一种基于多种异构传感器的排队行为检测方法及系统技术领域
本发明涉及多种异构传感数据融合的方法，特别涉及一种基于多种异构传感器的排队行为检测方法及系统。
背景技术
随着嵌入式设备、无线传感网络、移动计算等快速发展，集成感知、计算和通信能力的普适智能系统被广泛部署，并逐步融入到人类的日常生活环境。其中最为显著的是，智能手机的普及，在全球智能手机市场已经达到了一个新的里程碑，截至2014年为止，出货高达数十亿的出货量，将近63％的人们都拥有一部或多部智能手机。而现代的智能手机，具备了许多内置的传感设备、无线通信接口与高性能的处理能力。三维加速计、电子方向盘，陀螺仪，光感传感器，近场传感器，麦克风，前置后置摄像头等传感设备，可以感知智能手机随时随地的感知与检测到周围环境的信息，为普适计算的无所不在感知而服务。内置的多种无线通信技术，WiFi,Bluetooth(蓝牙)，Cellular(3G、2G、4G)，智能手机可以随时随地的进行无线通信，为普适计算的无所不在的通信而服务。高性能的计算与处理能力，4核1.2Ghz、8核1.5Ghz芯片不断的更新换代，智能手机越来越可以处理复杂计算与提供高质量的服务。确切来说，普适计算技术，正在以智能手机为嵌入点，其传感技术和情境感知技术，以前所未有的方式增强我们收集、分析和利用数据的广度和深。
以智能手机为嵌入点，人们生活在由传感网、通信网、互联网等相互融合所形成的混合普适计算的环境中，为人们提供了无所不在的服务，并支持人类的社会活动。通过智能手机对人们的帮助，可以提高我们的日常生活质量，如减少交通拥塞、限制疾病传播和优化公共资源调度。在普适计算中，排队行为的检测与排队等待时间的提供，可以提高人们在排队时的用户体验，并且也提高商家的资源分配调度的效率，避免资源浪费等等情况。
排队现象是人们时常生活十分常见的现象，尤其是在公共区域，例如超市结帐台，餐馆门口等待进入，银行服务窗口排队等待，交通枢纽，娱乐场所等待服务，公园游戏设施等等。这些公共场所，提供公共服务，人们为了享受这项服务，必须进行排队行为，按照次序才能接受公共服务。尤其是在一些人口集中的大城市，比如北京、上海，排队等待的现象特别常见。然而，过长的排队等待时间，会大大降低人们的用户体验。如果人们花费了大量的时间在排队行为上，会造成人们心情的沮丧和用户体验的降低。例如2010上海世博会，每次进出一个会馆，人们往往需要等待1小时到3小时的排队等待时间，这是一件非常令人沮丧的事情。于此同时，对于商业商家来说，将大量的用户的时间浪费在排队上，而不是将用户的时间放在购买其余商品，购买其与服务至上，这是一种资源的浪费与资源配置的不合理。更重要的是，大量用户在排队，商业商家需要雇佣人力去维持排队次序，不会造成不良的效果。因此，排队等待，无论是对于用户体验来讲，还是对于商业商家来讲，都是一个需要着重考虑的事情。如果人们在排队之前，提前知道了排队等待的人数与排队等待的时间，那么人们会合理的利用自己的时间，而不会去盲目的排队。商业商家提前知道了人们的排队人数，那么他们可以合理高效的配置资源，提供更多的服务，避免资源的浪费。因此，排队等待时间提供的服务，是一个常见而且容易被人忽略的服务。普适计算，提供无所不在的服务，排队时间提供，正是普适计算提供无所不在的服务。
如今智能手机的发展，集成通信、感知与计算于一体，在无所不在的普适计算服务中，起着越来越重要的重要。三维加速计，可以检测人们行为状态，跑步，走路，还是休息。电子方向盘，可以检测人们当前所处的方向，GPS可以检测人们的地理位置信息(Sensing meets mobile social networks:the design,implementation and evaluation of the cencemeapplication,”in SenSys 2008)。我们提出，利用智能手机来自动检测人们的排队行为，从而为排队时间预测系统提供辅助。
现有的排队行为检测，主要分为三大类。第一类，采用摄像头视频检测排队行为，从而为预测排队等待时间提高辅助功能。然而，这种方法，有以下缺点。首先，视频监测排队行为，需要利用图像处理技术和机器学习算法，从而找到可以检测出排队行为的模型。这类模型往往需要根据特定的排队场景进行优化，从而提高检测准确率。一个通用的视频排队检测模型，准确率很低。针对所有场景建立视频排队行为检测模型，是非常不现实的情况。其次，视频监测排队行为，需要布置足够的摄像头，来覆盖排队队伍的长度，这需要额外的设施进行布置，需要耗费大量的人力和物力。
