Hindawi Publishing Corporation

International Journal of Distributed Sensor

Networks Volume 2013, Article ID 615282, 9
pages http://dx.doi.org/10.1155/2013/615282

Artculo de investigacin
Mobilidad Crowdsourcing: Hacia Carpooling
esfuerzo-cero en los smartphone.
1

Nianbo Liu, Yong Feng, Feng Wang, Bang Liu, y Jinchuan Tang

School of Computer Science and Engineering, University of Electronic Science and

Technology of China, North Jianshe Road, Chengdu 611731, China
2
Yunnan Key Laboratory of Computer Technology Applications, Kunming University of
Science and Technology, Kunming 650500, China
Correspondence should be addressed to Yong Feng;
fybraver@163.com Received 8 November 2012; Accepted 22
January 2013
Academic Editor: Ming Liu
Copyright 2013 Nianbo Liu et al. This is an open access article distributed under the Creative
Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any
medium, provided the original work is properly cited.
In current carpooling systems, drivers and passengers offer and search for their trips through
available mediums, for example, accessing carpool website by smartphone, for finding a possible
match of the journey. While efforts have been made to achieve fast matching for known trips, the
need for accurate mobile tracking for individual users still remains a bottleneck. For example, drivers
feel impatient to input their routes before driving, or centralized systems haves difficulties to track a
large number of vehicles in real time. In this paper, we present the idea of Mobility Crowdsourcing
(MobiCrowd), which leverages private smartphone to collect individual trips for carpooling, without
any explicit effort on the part of users. Our scheme generates daily trips and mobility models for each
user, and then makes carpooling zero-effort by enabling travel data to be crowdsourced instead of
tracking vehicles or asking users to input their trips. With prior mobility knowledge, one users travel
routes and positions for carpooling can be predicted according to the location of the time and other
mobility context. Based on a realistic travel survey and simulation, we prove that our scheme can
provide efficient and accurate position estimation for individual carpools.

1.Introduccin
Hoy en da, el transporte rpido y fcil ha sido
una parte esencial de la sociedad moderna. Los
vehculos ofrecen la flexibilidad y la movilidad
cuando se trata de nuestro trabajo y vida
personal, permiten una rpida y oportuna
entrega de mercancas, pero tambin puede
causar atascos de trfico, emisiones de carbn,
contaminacin, accidentes, cuestiones de crisis
energtica y otros problemas, inevitablemente.
Por una parte, el transporte del vehculo
desempea un papel vital en la economa
mundial; por lo tanto, cualquier mejora en la
eficiencia rendir grandes beneficios. Por otro
lado, la eficiencia del transporte vehcular
seala cmo utilizamos los vehculos y,
tambin, el grado de caros costes sociales.
Aunque muchas de las instituciones, los
recursos y la investigacin estn dedicados a
mejorar la eficiencia del transporte, el
desperdicio de capacidades de transporte
sigue siendo omnipresente en los actuales
transportes vehiculares.
Segn NHTS [1] del Departamento de
Transporte
estadounidense,
la
tasa
de
ocupacin media de viajes de vehculo
personales es de 1.6 personas por milla del
vehculo. Puesto que un vehculo ordinario lleva
a 5 personas en ocupacin llena 68% de la
capacidad de transporte se desperdicia
durante viajes personales. En EUA solamente
esto implica 204 millones de vehculos
personales y causa mucha prdida. De igual
modo, dicha ineficiencia se ha observado
tambin en el negocio del transporte
commercial. Taxis, camionetas, camiones y
otros vehculos a menudo apuntan a una baja
ocupacin o utilizacin o son a en ocasiones
incluso desocupados.
El Carpooling (uso compartido del coche)
parece un mtodo eficaz para lograr el
transporte verde y eficiente. Los carpools
tradicionales son vecinos o compaeros de
trabajo con rutas similares, que se pueden
poner en contacto fcilmente el uno con el otro
para un possible carpooling. Los carpools
casuales, como carpools improvisados entre
extraos, pueden formar equipo en reas
pblicas cerca de los carriles HOV, pero es
severamente
limitado
en
carreteras
desplegadas
[2].
Las
asociaciones
de
carpooling posteriors permiten que la gente
coincida con sus respectivos viajes a travs de
Internet, incluso si son extraos. En el
concepto de Carpooling dinmico se
propone compartir el viaje ocasional y muchos
investigadores tratan de lograr este objetivo a
travs de sistemas diseados especialmente.
En tal uso compartido de vehculos,
conductores y pasajeros ofrecen y buscan sus
viajes a travs de medios disponibles, por
ejemplo, acceder a la Web de carpooling por

Journal ofpara
Distributed
Sensor
medioInternational
de un smartphone,
encontrar
una
Networks
coincidencia posible de viaje. Sin embargo,
estos sistemas no proporcionan servicios de
carpooling convenientes y flexibles para los
usuarios comunes. Aunque se han hecho
esfuerzos para lograr coincidencias rpidas para
viajes conocidos la necesidad del rastreo mvil
exacto para usuarios individuales todava genera
un cuello de botella en sistemas de carpooling
actuales. Por ejemplo, los conductores se sienten
impacientes por introducir sus rutas antes de la
conduccin, o los sistemas centralizados tienen
dificultades de rastrear un gran nmero de
vehculos y adquirir sus posiciones en tiempo
real. El Crowdsourcing ha ido evolucionando
como una solucion distribuida del problema y
un modelo de produccin comercial en aos
recientes el cual fue propuesto para reducir los
costos de produccin y hacer ms eficiente el
uso de mano de obra y recursos con la ayuda
de los participantes. Un ejemplo de tareas
crowdsourcing es visto en la localizacin
interior el sistema Zee [3] realiza la calibracin
de cero esfuerzo, habilitando el entrenamiento
de datos de la huella digital de WiFi para ser
recaudados sin ningun esfuerzo por parte de los
usuarios.
Nuestro
esquema
adquiere
informacin sobre la ubicacin del smartphone,
genera modelos de movilidad de cada usuario
y viajes diarios y luego hace carpooling cero
esfuerzo permitiendo permitiendo a datos de
viajes ser recopilados en vez de rastrear
vehculos o pedir que usuarios introduzcan sus
viajes. Con conocimiento previo de la movilidad,
las rutas de viajes de un usuario y las posiciones
pueden predecirse de acuerdo a la ubicacin del
tiempo y luego un possible carpooling puede
organizarse para adaptarse a los contextos de
movilidad. Basado en una encuesta de viaje
realista y simulacin demostramos que nuestro
esquema puede proporcionar una estimacin de
posicin eficiente y precisa para cada carpool.
El resto de este documento est estructurado de
la siguiente manera: La seccin 2 presenta un
breve resumen de los trabajos afines. En la
seccin 3, se explica el diseo de MobiCrowd
paso a paso, incluidos los patrones de movilidad
humana, descripcin del Sistema, sensado de
manejo, prediccion de trayectorias y estimacion
de posiciones. La Seccin 4 examina nuestro
sistema a travs de un estudio y simulacin,
mientras que la Seccin 5 finalmente resume el
articulo.

