Mobility Crowdsourcing Toward Zero-Effort Carpooling on Individual Smartphone

8/18/2019 Mobility Crowdsourcing Toward Zero-Effort Carpooling on Individual Smartphone

1/15

Hindawi Publishing CorporationInternational Journal of Distributed SensorNetworks Volume 20!" #rti$le ID %&2'2" (pages http)**d+,doi,org*0,&&*20!*%&2'2

Artículo de investigación

Mobilidad Crowdsourcing: Hacia Carpoolingesfuerzo-cero en los smartphone.

Nianbo Liu,1 ong !eng,

"!eng #ang,

1$ang Liu,

1% &inchuan 'ang

1

1School of Computer Science and Engineering, University of Electronic Science andTechnology of China, North ianshe !oad, Chengdu "11#$1, China

%&unnan 'ey (a)oratory of Computer Technology Applications, 'unming University ofScience and Technology, 'unming "*+*++, China

Corresponden$e should be addressed to -ong .eng/

fbra1er%!,$om 3e$ei1ed ' No1ember 202/ #$$epted 22

Januar 20!

#$ademi$ 4ditor) 5ing 6iu

Copright 7 20! Nianbo 6iu et al, 8his is an open a$$ess arti$le distributed under the Creati1eCommons #ttribution 6i$ense" whi$h permits unrestri$ted use" distribution" and reprodu$tion in anmedium" pro1ided the original work is properl $ited,

In $urrent $arpooling sstems" dri1ers and passengers o9er and sear$h for their trips througha1ailable mediums" for e+ample" a$$essing $arpool website b smartphone" for :nding a possiblemat$h of the ;ourne,


2/15

2 International Journal of Distributed Sensor

,(ntroducci)n

Ho en dEa" el transporte rFpido fF$il ha sidouna parte esen$ial de la so$iedad moderna, 6os1ehE$ulos ofre$en la Ge+ibilidad la mo1ilidad$uando se trata de nuestro traba;o 1idapersonal" permiten una rFpida oportuna

entrega de mer$an$Eas" pero tambin puede$ausar atas$os de trF:$o" emisiones de $arbn"$ontamina$in" a$$identes" $uestiones de $risisenergti$a otros problemas" ine1itablemente,Por una parte" el transporte del 1ehE$ulodesempea un papel 1ital en la e$onomEamundial/ por lo tanto" $ualKuier me;ora en lae:$ien$ia rendirF grandes bene:$ios, Por otrolado" la e:$ien$ia del transporte 1ehE$ularseala $mo utili=amos los 1ehE$ulos "tambin" el grado de $aros $ostes so$iales,#unKue mu$has de las institu$iones" losre$ursos la in1estiga$in estFn dedi$ados ame;orar la e:$ien$ia del transporte" eldesperdi$io de $apa$idades de transportesigue siendo omnipresente en los a$tualestransportes 1ehi$ulares,

SegLn NH8S M del Departamento de 8ransporte estadounidense" la tasa deo$upa$in media de 1ia;es de 1ehE$ulopersonales es de ,% personas por milla del1ehE$ulo, Puesto Kue un 1ehE$ulo ordinario lle1aa & personas en o$upa$in llena %'O de la$apa$idad de transporte se desperdi$iadurante 1ia;es personales, 4n 4# solamenteesto impli$a 20Q millones de 1ehE$ulospersonales $ausa mu$ha prdida, De igual

modo" di$ha ine:$ien$ia se ha obser1adotambin en el nego$io del transporte$ommer$ial, 8a+is" $amionetas" $amiones otros 1ehE$ulos a menudo apuntan a una ba;ao$upa$in o utili=a$in o son a en o$asionesin$luso deso$upados,

4l Carpooling ?uso $ompartido del $o$he@pare$e un mtodo e:$a= para lograr eltransporte 1erde e:$iente, 6os $arpoolstradi$ionales son 1e$inos o $ompaeros detraba;o $on rutas similares" Kue se puedenponer en $onta$to fF$ilmente el uno $on el otropara un possible $arpooling, 6os $arpools

