构建智能交通系统来解决愈发严重的城市交通问题,成为工业界和学术界的热点和难点问题,智能交通系统的一个重要环节是对移动平台的动态行为感知。目前,智能手机、智能手表等智能终端设备成为人们在日常生活中不可或缺的设备,它们配备的多种传感器具有强大的感知能力。本文研究在城市交通系统中,仅依靠智能终端的惯性传感器进行移动平台行为感知与分类的问题。本文的基本研究思路是采用驾驶员的智能终端作为数据采集平台,以惯性传感器数据(加速度传感器,陀螺仪)作为识别和分类移动平台多种行为的基础,并使用无监督学习的方法对不同的行为进行分类与辨别。本文主要展开了以下几个方面的研究:(1)针对智能终端的惯性传感器(加速度传感器,陀螺仪)数据进行了定量分析,确定了合适的采样频率。另外针对其中包含的噪声进行频谱分析,并设计相应的低通滤波器,来滤除其中的噪声,从而使惯导数据能更准确得反映移动平台的行为变化。(2)使用多传感器数据融合的方法计算得到智能终端的姿态,进而基于姿态实现智能终端坐标系与移动平台坐标系关系的确定。在多传感器数据融合方法中,我们比较了互补滤波器和卡尔曼滤波器的数据融合的效果,选定卡尔曼滤波器作为数据融合方法并依此解算出设备姿态,并根据姿态信息确定智能终端坐标系与移动平台坐标系的对应关系。(3)对移动平台的常见行为进行物理模型的分析。根据物理模型,从智能终端的惯导数据中提取出能够反映出移动平台动态行为的数据统计特征,从多个维度来刻画移动平台的动态行为。(4)基于真实城市驾驶环境下采集到的惯性传感器数据对常见的移动平台动态行为(变线、左转、右转、U形弯)进行判别与分类。针对较为特殊的变线行为,设计了一个基于多特征综合评分的方法来判定变线行为。使用无监督学习分类的方法对日常生活中常见的其他动态行为如左转、右转、U形弯(调头)等行为进行判别,实验结果验证了方法的有效性。文章对通过智能终端来感知移动平台的动态行为这一问题展开研究,对于在智能交通系统与移动网络计算的领域结合方面具有一定的理论价值和应用价值。