2.Trabajos afines
Basado en las tcnicas presentadas en sitios
web de carpooling tradicionales, centros de
servicio del taxi y sistemas que rastrean el
autobus
se
proponen
algunos
sistemas
centralizados carpooling. El trfico compuesto
[4] construye un hipottico transporte pblico a
gran escala para el rea metropolitana de
Helsinki, donde un sistema centralizado recopila

la informacin sobre todo viaje demandado en

linea y luego combina los viajes con el mismo
origen y destino en vehculos pblicos con ocho
o cuatro asientos. Hartwig y Butchmann [5]
investigan los desafos en carpooling ocasional
y sugieren un sistema de emparejamiento de
viajes ampliando los servicios del telfono
celular
actuales.
La
comunidad
de
compartimiento

dinamico de paseo lleva a cabo un sistema de

carpooling sobre red de informacin de trfico
para que los usuarios puedan solicitar los
servicios va Internet, terminal en vehculo, PDA
s y telfono mvil.
Lue y Colorni [7]
desarrollan un esquema prctico para el
carpooling (uso compartido de vehculos) en
una Universidad, donde los usuarios son
informados inmediatamente en caso de retraso
o cambios va correo electrnico o mensajes
cortos. En [8], Chen y Regan exploran la
viabilidad y desafos de sistemas carpooling
basados
en
Wi-Fi
en
ubicaciones
metropolitanas e indican que la conectividad
de WiFi trabaja bien mientras los vehculos
viajan con la velocidad lenta. En [9], Lalos.
describen cmo la colocacin de sistemas
puede ser utilizada para apoyar una red
dinmica de servicios de taxi y coche
compartidos. En [10], Agatz. definen carpooling
dinmico
y
perfilan
los
desafos
de
optimizacin que se levantan desarrollando la
tecnologa
para
apoyar
carpooling.
Generalmente, los enfoques centralizados
tienen algunos inconvenientes intrnsecos. Por
una parte, el recogimiento de viaje en vehculo
es un obstculo para el sistema, donde la
disponibilidad del carpooling confa en el
nmero de los conductores dispuestos a
introducir sus viajes. A menudo lleva a un
sistema
cerrado
corriendo
vehculos
registrados y excluyendo no registrados. Por
otra parte, el marco centralizado no es
bastante escalable ni bastante flexible. Los
vehculos a menudo vienen tarde o temprano
por atascos y otros motivos. Para un centro de
servicio, remontar todos los vehculos y
distribuir actualizaciones de cada pasajero
movilidad humana ha tenido un rapido
desarrollo
en los ultimos aos.
Algunas de
ellas observan la relacion entre actividades El
modelo de movilidad de tiempo variante
comunitario captura dos propiedades de la
movilidad humana a traves de rastros de WLAN
empricos: preferencias de visita de la ubicacin
sesgadas y reaparicin peridica de nodos en la
misma ubicacin. Otro estudio [15] investiga las
trayectorias de 100,000 usuarios de telefona
mvil annimos y encuentra que las trayectorias
humanas muestran un alto grado de regularidad
temporal y espacial: cada individuo puede ser
caracterizado por una escala de longitud

3
puede ser muy caro. Alternativamente, los
enfoques basados en marcos de trabajo
distribuidos
para
implementar
carpooling
dinmico tambin se han considerado. En [11],
Winter y Nittel proponen planificacin de viaje
compartido de acuerdo a redes Geosensor
mobiles y examinan las estrategias de
comunicacin entre agentes mviles en el
espacio geogrfico colocado. El Transporte de
Autoorganizacin inteligente [12] desarrolla la
idea de la planificacin de viaje compartido y
demuestra la viabilidad de un sistema
carpooling ad hoc. Nuestro trabajo anterior,
Vehiculo a la comunicacion del pasajero [13],
combina el carpooling distribuido y la
comunicacin vehicular y luego desarrolla un
vehculo al borde del camino llamando sobre
redes vehiculares ad hoc. Sin embargo, la
principal desventaja de estos enfoques es la
asuncin de que los vehculos soportan la
comunicacin ad hoc. Significa que tales
esquemas no son prcticos hasta el amplio
despliegue del dispositivo de comunicacin
vehicular. Comparado con esquemas de
carpooling anteriores, MobiCrowd
separa el
carpool coincidente y el rastreo mvil, desarrolla
la movilidad crowdsourcing y la prediccin
basada en rastreo ypor lo cual resulta en una
solucin simple, flexible y escalable para el
carpooling actual.