$asuales" $omo $arpools impro1isados entree+traos" pueden formar eKuipo en FreaspLbli$as $er$a de los $arriles HAV" pero esse1eramente limitado en $arreterasdesplegadas M2, 6as aso$ia$iones de$arpooling posteriors permiten Kue la gente$oin$ida $on sus respe$ti1os 1ia;es a tra1s deInternet" in$luso si son e+traos, 4n el$on$epto de RCarpooling dinFmi$o sepropone $ompartir el 1ia;e o$asional mu$hosin1estigadores tratan de lograr este ob;eti1o atra1s de sistemas diseados espe$ialmente,4n tal uso $ompartido de 1ehE$ulos"

$ondu$tores pasa;eros ofre$en bus$an sus1ia;es a tra1s de medios disponibles" pore;emplo" a$$eder a la


3/15

!la informa$in sobre todo 1ia;e demandado enlinea luego $ombina los 1ia;es $on el mismoorigen destino en 1ehE$ulos pLbli$os $on o$hoo $uatro asientos, Hartwig ut$hmann M&in1estigan los desafEos en $arpooling o$asional sugieren un sistema de empare;amiento de1ia;es ampliando los ser1i$ios del telfono$elular a$tuales, 6a $omunidad de

$ompartimiento

dinami$o de paseo lle1a a $abo un sistema de$arpooling sobre red de informa$in de trF:$opara Kue los usuarios puedan soli$itar losser1i$ios 1Ea Internet" terminal en 1ehE$ulo" PD#Us telfono m1il, 6ue Colorni Mdesarrollan un esKuema prF$ti$o para el$arpooling ?uso $ompartido de 1ehE$ulos@ enuna ni1ersidad" donde los usuarios soninformados inmediatamente en $aso de retrasoo $ambios 1Ea $orreo ele$trni$o o mensa;es

$ortos, 4n M'" Chen 3egan e+ploran la1iabilidad desafEos de sistemas $arpoolingbasados en


4/15

Q International Journal of Distributed Sensor

.riendspla$e


5/15

&posi$in del 1ehE$ulo en tiempo real" darrespuesta a una soli$itud de $arpooling depasa;eros luego reali=ar mat$hs de1ehi$uloes, Comparado $on ser1idores$arpooling anteriores" las ne$esidades delrastreo m1il a$ti1o son Kuitadas, Con lamo1ilidad $rowdsour$ing" 5obiCrowd redu$emu$hos gastos de $omuni$a$in entre elser1idor $ada 1ehE$ulo" adaptando laestima$ion de la posi$in en 1e= del rastreom1il, Sin embargo" la estima$ion no siemprees e+a$ta, #lgunos mtodos de $orregir

errores de la estima$ion se deberEan$onsiderar, #l prin$ipio" el smartphone deberEaen1iar un mensa;e para a$ti1ar su modelo tanpronto $omo des$ubre la $ondu$$in" Kuee1ita re$oger ob;eti1os del 1ehE$ulo falsos propor$iona el tiempo e+a$to de $ada$ondu$$in, #demFs" el smartphone deberEaestimar su posi$in en la $ondu$$in segLn sumodelo de mo1ilidad, -a Kue el ser1idor elsmartphone mantienen el mismo modelo" elsmartphone puede reporter una $orre$$iondelmensa;e si la 1erdadera posi$in es le;anadel 1alor estimado,

6os problemas men$ionados ponen en telade ;ui$io la forma de estimar la posi$in de un1ehE$ulo en mo1imiento $on pre$isin, 6a1alora$in e+a$ta reKuiere el modelo de

mo1ilidad e+a$to" el modelo de mo1ilidade+a$to reKuiere ubi$a$in e+a$ta trae$torias metodologEa de modelado apropiadas, SiKueremos re$ole$tar la ubi$a$in datos de latrae$toria en el uso diario del smartphone"tenemos Kue saber $uFles son los hFbitos de$ondu$$in" por e;emplo" las le$turas delsensor detalladas, #l mismo tiempo" tenemosKue prede$ir $ompletamente la $ondu$$ion, noslo la trae$toria" sino tambin la posi$in detiempo real, 4l resto de este estudio se supone$omo un paso ha$ia una $omprension mFsprofunda de estas $uestiones fundamentales,