第二类，是利用电子自动排队机，来检测排队等待行为的监测。每一个用户，在需要服务之前，首先来到电子排队机前，取一张排队序号票。票上标识了，前面排队的人数，等到机器轮询到用户时，用户在前往服务台。然而，这种方法，有以下缺陷。首先，电子排队机需要额外的费用去购买。其次，排队序号并不准确，从而无法提供准确的排队等待时间估计。用户可以拿了排队序号票之后，因为某种原因而离开。排队序号往往不是真实前面等待的人数。
第三类，是利用人力的方法，监控排队队伍，从而将队伍的人数和预估计的等待时间，广播出去。这种传统的方法，需要花费大量的人力支持。
本发明，利用智能手机内置的传感器，三维加速计，电子方向盘，蓝牙，WiFi，收集个体信息步行，静止，方向，距离，位移等手机用户的行为信息，结合机器学习算法，支持向量机(Supported Vector Machine)，从而判断当前用户是否处于排队行为，作为排队等待时间预测的辅助功能。
发明内容
本发明所要解决的技术问题是提供一种基于智能手机中的多种异构传感器进行数据融合、进而能够自动检测出用户的排队行为的基于多种异构传感器的检测排队行为的方法及系统。
本发明解决上述技术问题的技术方案如下：一种基于多种异构传感器的排队行为检测方法，包括以下步骤：
步骤1：利用智能手机内置的多种异构传感器分别采集智能手机的原始测量数据；
步骤2：根据采集的原始测量数据，预测使用智能手机的用户的运动状态、方向状态、位移状态和相对距离；
步骤3：根据预测的运动状态、方向状态、位移状态和相对距离，提取用户进行排队行为的排队特征值；
步骤4：根据排队特征值与机器学习算法建立排队模型；
步骤5：利用智能手机内置的多种异构传感器采集智能手机当前的排队特征值，将当前的排队特征值输入排队模型中，根据输出结果判断当前手机是否处于排队状态。
本发明的有益效果是：(1)无需用户手动输入当前是否处于排队，智能手机自动检测出用户的排队行为；(2)无需任何的额外设施，相比较与前面三类排队检测方法，基于视频，基于电子排队机，基于人工，本发明只要求排队的用户，外出携带手机这个前提；(3)本发明可以适应于大部分排队场景，具备鲁棒性。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述步骤2具体为：
根据采集的智能手机三个坐标轴的加速度信息，利用决策树优化算法预测用户的运动状态；
根据采集的智能手机当前所处的方向信息和相对位移的角速度信息，利用积分公式预测方向状态；
根据采集的智能手机三个坐标轴的加速度信息，利用小波变换算法预测位移状态；
根据采集的智能手机周围蓝牙设备的信号强度信息，利用多项拟合算法预测相对距离。
进一步，所述排队特征值包括运动状态相似度、方向状态相似度、运动状态变化率、方向状态变化率、位置偏移、相对距离变化率和对齐距离。
进一步，所述步骤3具体为，
根据预测的运动状态利用相似度计算公式计算运动状态相似度；
根据预测的方向状态利用相似度计算公式计算方向状态相似性；
根据运动状态相似度利用变化率计算公式计算运动状态变化率；
根据方向状态相似性利用变化率计算公式计算方向状态变化率；
根据位移状态利用偏移量计算公式计算位移偏移量；
根据相对距离利用变化率计算公式计算相对距离变化率；
和根据运动状态、方向状态、位移状态和相对距离利用动态时间调整算法计算对齐距离。
进一步，一种基于多种异构传感器的排队行为检测系统，包括采集模块、预测模块、提取模块、建立模块和输入判断模块；
所述采集模块，用于利用智能手机内置的多种异构传感器分别采集智能手机的原始测量数据；
所述预测模块，用于根据采集的原始测量数据，预测使用智能手机的用户的运动状态、方向状态、位移状态和相对距离；
所述提取模块，用于根据预测的运动状态、方向状态、位移状态和相对距离，提取用户进行排队行为的排队特征值；
所述建立模块，用于根据排队特征值与机器学习算法建立排队模型；
所述输入判断模块，用于利用智能手机内置的多种异构传感器采集智能手机当前的排队特征值，将当前的排队特征值输入排队模型中，根据输出结果判断当前手机是否处于排队状态。
进一步，所述采集模块所包含的原始测量数据:三维加速度计采集的智能手机三个坐标轴的加速度信息、电子方向盘采集的智能手机当前所处的方向信息、陀螺仪采集的智能手机相对位移的角速度信息和蓝牙采集的智能手机周围蓝牙设备的信号强度信息。
进一步，所述预测模块具体包括：
根据采集的智能手机三个坐标轴的加速度信息,利用决策树优化算法预测用户的运动状态；
根据采集的智能手机当前所处的方向信息和相对位移的角速度信息,利用积分公式预测方向状态；
根据采集的智能手机三个坐标轴的加速度信息,利用小波变换算法预测位移状态；
根据采集的智能手机周围蓝牙设备的信号强度信息利用多项拟合算法预测相对距离。
进一步，所述提取模块,包括排队特征值:运动状态相似度、方向状态相似度、运动状态变化率、方向状态变化率、位置偏移、相对距离变化率和对齐距离。