3.Diseo del Sistema

Antes de examinar la idea de MobiCrowd, en
primer lugar investigamos los antecedentes de la
movilidad humana y la viabilidad de la prediccin
de la movilidad. Entonces, damos el marco global
y explicamos el proceso de crowdsourcing paso a
paso. Ms tarde, explicamos cmo descubrir la
conduccin con el smartphone. Finalmente,
establecemos un modelo de la historia de viaje
para predecir la trayectoria de conduccin de
alguien y luego usar un modelo de Markov para
estimar la posicin exacta de alguien segn la
prediccin de la trayectoria anterior.
3.1
Mobilidad Humana. Las Investigaciones
sobre la movilidad humana ha tenido un rapido
desarrollo en los ultimos aos. Algunas de ellas
observan la relacion entre actividades s
caracterstica
independiente
del
tiempo
y
una
probabilidad
significativa para volver a unas
ubicaciones muy frecuentadas. La
investigacin
reciente
[16]
ha
hablado
de
los
modelos
de
movilidad de 50,000 individuos de
un registro de 3 meses de largo y ha
mostrado
una
previsibilidad
potencial del 93% en la movilidad
del usuario a travs de la base
entera del usuario, midiendo la
entropa del movimiento de cada
individuo. Segn NHTS, de la

4
mayora
de viajes diarios individuales el 87 por
ciento es tomado por un vehculo personal. The
daily activities of an individual person, including
going to work, Las actividades diarias de una
persona individual, incluyendo "ir a trabajar,"
"almorzar," "comprar" y as sucesivamente, a
menudo muestran caractersticas regulares.
Como un tipo de actividad humana, la
conduccin es controlada por conductores
individuales y sigue sus respectivas actividades
sociales, parcialmente. Aunque un conductor
inesperado se presente, el individuo titular que
conduce en cierto vehculo por lo general tiene
los mismos rasgos espaciales y temporales. Por
ejemplo, un viajero siempre conduce su coche
de casa a la oficina a las 9:00, y de la oficina a
casa a las 17:00. Hace grandes cantidades de
movimiento del vehculo previsible en la escala
microscpica. La investigacin en el campo del
transporte tambin valida las regularidades,
tanto en movilidad humana como en movilidad
del vehculo. El Proyecto Mobidrive [17, 18]
supervis las trayectorias de los automviles
privados mediante la recopilacin de sus datos
GPS,
los cuales encontraron este tipo de actividades
regulares en los 30.000 viajes realizados por
320 corresponsales durante seis semanas de
estudio.
Un patrn de movilidad se observa en la figura
1, que est constituido por la distribucin
espacial de esos lugares donde un viajero ha
tenido seis semanas de experiencia personal.
Las regularidades espaciales en la movilidad
del vehculo estn marcadas por las lneas
grises del movimiento del vehculo, en la que
dos de los cuatro principales lugares
(incluyendo el hogar) cubren ms del 70% del
total de los viajes.
Desde que las actividades de conduccin diarias
de un usuario proporcionan un alto grado de
regularidad temporal y espacial, es posible
establecer algunos modelos de movilidad para
describir tales actividades de conduccin y
predecir los rasgos de movilidad relacionados al
carpooling.
3.1.
Descripcion General del Sistema. La
proliferacion de telefonos inteligentes motiva la
comunidad de investigacin para buscar los
caminos ms confiables y ms convenientes
para el carpooling con el apoyo de los
smartphone. Hoy en da los smartphones no
solo son programables sino tambien vienen con
interfaces celulares y WiFi y un conjunto de
sensores
integrados,
incluyendo
un
acelermetro, brjula digital, giroscopio, GPS,
micrfono y cmara, que permiten la deteccin
y comunicacin habilidades para desempear
el papel de terminales de carpooling. Asi, los
smartphones
llevados
por
los
carpools
(usuarios
de
carpooling)
pueden
automticamente investigar el comportamiento
de conduccin, registrar la ubicacin en tiempo

International Journal of Distributed Sensor

Networks
Friends
place

Work
place

Business
place

Home
Second
shop
Locations
Travel

First
shop
Sports

Figure 1: Patron/Modelo de mobilidad en

Mobidrive [17, 18].

Private phone

Carpooling server

Figure 2: MobiCrowd framework.

Mobility model

(1)
Vehicle mobility database
Crowd sourcing

Locations and trajectories

Driving sensing
Recognition Localization

Available vehicle mobility

Trajectory prediction
Position estimation

(2)
Activating
(3)

Matching

Correcting
Readings of network interfaces and
sensors

Carpooling
request
real y establecer el modelo de movilidad
para
el
carpooling sin necesidad de ningn esfuerzo
explcito por parte de los usuarios. Adems, es
muy fcil identificar a un usuario por su
smartphone privado y rastrear cada carpooling,
lo cual es util para establecer seguridad entre
los carpools que no sean familiars.
La Figura 2 muestra la concepcion de la
arquitectura
telefono/servidor
para
el
carpooling casual. Brevemente describimos los
componentes del sistema, seguidos de una
discusin sobre desafos y soluciones.
Para la participacion de un carpooling en
MobiCrowd,
el
smartphone
tratar
de
localizarse peridicamente en la utilizacin
diaria lo ms exactamente posible.
Las
ubicaciones
al
aire
libre
pueden
ser
coleccionadas a travs de GPS, mientras que
las ubicaciones en interiores podran ser
encontradas a travs de WiFi y servicios de
localizacin celulares cuando el usuario tenga
acceso a Internet. Un rastro de movimiento del
usuario puede establecerse como el indice,
posicin, tiempo de tuplas, en el orden de
secuencia de tiempo. Al mismo tiempo, se
utilizan lecturas de acelermetro y giroscopio
para detectar si ocurre un evento de
conduccin. Durante el perodo de conduccin,
la trayectoria se graba y se suma al conjunto
de datos local. Despus de un perodo de
aprendizaje, algunos lugares diarios, donde el
usuario a menudo se mantiene inmvil durante
mucho tiempo, y las trayectorias de conduccin
entre estos lugares se combinan en un modelo
de movilidad similar a la mostrada en la figura
1. Despus de construir un modelo de
movilidad para el usuario, el smartphone lo
cargar a un servidor carpooling para realizar
el crowdsourcing del modelo de movilidad
especfico para el usuario. As, el servidor
mantiene muchos modelos de movilidad como
recursos de carpooling. Con este conocimiento,
puede gestionar el modelo de movilidad,
estimar la trayectoria de conduccin y la