$.%. Sensado de aneo. 4n nuestro esKuema5obiCrowd" la di:$ultad primero surge de $mode:nir la $ondu$$in $on un smartphone" pore;emplo" $on Ku tipo de $ara$terEsti$as

de las le$turas de los sensores se puede$onsiderar Kue un usuario estF $ondu$iendo unautom1il $on su smartphone, #lgunas obrasre$ientes M(B2 han adoptado el smartphonepara re$opilar anali=ar distintos hFbitos de$ondu$$in para propor$ionar seguridad de

$ondu$$in" las $uales demuestran laefe$ti1idad del re$ono$imiento de mane;o, 4l$omportamiento humano puede $onsiderarse$omo un $on;unto de e1entos de $ondu$$in tiempo" Kue Kue pueden ser dete$tados por lossensores de un smartphone en un 1ehE$ulo, Sinembargo" la e+$esi1a $lasi:$a$ion re$ono$imiento de $omportamiento no sonne$esarias para nuestro estudio, De he$ho" solonos $entraremos en la $ondu$$ion basi$arela$ionada $on la ubi$a$ion del tiempo delmo1imiento del 1ehi$ulo,

4n este estudio" adoptamos un mtodosimple para dete$tar la $ondu$$in mediante lamedi$in de la 1elo$idad del mo1imiento entredos e1entos a pie, Como se muestra en la

:gura !" una a$elera$in :rmada es mu fF$il deidenti:$ar en los patrones de $aminar humanosM22, 4sta :rma surge del rebote ha$ia aba;o ha$ia arriba del $uerpo humano mientras$amina puede ser usada para $ontar elnumero de pasos $aminados, Para una$ondu$$ion normal el usuario $aminara a unautomo1il en $ierto lugar" lo $ondu$ira ha$ia otro

sitio" detendrF el automo1il :nalmente$aminarF a su destino, #sE" podemos $apturardos paseos su$esi1os registrar la posi$in :nalde la primera $aminata la posi$in ini$ial de lasegunda $on las mar$as de tiempo" $omoYPosition" 8imeZ YPosition2" 8ime2Z"respe$ti1amente, Comparado $on $aminar"$ondu$ir no tiene $ara$terEsti$as ob1ias en lasle$turas de a$elera$in pero muestra una mualta 1elo$idad de mo1imiento" por e;emplo"grandes despla=amientos dentro de peKueointer1alo de tiempo, Despus de $al$ular ladistan$ia eu$lidiana entre las dos posi$iones"podemos a1eriguar la 1elo$idad de mo1imientodel usuario, Si la 1elo$idad no es inferior a !0km*h" se puede $onsiderar Kue el usuario tenEauna $ondu$$ion entre dos $omportamientos deandar, Por supuesto" este mtodo no puedeha$er distin$iones mu :nas entre $ondu$$in monta;e ?por e;emplo" tomar un autobLs" ta+i"metro o 1uelo@, Simplemente $onsideramos Kueun $ondu$tor Kue ofre$e $arpooling a menudo$ondu$e un $o$he propio los errores puedenser remo1idos en el modelo del historial de 1ia;ede trae$to largo en la siguiente subse$$ion,

$.$. 2rediccion de Trayectoria. #lgunosesKuemas de predi$$in de mo1ilidad" 5odelode 5o1ilidad WreedM2!" el mapa$orrespondiente al algoritmo M2Q intentanestable$er el modelo de mo1ilidad en la .iguraen un nodo indi1idual registrando trae$toriasespe$E:$as de nodos mediante datos WPS, Conel historial de la trae$toria" un 1ehE$ulo enmo1imiento puede $omparar su posi$in $onsus trae$torias anteriores a1eriguar la rutamFs posible,

Sin embargo" tales modelos tambin tienenalgLnos drawBba$k intrinse$os, 4n primer lugar"el $riterio del tiempo en el mo1imiento del

