一.Learning Transportation Mode from Raw GPS Data for Geographic Applications on the Web
（1）主要内容：丰富的地理信息促进了很多新颖网络应用的发展，如GPS(globle positioning system)就在用户和应用之间扮演了很重要的角色，用户在日常生活中可以提供各种各样的GPS数据点来描述用户的生活轨迹。然而，GPS轨迹并没有得到充分利用，它包含大量丰富的有用信息等待着去挖掘。本文章是利用监督学习的方法从未挖掘的GPS数据中自动推断用户在各种情况下的交通方式，如步行、自驾车、乘坐公交车、骑自行车等。郑宇等用到的方法流程首先提出基于转折点分割方法把路径分割成一个个小路段（segment），每个路段分属于不同的交通模式，然后从分割后的segment中提取出路段的长度、平均速度、速度的期望、速度的方差、最高的三个速度值、最高的三个加速度值来作为推断模型（决策树）的特征，得出类别后，再不断的用基于条件概率的后处理方法来调整分类模型的准确率。与基于定长和定时的算法相比较，比较好下：
（2）推荐理由：主要提出了基于转折点分割的方法，接着运用传统的特征提取提取出能表明segment特征的信息，并对其进行分类，从而达到一定的准确率。
二. Understanding Mobility Based on GPS Data
（1）主要内容：本文基于论文1的改进，提出一此新特征Heading Change Rate、Stop Rate、Velocity Change Rate（提高8%），这些特征更能反应出交通模式，又提出了一种基于图（概率转移）的后处理算法（提高4%）来提高推断模型的性能，效果如下图：
（2）推荐理由：本文较论文1增加了三个新特征，后处理方法加进了基于概率转移的图，这一点考虑了交通中的实际情况，从页把准备率提高到76.2%。
三. Using Mobile Phones to Determine Transportation Modes
(1) 主要内容：最近一些年，GPS-phone和GPS-enabled PDA设备在人们的生活中逐渐流行起来，人们更容易来精确记录他们的户外活动，本文比较了蓝牙、WiFi、GSM、GPS和手机加速计（accelerator）,最终得出GPS与手机加速计结合起来，用决策树和一阶离散隐式马尔可夫模型能来鉴别静止、步行、跑步、骑自行车和乘车最终识别率达到了93.6%。
(2) 推荐理由：本文很好的结合了两种设备来对交通方式的识别，对交通方式和人的活动进行了高精度的识别。（个人想法）本文虽然对交通方式的识别达到了很高的准确率，但对机动交通方式如自驾车和公交车不能区分，另外本文对仅仅使用GPS的识别率并没有提高。
四. Transportation Mode Detection using Mobile Phones and GIS Information
(1) 主要内容：文章通过结合交通运输网，如城市所公交站的地理位置、火车铁轨的位置信息等，通过分析手机和GIS信息获得的数据，从中提取了除了传统的特征（位置、平均速度、平均方向变化率、平均加速度等）之外，又考虑到用户位置点和实时交通运输网的关系，抽取了ABC(average bus closeness)、CBC(candidate bus closeness),ARLC(rail line trajectory closeness)、BSCR(bus stop closeness rate)四个特征，用随机森林分类算法对自驾车、公交车、火车、步行、骑自行车、静止不动进行了分类，得到平均93.7%的精确率。
具体比较如下：
(2) 推荐理由：此文巧妙考虑到了实时交通运输网，通过新的特征抽取实现了高精度的分类，也是第一次高精度识别自驾车、公交车和火车的方式。（个人想法）引进了交通运输网会引起大量的运算，对实时的交通模式的判别不太适用。
五. Using Mobile Phone Barometer for Low-Power Transportation Context Detection
(1)主要内容：现代流行的手机上的加速计装置，针对它的对位置的依赖、易于受用户放置方向影响、取样率高和处理复杂等特点，本文采用手机上的气压计来对idle、walking、vehicle方式进行判别，手机上的气压计耗电量小，可以用在任何一个地方，不依赖于地理位置，我们可以读取手机上的气压值p，并参考海平面的气压p0，根据
计算出相应采样点的高度，利用高度变化的频率来对人的运动方式进行估计，如若每5秒用户的海拔高度变化0.8米，则认为用户处于vehicle状态，本文的思路如下：
通过测试，结果如下：
(2) 推荐理由：本文的新颖之处在于第一次用到气压计计算海拔高度的变化频率来判别人的运动行为，这种方法较谷歌的活动识别算法和FMS(Future Urban Mobility Survey’s GPS-accelerometer server-based application)算法有一定的精度提高。