5
figura 3, una aceleracin firmada es muy fcil de
posicin del vehculo en tiempo real, dar
respuesta a una solicitud de carpooling de
identificar en los patrones de caminar humanos
pasajeros y luego realizar matchs de
[22]. Esta firma surge del rebote hacia abajo y
vehiculoes.
Comparado
con
servidores
carpooling anteriores, las necesidades del
hacia arriba del cuerpo humano mientras
rastreo mvil activo son quitadas. Con la
camina y puede ser usada para contar el
movilidad crowdsourcing, MobiCrowd reduce
muchos gastos de comunicacin entre el
numero de pasos caminados.
Para una
servidor y cada vehculo, adaptando la
conduccion
normal
el
usuario
caminara
a un
estimacion de la posicin en vez del rastreo
automovil en cierto lugar, lo conducira hacia otro
mvil. Sin embargo, la estimacion no siempre
es exacta. Algunos mtodos de corregir
sitio, detendr el automovil y finalmente
errores de la estimacion se deberan
caminar a su destino. As, podemos capturar
considerar. Al principio, el smartphone debera
enviar un mensaje para activar su modelo tan
dos paseos sucesivos y registrar la posicin final
pronto como descubre la conduccin, que
de la primera caminata y la posicin inicial de la
evita recoger objetivos del vehculo falsos y
proporciona el tiempo exacto de cada
segunda con las marcas de tiempo, como
conduccin. Adems, el smartphone debera
Position1,
Time1
y
Position2,
Time2,
estimar su posicin en la conduccin segn su
respectivamente. Comparado con caminar,
modelo de movilidad. Ya que el servidor y el
smartphone mantienen el mismo modelo, el
conducir no tiene caractersticas obvias en las
smartphone puede reporter una correccion
lecturas de aceleracin pero muestra una muy
delmensaje si la verdadera posicin es lejana
del valor estimado.
alta velocidad de movimiento, por ejemplo,
Los problemas mencionados ponen en tela
grandes desplazamientos dentro de pequeo
de juicio la forma de estimar la posicin de un
intervalo de tiempo. Despus de calcular la
vehculo en movimiento con precisin. La
distancia euclidiana entre las dos posiciones,
valoracin exacta requiere el modelo de
podemos averiguar la velocidad de movimiento
movilidad exacto, y el modelo de movilidad
del usuario. Si la velocidad no es inferior a 30
exacto requiere ubicacin exacta y trayectorias
km/h, se puede considerar que el usuario tena
y metodologa de modelado apropiadas. Si
una conduccion entre dos comportamientos de
queremos recolectar la ubicacin y datos de la
andar. Por supuesto, este mtodo no puede
trayectoria en el uso diario del smartphone,
hacer distinciones muy finas entre conduccin y
tenemos que saber cules son los hbitos de
montaje (por ejemplo, tomar un autobs, taxi,
conduccin, por ejemplo, las lecturas del
metro o vuelo). Simplemente consideramos que
sensor detalladas. Al mismo tiempo, tenemos
un conductor que ofrece carpooling a menudo
que predecir completamente la conduccion. no
conduce un coche propio y los errores pueden
slo la trayectoria, sino tambin la posicin de
ser removidos en el modelo del historial de viaje
tiempo real. El resto de este estudio se supone
de trayecto largo en la siguiente subseccion.
como un paso hacia una comprension ms
profunda de estas cuestiones fundamentales.
3.3.
Prediccion
de
Trayectoria.
Algunos
esquemas
de
prediccin
de
movilidad,
Modelo
3.2. Sensado de Manejo. En nuestro esquema
de
Movilidad
Greedy[23],
y
el
mapa
MobiCrowd, la dificultad primero surge de cmo
correspondiente
al
algoritmo
[24]
intentan
definir la conduccin con un smartphone, por
establecer el modelo de movilidad en la Figura
ejemplo, con qu tipo de caractersticas
en un nodo individual registrando trayectorias
especficas de nodos mediante datos GPS. Con
el historial de la trayectoria, un vehculo en
de las lecturas de los sensores se puede
movimiento puede comparar su posicin con
considerar que un usuario est conduciendo un
sus trayectorias anteriores y averiguar la ruta
automvil con su smartphone. Algunas obras
ms posible.
recientes [19-21] han adoptado el smartphone
Sin embargo, tales modelos tambin tienen
para recopilar y analizar distintos hbitos de
algnos
draw-back intrinsecos. En primer lugar,
conduccin para proporcionar seguridad de
el
criterio
del tiempo en el movimiento del
conduccin,
las
cuales
demuestran
la
vehculo
es
completamente descuidado. Si un
efectividad del reconocimiento de manejo. El
conductor
comienza
su coche en casa en dia por
comportamiento humano puede considerarse
la
maana,
es
mas
probable
que vaya en coche
como un conjunto de eventos de conduccin y
al
lugar
de
trabajo.
Si
el
conductor
hace lo mismo
tiempo, que que pueden ser detectados por los
en
por
la
tarde,
la
probabilidad
de
que vaya al
sensores de un smartphone en un vehculo. Sin
lugar
de
trabajo
es
muy
escasa.
Ya que el
embargo,
la
excesiva
clasificacion
y
historial
de
viaje
es
simplificado
al
historial
de la
reconocimiento de comportamiento no son
trayectoria,
las
caractersticas
temporales
del
necesarias para nuestro estudio. De hecho, solo
movimiento del vehculo son inevitablemente
nos centraremos en la conduccion basica
perdidas. En segundo lugar, las trayectorias
relacionada con la ubicacion del tiempo del
traslapadas pueden causar errores de la
movimiento del vehiculo.
prediccin. Si un vehculo se mueve al nico
En este estudio, adoptamos un mtodo
camino a casa del conductor, la ruta est clara. Si
simple para detectar la conduccin mediante la
el camino lleva a su casa y tienda favorita, la
medicin de la velocidad del movimiento entre
prediccin del destino por la ruta simple es
dos eventos a pie. Como se muestra en la
cuestionable. Finalmente, los archivos de la

6
trayectoria tienen una
pesada carga en
procesamiento
de
la
informacin
y
almacenamiento, sobre todo aquellos de
distancias largas o viajes infrecuentes. La
renuncia a estos archivos puede causar
predicciones falsas,
mientras que el cuidado de ellos exceder la
capacidad del smartphone. Por lo tanto,
necesitamos un nuevo modelo de movilidad
para predecir el movimiento del vehculo, que
debe
ser
de
espacio
temporal
en
caractersticas de movilidad, en la prediccin
del destino y ligero en el tamao de los datos.
Aqu explicamos la idea del historial de viaje
por dar un ejemplo simple. En la figura 3, una
serie de viajes realizados por el conductor
puede conservarse como registros en la tabla
1, en el que estn representadas las
caractersticas temporales y espaciales ms
concisas de los viajes.