1ehE$ulo es $ompletamente des$uidado, Si un$ondu$tor $omien=a su $o$he en $asa en dia porla maana" es mas probable Kue 1aa en $o$heal lugar de traba;o, Si el $ondu$tor ha$e lo mismoen por la tarde" la probabilidad de Kue 1aa allugar de traba;o es mu es$asa, -a Kue elhistorial de 1ia;e es simpli:$ado al historial de latrae$toria" las $ara$terEsti$as temporales delmo1imiento del 1ehE$ulo son ine1itablementeperdidas, 4n segundo lugar" las trae$toriastraslapadas pueden $ausar errores de lapredi$$in, Si un 1ehE$ulo se mue1e al Lni$o$amino a $asa del $ondu$tor" la ruta estF $lara, Si

el $amino lle1a a su $asa tienda fa1orita" lapredi$$in del destino por la ruta simple es$uestionable, .inalmente" los ar$hi1os de la


6/15

% International Journal of Distributed Sensor trae$toria tienen una pesada $arga enpro$esamiento de la informa$in alma$enamiento" sobre todo aKuellos dedistan$ias largas o 1ia;es infre$uentes, 6arenun$ia a estos ar$hi1os puede $ausarpredi$$iones falsas"mientras Kue el $uidado de ellos e+$ederF la$apa$idad del smartphone, Por lo tanto"

ne$esitamos un nue1o modelo de mo1ilidadpara prede$ir el mo1imiento del 1ehE$ulo" Kuedebe ser de espa$io temporal en$ara$terEsti$as de mo1ilidad" en la predi$$indel destino ligero en el tamao de los datos,#KuE e+pli$amos la idea del historial de 1ia;epor dar un e;emplo simple, 4n la :gura !" unaserie de 1ia;es reali=ados por el $ondu$torpuede $onser1arse $omo registros en la tabla" en el Kue estFn representadas las$ara$terEsti$as temporales espa$iales mFs$on$isas de los 1ia;es,

?@Condu$ir desde $asa al lugar de traba;o a las')Q0" en Viernes,

?2@Condu$ir del lugar de traba;o a $asa a las)!&" en Viernes,

?!@Condu$ir desde $asa a los deportes a lasQ)0&" en Sabado" en1iar a su esposa ala primera tienda en el $amino,

?Q@Condu$ir desde los deportes ha$ia la $asa deun amigo a las ')&&" en Sabado,

6as lo$ali=a$iones RCasa" R6ugar de 8raba;o" R6ugar de nego$ios" RPrimer tienda"RSegunda tienda" RDeportes" Rlugar de losamigos no son posi$iones e+a$tas del WPS"sino regions asperas en su geografEa, PuestoKue el $ondu$tor puede no tener un espa$ioespe$ial para esta$ionamiento en estos lugaresde 1isitas fre$uentes "lugares deesta$ionamiento $er$anos dentro de un $iertoal$an$e" por e;emplo" dentro de &00m pueden$onsiderarse $omo la misma ubi$a$in del

apar$amiento de un lugar dado,


7/15

[ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [6o$ation" time

0

%0

Displa$ementand

6o$ation2" time2

speed measurement

&0

Q0

!02V0 2 22 2! 2Q 2& 2% 2 2'

2(

8ime ?s@

#$$elerometer reading

[ Step $ount

?a@


8/15

where _ is the total number of the

rest of theafter remo1ing the infeasible ones,

8hen" it $an :nd a donde _ es el

numero total de el resto de 1ia;es despues deeliminar aKuellos Kue no son 1iables, 4nton$espuede en$ontrar una nue1a predi$$in dedestino $on mF+ima probabilidad , Por lotanto" nuestro modelo puede prede$ir latrae$toria de $ondu$$in segLn los datos delhistorial de 1ia;e del usuario,

"

?@

$.* Estimacion de 2osicion. Cono$er una

trae$toria de $ondu$$ion aun es le;ano parael $arpooling o$$asional"


9/15

8able ) 8rip histor0 re$ord,

Da 8ime Sour$e 5idwa point

Destination

4l modelo de 5arko1 lle1a una manera deha$er la tarea de estima$ion de la posi$inbasada en las trae$torias $ono$ida, 4l primermodelo de 5arko1 es P ?[ Δ i@ para lossegmentos de trae$toria solo dependen de

Q Sat, ̂' Sports .riendshome

?` i@)

PM ?`ti@ b ?` i" ?` i2@ c c c@N

d PM ?` i@ b ?` i@N ,

?!@

8able 2) Colle$ted trips in tra1el sur1e,

Car ]' week ( week 8otal #1erage # && V

V2 2,!

