基于Android手机RINEX数据的多模态交通分类：一种仅需单颗卫星的GNSS特征提取新框架

《IEEE Journal of Indoor and Seamless Positioning and Navigation》：Towards Understanding Multimodal Transport Classification Using Features From RINEX Data Extracted From Android Phones

本文针对室内及密集城区等卫星信号受限场景下的多模态交通分类难题，提出了一种仅基于原始GNSS观测值（伪距单差/双差、多普勒频移、载噪比）的新型分类框架。通过机器学习算法，该研究实现了仅需1颗可见卫星即可完成10种交通模式的高精度分类，验证了基于409条轨迹数据集的可行性，为低功耗、隐私保护的移动性分析开辟了新途径。

　　

在现代城市交通体系中，准确识别人们的出行方式（如步行、骑行、乘车等）对于优化交通规划、促进可持续出行具有重要意义。然而，传统的多模态交通分类方法大多依赖加速度计等运动传感器或完整的GNSS定位结果，这在卫星信号受限的室内、地下或密集城区场景中面临重大挑战。当可见卫星数不足4颗时，常规GNSS接收器无法完成定位解算，导致交通模式识别功能失效。更值得注意的是，基于位置信息的分类方法可能引发用户隐私泄露的风险。

针对这一技术瓶颈，来自芬兰坦佩雷大学的研究团队在《IEEE Journal of Indoor and Seamless Positioning and Navigation》上发表了一项创新性研究。他们开发了一种完全基于原始GNSS观测数据的多模态交通分类框架，该框架的最大突破在于：即使仅有一颗可见卫星，也能实现准确的交通模式识别。这一技术突破为室内外无缝定位和隐私保护型移动分析提供了全新解决方案。

研究团队通过18名志愿者在五个欧洲国家收集的409条轨迹数据，构建了包含10种交通模式（步行、自行车、电动滑板车、汽车、巴士、电车、地铁、火车、船、飞机）的丰富数据集。所有数据均通过Android手机上的GNSS Logger应用采集，并转换为RINEX（Receiver Independent Exchange）格式进行处理。

关键技术方法包括：首先从RINEX数据中提取伪距、载波相位、多普勒频移和载噪比（C/N₀）等原始观测值；然后计算单差（SD）和双差（DD）以消除接收机钟差等公共误差；接着采用滚动时间窗口（5-30秒）计算各类信号的统计特征（均值、标准差、偏度、峰值等）；最后基于可见卫星的C/N₀值筛选最强1-5颗卫星的数据特征，输入12种机器学习算法进行模式分类比较。

主要研究结果

分类算法性能比较

研究团队系统比较了12种机器学习算法的分类效果。结果显示，随机森林（RF）算法在10秒时间窗口下表现最优，分类准确率稳定在49.5%-51.4%之间，显著高于10%的随机猜测基准。集成学习方法（如AdaBoost、Gradient Boosting）整体表现优于单一模型，而朴素贝叶斯（NB）算法效果最差，表明数据特征间存在复杂的非线性关系。

卫星数量与时间窗口影响

研究表明，使用最强1颗卫星与使用最强5颗卫星的分类准确率差异不大（约2%），证明单颗高质量卫星信号已包含足够的判别信息。同时，10秒时间窗口在保持特征稳定性和捕捉动态变化之间取得了最佳平衡，更长窗口（30秒）反而会稀释 discriminative 信息。

特征空间可分性分析

通过线性判别分析（LDA）可视化发现，飞机、火车等模式在特征空间中形成相对独立的簇群，而地面交通模式（步行、自行车、汽车等）存在较大重叠区域，这反映了城市环境中多种交通方式在GNSS信号特征上的相似性。

模型泛化能力验证

采用场景划分（scenario-wise split）的测试方式，即训练集和测试集来自完全不同的日期和场景，模型仍保持相对稳定的性能，证明了该方法在真实场景中的适用性。

研究结论与意义

该研究证实了基于原始GNSS观测值的统计特征能够有效区分多种交通模式，即使在不依赖位置解算和辅助传感器的情况下。这种方法具有三大核心优势：低功耗（无需持续计算位置）、隐私保护（不暴露用户位置）和几何感知能力（通过信号质量反映环境特征）。

特别值得关注的是，该框架在极端受限环境（如室内、地下通道）中仍能保持功能，仅需一颗可见卫星即可实现分类，这大大扩展了多模态交通识别的应用场景。未来研究方向包括融合传感器数据（同时保护位置隐私）、设备异构性校准以及更先进的时序建模方法，进一步提升分类精度和实用性。

这项技术为智慧城市交通管理、可持续出行促进以及隐私保护型位置服务提供了创新工具，标志着GNSS数据应用从传统定位向智能感知的重要转变。