International
Journal
Distributed
(1)Conducir
desde
casa alof
lugar
de trabajoSensor
a las
Networks
8:40, en Viernes.
(2)Conducir del lugar de trabajo a casa a las
17:35, en Viernes.
(3)Conducir desde casa a los deportes a las
14:05, en Sabado, y enviar a su esposa a
la primera tienda en el camino.
(4)Conducir desde los deportes hacia la casa de
un amigo a las 18:55, en Sabado.
Las localizaciones Casa, Lugar de
Trabajo, Lugar de negocios, Primer tienda,
Segunda tienda, Deportes, y lugar de los
amigos no son posiciones exactas del GPS,
sino regions asperas en su geografa. Puesto
que el conductor puede no tener un espacio
especial para estacionamiento en estos lugares
de
visitas
frecuentes
,lugares
de
estacionamiento cercanos dentro de un cierto
alcance, por ejemplo, dentro de 500m pueden
considerarse como la misma ubicacin del
aparcamiento de un lugar dado.

Accelerometer reading

+ 70
+

Location1, time1
+

60

Displacement
and

Location2, time2

speed measurement
50
40

Walking

30
270 271 272 273 274 275 276 277 278
279
Time (s)
+

Walking
(b)Displacement and speed

Accelerometer reading
Step count

(a) Walking recognition [22]

Figure 3: Driving sensing.

Del mismo modo, la hora de inicio del viaje se

separa en sistemas de tiempo discreto: Dia
y Tiempos (<10, 1012, 1214, 1416, 1618,
>18). Siempre que un conductor arranca su
coche, MobiCrowd registrar la hora de inicio y
la posicin como "Da", "Tiempo" y "Origen".
Durante el movimiento, obtiene los datos de
posicin continua del GPS cada varios
segundos. Cuando el coche se detiene, la
ltima posicin se convierte en "Destino".
Despus de terminar un viaje, MobiCrowd
puede abreviar la trayectoria de viaje. Si la
trayectoria de origen a destino concuerda con
la ruta ms corta (no cero) en el mapa digital,
cancela todos los registros de posicin media
como 1, 2 y 4. Si la trayectoria no concuerda,
intenta encontrar la ruta ms corta desde el
origen a posiciones ms adelante como sea
posible, cancela la mitad de posiciones desde
el origen hasta el primer "punto a mitad de
camino" y repite el procedimiento hasta llegar
al destino. El registro 3 indica una abreviatura
en la que el punto a medio de camino puede
ser la primera tienda. A veces, el origen es
igual al destino en un viaje. Por ejemplo, el
hombre conduce llevando a su esposa de casa
a la segunda tienda, y, despus de un
aparcamiento directo, l conduce a finalmente
a casa. En este caso, el viaje se abrevia de
manera similar con un punto a mitad de
camino como la segunda tienda. Ya que la
mayor parte de trayectorias de conduccin
diarias toman los caminos ms cortos en la
geografa, los archivos de viaje pueden ser en
gran parte acortados en el tamao de
datos.Con el historial de viaje desarrollamos un
mtodo de induccin dependiente heurstico y
contextual basado en rboles de decisin, para
predecir trayectorias de movimiento vehicular.
En minera de datos y aprendizaje automtico,
los rboles de decisin son ampliamente
utilizados como la asignacin de herramienta
predictiva de observaciones sobre un artculo de
conclusiones acerca de su valor objetivo. Los

(Lun., Mar, Mier, Juev, Vier., Sab., y

Dom.)

Cuando un coche comienza, MobiCrowd

construye un rbol de decisin, donde los
antecedentes de viaje en la tabla 1 se expresan
como ramas y hojas en Figura 4. En cada nodo
de la hoja, la probabilidad de seleccionar un
destino est dado por

Donde k es el numero total de viajes

comenzando por el nodo origen , y kq es el
numero de viajes de acuerdo con un tiempo
especifico, punto intermedio, y opciones de
destino de detino en el nodo hoja . Ya que la
categoria ofrece una opcion de destino final,
kq representa la probabilidad de movimiento
hacia el destino en el historial. Ya que el coche
conoce los valores actuales del origen, dia, y
tiempo, puede encontrar una opcin de destino
con un valor mximo en el arbol como una
prediccion inicial.
Durante la conduccin, el smartphone
comprueba peridicamente si su posicin es en
camino al destino previsto o al punto medio. Si
la posicin no est de acuerdo con la ruta
prevista, el coche tiene que calcular una nueva
probabilidad de destino dada por:

algoritmos y teoras relacionadas pueden encontrarse en

[25].

where is the total number of the

rest of the
after removing the infeasible ones.
Then, it can find a donde es el
,
(1)

numero total de el resto de viajes despues de

eliminar aquellos que no son viables. Entonces
puede encontrar una nueva prediccin de
destino con mxima probabilidad . Por lo
tanto, nuestro modelo puede predecir la
trayectoria de conduccin segn los datos del
historial de viaje del usuario.
3.5 Estimacion de Posicion. Conocer una
trayectoria de conduccion aun es lejano para
el carpooling occasional,

Revista Internacional de redes de

sensores distribuidos
Table 1: Trip history record.
1
2
3

Day
<1
0
16
18
14

F
ri
F
ri
S

4 Sat.
home

>18

Time
Source
Midway point
Destination
Home
Work
place
Work
Hom
place
e
Home
First
Spor
Sports

Friends

El modelo de Markov lleva una manera de

hacer la tarea de estimacion de la posicin
basada en las trayectorias conocida. El primer
modelo de Markov es P[(i)] para los
segmentos de trayectoria solo dependen de
(i1 ):
(3)
P[ (ti) | (i1 ,
(i2 ) )]
= P[ (i ) | (i1 )] .