2Q 2( 2Q! !,'%C %( ' 'V 2,(D '0 2& 20& !,2&4 20 & !& 2,Q

Para la posi$ion e+a$ta de el 1ehi$ulo esne$esario un mat$h ?empare;amiento@ 1ehi$uloa pasa;ero en tiempo real,

Para prede$ir la posi$in de un 1ehE$ulobasado en la trae$toria de $ondu$$ion"podemos eliminar fF$ilmente la inGuen$ia de laruta ambigua anterior, #sE" modelamos lase$uen$ia de las posi$iones del 1ehE$ulo en unatrae$toria espe$E:$a $omo ? @" $on trepresentando la mar$a de tiempo Kue registrala dura$in del tiempo de trae$toria de$ondu$$in del 1ehE$ulo para ser $al$uladaini$ialmente, 4s de$ir" el modelo ideal es lo uni$oKue debemos tener para obtener la mar$a de

tiempo para a1eriguar la posi$ion del 1ehi$ulo en latrae$toria - algunas posi$iones en latrae$toria son mu diferentes ha$en Kue el1ehE$ulo haga una 1uelta en estos sitios" luegodenotamos estos lugares $omo punto dereferen$ia, Simplemente denotamos lasposi$ioes de los 1ehi$ulos $omo, , , " ?a!@" ?a@" ?!@" ?V@" , , donde ?!@ es un puntode referen$ia a tra1es del $ual el 1ehi$ulo fuesuperado en tres unidades de tiempo, ?!@ ?V@ son los puntos de referen$ia en los $ualesel 1ehi$ulo 1a a os$ilar entre tres sieteunidades de tiempo, 4l tiempo entre ? @ ? [@ esta de:nido $omo una unidad de tiempo,4sto signi:$a Kue la unidad de tiempo es una$onstant no se 1e afe$tada por las $ondi$ionesdel $amino o de tiempo, 4n $onse$uen$ia" lalongitude entre $ada dos puntos de referen$ia esdiferente toma diferentes numeros de unidadesde tiempo para mo1erse a tra1es de ellas, 4n

$ualKuier momento" $uando el 1ehE$ulo 1irabrus$amente" esta posi$in se ha$e ?@,Cono$iendo la trae$toria de mane;o" la $adenade puntos de referen$ia se presenta $laramenteen ella es pre1isible al$an=arla en $ierto tiempo,Por tanto naturalmente se $on1ierte en elproblema del $ampo de la teorEa deprobabilidad, 3ede:nimos la se$uen$ia de lasposi$iones del 1ehE$ulo $omo , , , " ? 0@" ? @" , , , ? @" donde es el numero de puntosde referen$ia ? 0@ signi:$a Kue el $ondu$tordebe reali=er una primera 1uelta a 0, De estamanera" podemos eliminar la inGuen$ia dediferentes unidades de tiempo entre $ada dospuntos de referen$ia" pueden e+istirdiferentes unidades de tiempo entre ti t ;donde / 0 i, * 0 , 4nton$es" denotamosKue 1 / 2 1 3 /, . . . , n312 n 3 n31 separamos la trae$toria en sgementosespe$i:$os, 6a fun$ion M` 0N signi:$a laprobabilidad de Kue el 1ehi$ulo se en$uentr enel segment de $amino entre el primer

Segundo punto de referen$ia durante ` 0, 6adistribu$ion de probabilidad de en $uales

segmentos del 1ehi$ulo deberia estar es dada por4 5[ ti67,

3e1ista Interna$ional de redes desensores distribuidos

. \ Home


10/15

4sto signi:$a Kue la posi$in del 1ehE$ulopuede estimarse $ono$iendo su Lltimosegmento" el Lltimo segmento estFdeterminado por dos puntos de referen$ia, 6adistribu$in de probabilidad para todos lossegmentos se $orrela$iona $on la distribu$inde probabilidad de los Lltimos segmentos,Como de $ostumbre" si $ontamos dos o mFs

segmentos de trae$toria" se $onseguirF unamaor pre$isin, 6a mFs e1identesuperioridad en $ompara$in $on el primermodelo de 5arko1 es el sentido de dire$$in,Podemos $onstruir este modelo para sersimilar a los antes men$ionados, Sin embargo"en este traba;o" $ono$emos la dire$$in en$ualKuier momento, 4n el resultado" ha slounos po$os in$rementos de pre$isin por elgran nLmero de segmentos a ser $ontados,

