我是机器学习的新手。我想使用机器学习来比较我从手机加速度计传感器收集的数据。我用经度和纬度分隔了数据逗号。
假设我从街道 x 中骑车获得的数据作为值 1( 如下)。如果我通过驾驶同一辆车在同一条街道上拥有多个数据，我想从这些数据中训练一个模型。因此，该模型将使用加速度计传感器数据、经度、纬度和车辆类型进行训练。之后，如果有没有车辆类型的新数据，我想识别车辆类型。
我能否为这种情况提供适当的机器学习算法建议？
值 1： [0.41 80.21464327 6.03746252
， -0.22 80.21464182 6.03751725， -0.47 80.21464501 6.03756485， -0.17 80.21464358 6.03760711， -0.59 80.2146479 6.03764445， -1.07 80.21465786 6.03767261， 0.24 80.21466478 6.0377051， -0.7 80.21466468 6.03774136， 0.68 80.21466873 6.0377806， 1.03 80.21467383 6.03782412， -0.3 80.21467654 6.03786671， 0.39 80.21467859 6.03791466， 0.21 80.21468187 6.03795632， 0.06 80.21468436 6.03800212， 0.22 80.21468421 6.03804084， 0.62 80.21469052 6.03807511]您的车辆检测问题听起来可能非常困难，因为与数据中的其他变异源(不同的驾驶员、不同的交通状况、传感器的差异)相比，您的类别(不同的车辆)之间的差异可能非常小。
因此，首先，我将捕获一些在非常受控的情况下收集的数据： 让两辆不同的汽车在某些路段上尽可能紧密地相互跟随。在同一段道路上进行多次运行，尝试使条件尽可能相似。切换驱动程序，然后重复收集。切换手机并重复收集。
首先需要确保的是加速度计矢量始终指向同一方向。标准方法是在线估计重力矢量，然后相应地变换坐标空间。
其次，您需要将数据转换为一组有意义的特征。我建议计算短时傅里叶变换以获得频谱图。然后，您可以进行一些探索性数据分析，以尝试查看车辆之间是否真的存在差异以及它的性质。一旦你理解了这一点，那么你就可以考虑设计一个模型。
与此类似的最有据可查的加速度计问题是人类活动检测，您应该查看文献以获取更多详细信息。