Table 2: Collected trips in travel survey.

Car

B
C
D
E

18 week
Average A
172
214
169
180
120

9 week

29
18
25
15

Total
155
2.73
243
187
205
135

17
3.86
2.97
3.25
2.14

Para la posicion exacta de el vehiculo es

necesario un match (emparejamiento) vehiculo
a pasajero en tiempo real.
Para predecir la posicin de un vehculo
basado en la trayectoria de conduccion,
podemos eliminar fcilmente la influencia de la
ruta ambigua anterior. As, modelamos la
secuencia de las posiciones del vehculo en una
trayectoria especfica como (),
con t
representando la marca de tiempo que registra
la duracin del tiempo de trayectoria de
conduccin del vehculo para ser calculada
inicialmente. Es decir, el modelo ideal es lo unico
que debemos tener para obtener la marca de
tiempo para averiguar la posicion del vehiculo en la
trayectoria
Y algunas posiciones en la
trayectoria son muy diferentes y hacen que el
vehculo haga una vuelta en estos sitios, y luego
denotamos estos lugares como punto de
referencia.
Simplemente
denotamos
las
posicioes de los vehiculos como. . . , (3),
(1), (3), (7), . . donde (3) es un punto
de referencia a traves del cual el vehiculo fue
superado en tres unidades de tiempo. (3) y
(7) son los puntos de referencia en los cuales
el vehiculo va a oscilar entre tres y siete
unidades de tiempo. El tiempo entre () y ( +
1) esta definido como una unidad de tiempo.
Esto significa que la unidad de tiempo es una
constant y no se ve afectada por las condiciones
del camino o de tiempo. En consecuencia, la
longitude entre cada dos puntos de referencia es
diferente y toma diferentes numeros de unidades
de tiempo para moverse a traves de ellas. En
cualquier momento, cuando el vehculo vira
bruscamente, esta posicin se hace (1).
Conociendo la trayectoria de manejo, la cadena
de puntos de referencia se presenta claramente
en ella y es previsible alcanzarla en cierto tiempo.
Por tanto naturalmente se convierte en el
problema del campo de la teora de
probabilidad. Redefinimos la secuencia de las
posiciones del vehculo como
. . . , (0 ),
(1 ), . . . ( ), donde es el numero de puntos
de referencia y (0 ) significa que el conductor
debe realizer una primera vuelta a 0 . De esta
manera, podemos eliminar la influencia de
diferentes unidades de tiempo entre cada dos
puntos de referencia, y pueden existir
diferentes unidades de tiempo entre t i y tj
donde 0 i, j . Entonces, denotamos
que 0 = 1 0 , . . . , n1= n n1 y
separamos la trayectoria en sgementos
especificos. La funcion [0 ] significa la
probabilidad de que el vehiculo se encuentr en
el segment de camino entre el primer y

Segundo punto de referencia durante 0 . La

distribucion de probabilidad de en cuales
segmentos del vehiculo deberia estar es dada por
P[(ti)].

Esto significa que la posicin del vehculo

puede estimarse conociendo su ltimo
4. Evaluacion de desempeo
segmento, y el ltimo segmento est
Para evaluar con precisin MobilCrowd, se debe
determinado por dos puntos de referencia. La
construir primero una estudio realista para
distribucin de probabilidad para todos los
demostrar el modelo del historial de viaje y
segmentos se correlaciona con la distribucin
luego examinar el rendimiento de la estimacin
de probabilidad de los ltimos segmentos.
de la posicin en la conduccin en tiempo real.
Como de costumbre, si contamos dos o ms
segmentos de trayectoria, se conseguir una
Estudio
de
viaje.
Para
evaluar
las
mayor
precisin.
La
ms
evidente 1.1.
regularidades
de
la
conduccin
de
vehculos
superioridad en comparacin con el primer
individuales y la precisin de nuestro modelo
modelo de Markov es el sentido de direccin.
del historial de viaje, se ha realizado un estudio
Podemos construir este modelo para ser
de viaje, realizado durante 9 semanas. Cinco
similar a los antes mencionados. Sin embargo,
voluntarios de los profesores fueron invitados a
en este trabajo, conocemos la direccin en
asistir al estudio, quienes no implica ningn
cualquier momento. En el resultado, hay slo
autor o colaborador de este estudio. Cada uno
unos pocos incrementos de precisin por el
utiliza un coche privado con dispositivo GPS.
gran nmero de segmentos a ser contados.
Durante el estudio ellos y los miembros de su
Aunque el modelo de Markov puede ser
familia, conduciendo los coches deban anotar
transformado para estimar la posicin, por
ejemplo, [( ) | (i2 )], la distribucin del
la hora de salida, posicin origen y posicin de
segmento de trayectoria se basa en el
destino de cada vehculo, as como las
segmento anterior al primero. En nuestro
resultado, el punto de referencia ms cercano
posiciones de punto intermedio, si hubiese
juega el papel ms importante en el proceso
Entonces, reunimos los registros y viajes
de estimacin. La precisin de la estimacin
es mayor ya que el vehculo est ms cercano
calculados para cada vehculo en la tabla 2.
al ultimo punto de referencia. El Modelo de
Encontramos nmeros de viajes parciales de
Markov no nos permite conocer con precision
135 a 243, de acuerdo a diferentes habitos de
la ubicacion del vehculo. Sin embargo,
todava podemos estimar el segmento de
conduccion. Y los viajes medios en cada coche,
trayectoria y una posicion mas precisa puede
respectivamente, se extienden de 2.14 por da
ser calculada simplemente conociendo la
velocidad del vehculo. No es difcil de
a 3.86 por da.
conseguir porque ya hemos conocido la
trayectoria y el tiempo.

Hitting rate

0.8
0.6

0.4
0.2
0

25
50
75
Passed journey (%)

100

Figure 5: The accuracy of trajectory prediction.

14

Error (m)

12
10
8

1.2.

6
4
2
0

20

40
60
80
Passed journey (%)

100

Conventional
MobiCrowd

Figure 6: The accuracy of position.