#unKue el modelo de 5arko1 puede sertransformado para estimar la posi$in" pore;emplo" ?` [ @ ?` i2@N" la distribu$in delsegmento de trae$toria se basa en el

segmento anterior al primero, 4n nuestroresultado" el punto de referen$ia mFs $er$ano ;uega el papel mFs importante en el pro$esode estima$in, 6a pre$isin de la estima$ines maor a Kue el 1ehE$ulo estF mFs $er$anoal ultimo punto de referen$ia, 4l 5odelo de5arko1 no nos permite $ono$er $on pre$isionla ubi$a$ion del 1ehE$ulo, Sin embargo"toda1Ea podemos estimar el segmento detrae$toria una posi$ion mas pre$isa puedeser $al$ulada simplemente $ono$iendo la1elo$idad del 1ehE$ulo, No es difE$il de$onseguir porKue a hemos $ono$ido latrae$toria el tiempo,

8. 9:aluacion de desempe-o

Para e1aluar $on pre$isin 5obilCrowd" se debe$onstruir primero una estudio realista parademostrar el modelo del historial de 1ia;e luego e+aminar el rendimiento de la estima$inde la posi$in en la $ondu$$in en tiempo real,

1.1. Estudio de viae. Para e1aluar lasregularidades de la $ondu$$in de 1ehE$ulosindi1iduales la pre$isin de nuestro modelodel historial de 1ia;e" se ha reali=ado un estudiode 1ia;e" reali=ado durante ( semanas, Cin$o1oluntarios de los profesores fueron in1itados aasistir al estudio" Kuienes no impli$a ningLnautor o $olaborador de este estudio, Cada unoutili=a un $o$he pri1ado $on dispositi1o WPS,Durante el estudio ellos los miembros de sufamilia" $ondu$iendo los $o$hes debEan anotarla hora de salida" posi$in origen posi$in de

destino de $ada 1ehE$ulo" asE $omo lasposi$iones de punto intermedio" si hubiese4nton$es" reunimos los registros 1ia;es$al$ulados para $ada 1ehE$ulo en la tabla 2,4n$ontramos nLmeros de 1ia;es par$iales de!& a 2Q!" de a$uerdo a diferentes habitos de$ondu$$ion, - los 1ia;es medios en $ada $o$he"respe$ti1amente" se e+tienden de 2,Q por dEaa !,'% por dEa,


11/15

0,'

0,%

0,Q

0,2

00 2& &0 & 00

Passed ;ourne ?O@

.igure &) 8he a$$ura$ of tra;e$tor predi$tion,

Q

2

0

'

%

Q

2

00 20 Q0 %0 '0 00

Passed ;ourne ?O@

Con1entional5obiCrowd

.igure %) 8he a$$ura$ of position,

Despues del estudio los registros de 1ia;efueron tradu$idos a resultados dis$retos en latabla 2 e introdu$idos en el mapa digital deChengdu Cit en China, Se des$artaron weestablished a trip histor model with the tripsin the :rst eight weeks as a training set and1alidated the predi$tion with the trips in thelast week as a target set, Se des$artaron todoslos 1ia;es fuera del al$an$e de la $iudad, Con el

:n de e1aluar la e+a$titud de las predi$$iones"estable$imos un modelo de historial de 1ia;e$on los 1ia;es en las primeras o$ho semanas$omo un entrenamiento 1alidamos lapredi$$in $on los 1ia;es en la semana pasada$omo un ob;eti1o estable$ido, 4+aminamos laspredi$$iones generadas hasta la fe$ha en lasdiferentes etapas en el 1ehE$ulo en mo1imientodurante el pro$eso, 6a tasa de a$ierto" Kue semuestra en la :gura &" muestra Kue el modelode historial de 1ia;e $on$uerda $on el 1ehE$uloa$tual de %&,'!O al prin$ipio (,0QO al :naldel 1ia;e, 3esulta Kue el modelo de historial de1ia;e puede ofre$er una predi$$in e+a$ta delmo1imiento del 1ehE$ulo" in$luso $uando el1ehE$ulo $omien=a a mo1erse primero,

