时间：10月28日上午9:00
地点：基础教学楼B318实验室
研读成员：梁晶
本次的三篇paper都是针对于解决城市计算领域的同一个问题：Transportation mode detection from GPS data
１．《Inferring hybrid transportation modes from sparse GPS data using a moving window SVM classification》
推荐理由：
本文的数据大小与时长，选取的独立变量都是经过统计测量得到的，是有理论依据的。而且采用了“滑动窗口”：滑动窗口包含由一定数量的segment组成的instance，先通过移动窗口识别每个instance的交通模式，再在此基础上对单个的segment进行分类，这样可以避免segment先分类带来的使分类准确性依赖于分段有效性的这个缺点，同时提高识别的准确性。
２．《 Detecting modes of transport from unlabelled positioning sensor data》
推荐理由：
本文提出了一种非监督学习的模式识别方法——MoDetect，与监督学习不同的是，它不需要手工打标签和预先训练，并且提高了识别准确性。
３．《Learning Transportation Annotated Mobility Profiles from GPS Data for Context-Aware Mobile Services》
推荐理由：
本篇论文采用的是基于深度神经网络模型SAE的一种分类方法来识别交通模式，比较独特的一点是它使用了潜在的交通网络信息，例如公交站，地铁站以及路网信息，这些信息可以帮助提高分类结果的效率，而且它在识别变更点之前首先提取了停留点，使得结果更加的精确。