Despues del estudio los registros de viaje

fueron traducidos a resultados discretos en la
tabla 2 e introducidos en el mapa digital de
Chengdu City en China. Se descartaron we
established a trip history model with the trips
in the first eight weeks as a training set and
validated the prediction with the trips in the
last week as a target set. Se descartaron todos
los viajes fuera del alcance de la ciudad. Con el
fin de evaluar la exactitud de las predicciones,
establecimos un modelo de historial de viaje
con los viajes en las primeras ocho semanas
como un entrenamiento y validamos la
prediccin con los viajes en la semana pasada
como un objetivo establecido. Examinamos las
predicciones generadas hasta la fecha en las
diferentes etapas en el vehculo en movimiento
durante el proceso. La tasa de acierto, que se
muestra en la figura 5, muestra que el modelo
de historial de viaje concuerda con el vehculo
actual de 65.83% al principio y 97.04% al final
del viaje. Resulta que el modelo de historial de
viaje puede ofrecer una prediccin exacta del
movimiento del vehculo, incluso cuando el
vehculo comienza a moverse primero.

Resultados de Simulacion.

En este estudio, comparamos MobiCrowd

con el mtodo convencional en sistemas
carpooling anteriores. Por suerte, la
localizacin por GPS a menudo muestra
constants errores de casi 10m, haciendo
capaz de proporcionar la posicin de
referencia. As, el mtodo convencional, de
rastreo mvil, permite a un smartphone
recibir seales de GPS y reportar al servidor
peridicamente durante la toda conduccion.
Aqu suponemos que el smartphone reporta
su posicin GPS cada 5 segundos.
Como se muestra en la figura 2, MobiCrowd
en primer lugar enva un mensaje de activacin
al servidor, estimaciones de posicin del
vehculo y correccin de mensajes si es
necesario. Puesto que se utiliza el mensaje de
correccin, errores en la prediccin de la
trayectoria pueden eliminarse, puede notificar
su posicin y tiempo para el smartphone. Aqu
establecemos el error mximo a 20 m, que es
una distancia aceptable para vehculos
comunes compartidos. Si el error de estimacin
es ms all de este lmite, el smartphone
enviar un mensaje de correccin. En las
simulaciones, se recogen todos los datos de
viaje del estudio realista en el ltimo apartado.
Como se muestra en la figura 6, la exactitud
de la posicin es diferente cuando el servidor de
carpooling utiliza dos mtodos para la
adquisicin de la posicin de un vehculo en
movimiento. Utilizando el mtodo convencional,
la exactitud es igual a la precisin de la
localizacin GPS y se mantiene constante
durante todo el viaje. Con un intervalo de 5
segundos, los errores promedio son menores de

un metro en la mayor parte del

tiempo.
Usando
MobiCrowd
con
mensajes de correccion auxiliares, los
errores promedio suelen ser de casi
10 metros. Incluso para el carpooling
ocasional, la precisin de MobiCrowd

es
suficiente
para
proporcionar
matching(emparejamiento) en tiempo real, sin
engaar a conductores y pasajeros.

En la figura 7, representamos a los nmeros de

mensajes generados del mtodo dos. Aunque
ambos mtodos producen mensajes lineales para
el tiempo de conduccin, MobiCrowd muestra
ventajas en el gasto de comunicacin. Durante
todo el viaje, MobiCrowd genera unos diez
mensajes medianamente, mientras que el mtodo
convencional excede 200 mensajes en promedio.
Teniendo en cuenta que un servidor de carpooling
a menudo sigue simultneamente pistas de
decenas de miles de vehculos o ms, el
seguimiento mvil se convierte en una enorme
carga para el servidor y la red inevitablemente. Es
decir, la complejidad y el costo del sistema de
carpooling aumentar bruscamente, lo cual
conduce a un mal funcionamiento y experiencia de
usuario terrible. Por el contrario, MobiCrowd se
basa en la estimacin de posicin basado en
crowdsourcing de movilidad, que es lo que reduce
la comunicacin, simplifica la arquitectura del
sistema y resultados en servicio de carpooling
eficientes y precisos. Generalmente, nuestro
esquema de MobiCrowd muestra gran rendi-miento
tanto en exactitud como en gasto. Tambin
demuestra el valor de prediccin de la movilidad
en las actividades humanas diarias.

2.Conclusion
en

Motivado de las necesidades de rastreo mvil

sistemas de uso carpooling actuales,

proponemos MobiCrowd para lograr movilidad

simple y flexible de crowdsourcing para autos de
uso compartido. La idea bsica de MobiCrowd es
simple: si el smartphone privado conoce el
movimiento diario de su dueo, por qu no
dejarlo predecir la trayectoria de conduccin del
propietario y la posicin en tiempo real para
compartir el viaje?. En este articulo presentamos
patrones de movilidad humana para investigar el
movimiento diario de vehculos compartidos. Ya
que autos de carpooling conducen coches con sus
smartphones,
utilizamos
smartphones
para
construir modelos de movilidad para obtener la
posicin exacta de los vehculos en movimiento.
En primer lugar, explicamos cmo detectar
conducir con smartphone. A continuacin,
establecemos un modelo de historial de viaje para
predecir la trayectoria de conduccin. Segn la
prediccin de la trayectoria, utilizamos un modelo
de Markov para estimar la posicin exacta del
vehculo en movimiento. Por ltimo, se demuestra
que nuestro esquema puede proporcionar una
estimacin de la posicin de manera eficiente y
precisa a travs de un estudio de viaje realista y
simulado.
Creemos que MobiCrowd tiene un futuro
brillante en redes de trfico de nueva generacin.
En tales redes, el seguimiento mvil ya no es un
cuello de botella para el carpooling actual, los
carpools se caracterizan por sus modelos de
movilidad, matches (coincidencia) de carpooling
se logran sin ningn esfuerzo explcito, los
vehculos apuntan a una mayor ocupacin y
menor trfico y nos benefician de transporte
verde y eficiente .