1.%. !esultados de Simulacion.4n este estudio" $omparamos 5obiCrowd$on el mtodo $on1en$ional en sistemas$arpooling anteriores, Por suerte" lalo$ali=a$in por WPS a menudo muestra$onstants errores de $asi 0m" ha$iendo$apa= de propor$ionar la posi$in dereferen$ia, #sE" el mtodo $on1en$ional" derastreo m1il" permite a un smartphone

re$ibir seales de WPS reportar al ser1idorperidi$amente durante la toda $ondu$$ion,#KuE suponemos Kue el smartphone reportasu posi$in WPS $ada & segundos,

Como se muestra en la :gura 2" 5obiCrowden primer lugar en1Ea un mensa;e de a$ti1a$inal ser1idor" estima$iones de posi$in del1ehE$ulo $orre$$in de mensa;es si esne$esario, Puesto Kue se utili=a el mensa;e de$orre$$in" errores en la predi$$in de latrae$toria pueden eliminarse" puede noti:$arsu posi$in tiempo para el smartphone, #KuE estable$emos el error mF+imo a 20 m" Kue esuna distan$ia a$eptable para 1ehE$ulos$omunes $ompartidos, Si el error de estima$ines mFs allF de este lEmite" el smartphoneen1iarF un mensa;e de $orre$$in, 4n lassimula$iones" se re$ogen todos los datos de1ia;e del estudio realista en el Lltimo apartado,

Como se muestra en la :gura %" la e+a$titudde la posi$in es diferente $uando el ser1idor de$arpooling utili=a dos mtodos para laadKuisi$in de la posi$in de un 1ehE$ulo enmo1imiento, tili=ando el mtodo $on1en$ional"la e+a$titud es igual a la pre$isin de lalo$ali=a$in WPS se mantiene $onstantedurante todo el 1ia;e, Con un inter1alo de &segundos" los errores promedio son menores de

H i t t i n g r a t e

4 r r o r ? m @


12/15

un metro en la maor parte deltiempo, sando 5obiCrowd $onmensa;es de $orre$$ion au+iliares" loserrores promedio suelen ser de $asi0 metros, In$luso para el $arpoolingo$asional" la pre$isin de 5obiCrowd

es su:$iente para propor$ionarmat$hing?empare;amiento@ en tiempo real" sinengaar a $ondu$tores pasa;eros,

4n la :gura " representamos a los nLmeros de

mensa;es generados del mtodo dos, #unKueambos mtodos produ$en mensa;es lineales parael tiempo de $ondu$$in" 5obiCrowd muestra1enta;as en el gasto de $omuni$a$in, Durantetodo el 1ia;e" 5obiCrowd genera unos die=mensa;es medianamente" mientras Kue el mtodo$on1en$ional e+$ede 200 mensa;es en promedio,

8eniendo en $uenta Kue un ser1idor de $arpoolinga menudo sigue simultFneamente pistas dede$enas de miles de 1ehE$ulos o mFs" elseguimiento m1il se $on1ierte en una enorme$arga para el ser1idor la red ine1itablemente, 4sde$ir" la $omple;idad el $osto del sistema de

$arpooling aumentarF brus$amente" lo $ual$ondu$e a un mal fun$ionamiento e+perien$ia deusuario terrible, Por el $ontrario" 5obiCrowd sebasa en la estima$in de posi$in basado en$rowdsour$ing de mo1ilidad" Kue es lo Kue redu$ela $omuni$a$in" simpli:$a la arKuite$tura delsistema resultados en ser1i$io de $arpoolinge:$ientes pre$isos, Weneralmente" nuestroesKuema de 5obiCrowd muestra gran rendiBmientotanto en e+a$titud $omo en gasto, 8ambindemuestra el 1alor de predi$$in de la mo1ilidaden las a$ti1idades humanas diarias,

