bicicleta, en coche, en autobús, en tranvía y en tren. Nuestra mejora ha consistido en grabar con una cámara de vídeo todas las actividades para tener registrado todo lo ocurrido en la actividad. En el primer método, construimos vectores característicos a través de la captura de los datos de los sensores del dispositivo y utilizamos estos datos en el aprendizaje automático. En el segundo método, experimentamos con redes neuronales para ver si el sistema es capaz de reconocer las características por si mismo si solo le proporcionamos datos de los sensores. También hemos analizado la posibilidad de hacer estos estudios sin la necesidad de capturar vídeos de la cámara y observar solo los datos proporcionados por los sensores de los dispositivos.

Aquest projecte té com a objectiu millorar l'aplicació per a Android anomenada MobilitApp (http://mobilitat.upc.edu) que consisteix en l'anàlisi de la mobilitat de la ciutadania de Barcelona. Hem dissenyat el nostre propi sistema, hem eliminat l'ús abusiu del GPS per estalviar bateria del dispositiu i les APIs de detecció del mode de transport que tenen un ús limitat per l'usuari. Hem estudiat dos mètodes de detecció i utilitzem només els sensors dels telèfons intel·ligents. Detectem diversos modes d'activitat i transport de l'usuari tal com estàtic, a peu, corrents, amb bicicleta, amb cotxe, amb autobús, amb tramvia i amb tren. La nostra millora ha consistit en enregistrar amb una càmera de vídeo totes les activitats per tenir registrat tot el que ha ocorregut a l'activitat. Al primer mètode, vàrem construir vectors característics a través de la captura de les dades dels sensors dels dispositius i utilitzem aquestes dades en l'aprenentatge automàtic. Al segon mètode, vàrem experimentar amb xarxes neuronals per observar si el sistema és capaç de reconèixer les característiques per si mateix si només li proporcionem les dades dels sensors. També hem analitzat la possibilitat de fer aquests estudis sense la necessitat d'enregistrar amb la càmera i observar només les dades proporcionades pels sensors dels dispositius.

This study aims to improve an existing mobile application MobilitApp (http://mobilitat.upc.edu) for citizen mobility analytics. By eliminating the use of APIs with limited user activity and transportation mode detection, and energy wasting GPS, we developed our own system, using two approaches and only embedded mobile device sensors. We captured various user activity and transportation modes such as stationary, walking, running, riding a bicycle, motorcycle, driving a car, taking a bus, tram and train. We recorded all activities with video camera to be aware when activity actually happened. At first approach, we build feature vectors through experimentation and then use this data in machine learning. In the second approach, we experimented with neural networks if they are capable recognizing features by them self, if we provide them only raw data from embedded mobile device sensors. We also do studies if controlled capturing data with camera is required or can be done without supervision on larger scale.