Acknowledgment
This paper is supported in part by the China NSF
Grants
(61103226,
60903158,
61170256,
61173172, and 61272526),
and the Fundamental Research Funds for the
Central Universities Grants (ZYGX2010J074,
ZYGX2011J102, and ZYGX2012J083).

References
[1]

National
household
travel
survey,
http://nhts.ornl.gov/ introduction.shtml#2001.

2001,

[2] M. Burris, J. Winn, and W. Associates, Slugging in

Houston: casual carpool passenger characteristics,
Journal of Public Transportation, vol. 9, no. 5, p. 23,
2006.
[3] A. Rai, K. Chintalapudi, V. Padmanabhan, and R. Sen,
Zee: zeroeffort crowdsourcing for indoor localization,
in Proceed- ings of the 18th Annual International
Conference on Mobile Computing and Networking, pp.
293304, ACM, 2012.
[4] J. T. Tuomisto and M. Tainio, An economic way of
reducing health, environmental, and other pressures
of urban traffic: a decision analysis on trip
aggregation, BMC Public Health, vol. 5, no. 1, article
123, 2005.
[5]

S. Hartwig and M. Butchmann, Empty seats

travelling: next generation ridesharing and its
potential to mitigate traffic and

emission problems in the 21st century, Tech. Rep., Nokia

Research Center, 2007.
[6] Y. Fu, Y. Fang, C. Jiang, and J. Cheng, Dynamic ride
sharing community service on traffic information grid,
in Proceed- ings of the International Conference on
Intelligent Computation Technology and Automation
(ICICTA08), vol. 2, pp. 348352, Hunan, China, October
2008.
[7] A. Lue and A. Colorni, A software tool for commute
carpool- ing: a case study on university students in
Milan, International Journal of Services Sciences, vol.
2, no. 3-4, pp. 222241, 2009.
[8] R. Chen and A. Regan, Wireless networks for car-and
rideshar- ing systems: assessment of 802. 11 Wi-Fi,
Transportation Research, vol. 9, p. 56, 2009.
[9] P. Lalos, A. Korres, C. K. Datsikas, G. S. Tombras, and
K. Peppas, A framework for dynamic car and taxi
pools with the use of positioning systems, in
Proceedings of the Computation World: Future
Computing, Service Computation, Adaptive, Content,
Cognitive, Patterns (ComputationWorld09), pp. 385
391, IEEE, Athens, Greece, November 2009.
[10] N. Agatz, A. Erera, M. Savelsbergh, and X. Wang,
Sustain- able passenger transportation: dynamic ridesharing, Research Paper, 2010.
[11] S. Winter and S. Nittel, Ad hoc shared-ride trip
planning by mobile geosensor networks, International
Journal of Geograph- ical Information Science, vol. 20,
no. 8, pp. 899916, 2006.
[12] S. Winter, Intelligent self-organizing transport,
Kunstliche Intelligenz, vol. 22, no. 3, pp. 2528, 2008.
[13] N. Liu, M. Liu, J. Cao, G. Chen, and W. Lou, When
transporta- tion meets communication: V2P over
VANETs, in Proceed- ings of the 30th IEEE International
Conference on Distributed Computing Systems
(ICDCS10), pp. 567576, Genova, Italy, June 2010.
[14] W. J. Hsu, T. Spyropoulost, K. Psounis, and A. Helmy,
Mod- eling time-variant user mobility in wireless
mobile networks, in Proceedings of the 26th IEEE
International
Conference
on
Computer
Communications (IEEE INFOCOM07), pp. 758766,
Anchorage, Alaska, USA, May 2007.
[15] M. Gonzalez, C. Hidalgo, and A. Barabasi,
Understanding individual human mobility patterns,
Nature, vol. 453, no. 7196, pp. 779782, 2008.
[16] C. Song, Z. Qu, N. Blumm, and A. Barabasi, Limits of
predictability in human mobility, Science, vol. 327, no.
5968, pp. 10181021, 2010.

[17] S. Schonfelder and S. Raumplanung, Some notes

on space, location and travel behaviour, in
Proceedings of the Swiss Transport Research
Conference, Ascona, Switzerland, 2001.
[18] S. Schonfelder and U. Samaga, Where do you
want to go today? More observations on daily
mobility, in Proceedings of the 3rd Swiss Transport
Research Conference, Ascona, Switzerland, 2003.
[19] J. Dai, J. Teng, X. Bai, Z. Shen, and D. Xuan, Mobile
phone
based
drunk
driving
detection,
in
Proceedings of the 4th International Conference on

Pervasive Computing Technologies for Healthcare

(PervasiveHealth10), pp. 18, IEEE, March 2010.
[20] D. Johnson and M. Trivedi, Driving style recognition
using a smartphone as a sensor platform,
in
Proceedings
of
the 14th International IEEE
Conference on Intelligent Transportation Systems
(ITSC11), pp. 16091615, IEEE, Washington, DC, USA,
2011.
[21] H. Eren, S. Makinist, E. Akin, and A. Yilmaz,
Estimating driving behavior by a smartphone, in
Proceedings of the 4th

IEEE Intelligent Vehicles Symposium, pp. 234239,

IEEE, Alcala de Henares, Spain, 2012.
[22] I. Constandache, X. Bao, M. Azizyan, and R. R.
Choudhury, Did you see Bob? Human
localization using mobile phones, in Proceedings
of the 16th Annual Conference on Mobile
Computing and Networking (MobiCom10), pp.
149160, ACM, September 2010.
[23] J. Kurhinen and J. Janatuinen, Geographical
routing for delay tolerant encounter networks, in
Proceedings of the 12th IEEE International
Symposium on Computers and Communications
(ISCC07), pp. 463467, Aveiro, Portugal, July
2007.
[24] K. Miyashita, T. Terada, and S. Nishio, A map
matching algo- rithm for car navigation systems
that predict user destination, in Proceedings of
the 22nd International Conference on Advanced
Information
Networking
and
Applications
Workshops (AINA08), pp. 15511556, Okinawa,
Japan, March 2008.
[25] I. H. Whitten and E. Frank, Data Mining: Practical
Machine Learning Tools and Techniques, Morgan
Kaufmann, Boston, Mass, USA, 2005.