2,Conclusion5oti1ado de las ne$esidades de rastreo m1il

en sistemas de uso $arpooling a$tuales"

proponemos 5obiCrowd para lograr mo1

simple Ge+ible de $rowdsour$ing para autouso $ompartido, 6a idea bFsi$a de 5obiCrowsimple) si el smartphone pri1ado $ono$mo1imiento diario de su dueo" por Kude;arlo prede$ir la trae$toria de $ondu$$ipropietario la posi$in en tiempo real $ompartir el 1ia;e, 4n este arti$ulo presentpatrones de mo1ilidad humana para in1estigmo1imiento diario de 1ehE$ulos $ompartidoKue autos de $arpooling $ondu$en $o$hes $osmartphones" utili=amos smartphones $onstruir modelos de mo1ilidad para obtenposi$in e+a$ta de los 1ehE$ulos en mo1imi

4n primer lugar" e+pli$amos $mo det$ondu$ir $on smartphone, # $ontinuaestable$emos un modelo de historial de 1ia;eprede$ir la trae$toria de $ondu$$in, Segpredi$$in de la trae$toria" utili=amos un mode 5arko1 para estimar la posi$in e+a$t1ehE$ulo en mo1imiento, Por Lltimo" se demuKue nuestro esKuema puede propor$ionarestima$in de la posi$in de manera e:$iepre$isa a tra1s de un estudio de 1ia;e realisimulado,

Creemos Kue 5obiCrowd tiene un fbrillante en redes de trF:$o de nue1a genera

4n tales redes" el seguimiento m1il a no e$uello de botella para el $arpooling a$tua$arpools se $ara$teri=an por sus modelomo1ilidad" mat$hes ?$oin$iden$ia@ de $arpose logran sin ningLn esfuer=o e+plE$ito1ehE$ulos apuntan a una maor o$upa$imenor trF:$o nos bene:$ian de trans1erde e:$iente ,


13/15

;c$) a de$ision analsis on tripaggregation" 8C 2u)lic -ealth" 1ol, &" no, " arti$le2!" 200&,

M& S, Hartwig and 5, ut$hmann" R4mpt seatstra1elling) ne+t generation ridesharing and itspotential to mitigate tra>$ and

emission problems in the 2st $entur" 8e$h, 3ep," N3esear$h Center" 200,

M% -, .u" -, .ang" C, Jiang" and J, Cheng" RDnami$sharing $ommunit ser1i$e on tra>$ information g

in 2roceed3

ings of the 5nternational Conference5ntelligent Computation Technology and Automa95C5CTA:+4;" 1ol, 2" pp, !Q']!&2" Hunan" China" A$t200',

M #, 6ue and #, Colorni" R# software tool for $omm$arpoolB ing) a $ase stud on uni1ersit studen5ilan" 5nternational ournal of Services Sciences"2" no, !BQ" pp, 222]2Q" 200(,

M' 3, Chen and #, 3egan" R


14/15

M S, S$honfelder and S, 3aumplanung" RSome noteson spa$e" lo$ation and tra1el beha1iour" in2roceedings of the S6iss Transport !esearchConference" #s$ona" Swit=erland" 200,

M' S, S$honfelder and , Samaga" R


15/15

5EEE 5ntelligent ehicles Symposium" pp, 2!Q]2!("I444" #l$ala de Henares" Spain" 202,

M22 I, Constanda$he" , ao" 5, #=i=an" and 3, 3,Choudhur" RDid ou see ob Humanlo$ali=ation using mobile phones" in 2roceedingsof the 1"th Annual Conference on o)ileComputing and Net6or7ing 9o)iCom:1+;" pp,

Q(]%0" #C5" September 200,M2! J, urhinen and J, Janatuinen" RWeographi$al

routing for dela tolerant en$ounter networks" in2roceedings of the 1%th 5EEE 5nternationalSymposium on Computers and Communications95SCC:+#;" pp, Q%!]Q%" #1eiro" Portugal" Jul200,

M2Q , 5iashita" 8, 8erada" and S, Nishio" R# mapmat$hing algoB rithm for $ar na1igation sstemsthat predi$t user destination" in 2roceedings of the %%nd 5nternational Conference on Advanced5nformation Net6or7ing and Applications

Date post:	07-Jul-2018
Category:	Documents
Upload:	ruben-gonzalez-raga
View:	217 times
Download:	0 times

Mobility Crowdsourcing Toward Zero-Effort Carpooling on Individual Smartphone

Documents