进一步，所述提取模块具体包括：
根据预测的运动状态利用相似度计算公式计算运动状态相似度；
根据预测的方向状态利用相似度计算公式计算方向状态相似性；
根据运动状态相似度利用变化率计算公式计算运动状态变化率；
根据方向状态相似性利用变化率计算公式计算方向状态变化率；
根据位移状态利用偏移量计算公式计算位移偏移量；
根据相对距离利用变化率计算公式计算相对距离变化率；
和根据运动状态、方向状态、位移状态和相对距离利用动态时间调整算法计算对齐距离。
附图说明
图1为本发明方法流程图；
图2为本发明系统结构图；
图3为本发明经过小波变换、利用同数波峰计算人们行走的步数示意图；
图4为本发明距离和信号强度的多项式拟合示意图；
图5为本发明系统数据处理示意图。
附图中，各标号所代表的部件列表如下：
1、采集模块，2、预测模块，3、提取模块，4、建立模块，5、输入判断模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例1
一种基于多种异构传感器的排队行为检测方法，包括以下步骤：
步骤1：利用智能手机内置的多种异构传感器分别采集智能手机的原始测量数据；
步骤2：根据采集的原始测量数据，预测使用智能手机的用户的运动状态、方向状态、位移状态和相对距离；
步骤3：根据预测的运动状态、方向状态、位移状态和相对距离，提取用户进行排队行为的排队特征值；
步骤4：根据排队特征值与机器学习算法建立排队模型；
步骤5：利用智能手机内置的多种异构传感器采集智能手机当前的排队特征值，将当前的排队特征值输入排队模型中，根据输出结果判断当前手机是否处于排队状态。
所述原始测量数据包括三维加速度计采集的智能手机三个坐标轴的加速度信息、电子方向盘采集的智能手机当前所处的方向信息、陀螺仪采集的智能手机相对位移的角速度信息和蓝牙采集的智能手机周围蓝牙设备的信号强度信息。
所述步骤2具体为：
根据采集的智能手机三个坐标轴的加速度信息，利用决策树优化算法预测用户的运动状态；
根据采集的智能手机当前所处的方向信息和相对位移的角速度信息，利用积分公式预测方向状态；
根据采集的智能手机三个坐标轴的加速度信息，利用小波变换算法预测位移状态；
根据采集的智能手机周围蓝牙设备的信号强度信息，利用多项拟合算法预测相对距离。
所述排队特征值包括运动状态相似度、方向状态相似度、运动状态变化率、方向状态变化率、位置偏移、相对距离变化率和对齐距离。
所述步骤3具体为，
根据预测的运动状态利用相似度计算公式计算运动状态相似度；
根据预测的方向状态利用相似度计算公式计算方向状态相似性；
根据运动状态相似度利用变化率计算公式计算运动状态变化率；
根据方向状态相似性利用变化率计算公式计算方向状态变化率；
根据位移状态利用偏移量计算公式计算位移偏移量；
根据相对距离利用变化率计算公式计算相对距离变化率；
和根据运动状态、方向状态、位移状态和相对距离利用动态时间调整算法计算对齐距离。
一种基于多种异构传感器的排队行为检测系统，包括采集模块1、预测模块2、提取模块3、建立模块4和输入判断模块5；
所述采集模块1，用于利用智能手机内置的多种异构传感器分别采集智能手机的原始测量数据；
所述预测模块2，用于根据采集的原始测量数据，预测使用智能手机的用户的运动状态、方向状态、位移状态和相对距离；
所述提取模块3，用于根据预测的运动状态、方向状态、位移状态和相对距离，提取用户进行排队行为的排队特征值；
所述建立模块4，用于根据排队特征值与机器学习算法建立排队模型；
所述输入判断模块5，用于利用智能手机内置的多种异构传感器采集智能手机当前的排队特征值，将当前的排队特征值输入排队模型中，根据输出结果判断当前手机是否处于排队状态。
所述采集模块1所包含的原始测量数据:三维加速度计采集的智能手机三个坐标轴的加速度信息、电子方向盘采集的智能手机当前所处的方向信息、陀螺仪采集的智能手机相对位移的角速度信息和蓝牙采集的智能手机周围蓝牙设备的信号强度信息。
所述预测模块2具体包括：
根据采集的智能手机三个坐标轴的加速度信息,利用决策树优化算法预测用户的运动状态；
根据采集的智能手机当前所处的方向信息和相对位移的角速度信息,利用积分公式预测方向状态；
根据采集的智能手机三个坐标轴的加速度信息,利用小波变换算法预测位移状态；
根据采集的智能手机周围蓝牙设备的信号强度信息利用多项拟合算法预测相对距离。
所述提取模块3,包括排队特征值:运动状态相似度、方向状态相似度、运动状态变化率、方向状态变化率、位置偏移、相对距离变化率和对齐距离。
所述提取模块3具体包括：
根据预测的运动状态利用相似度计算公式计算运动状态相似度；
根据预测的方向状态利用相似度计算公式计算方向状态相似性；
根据运动状态相似度利用变化率计算公式计算运动状态变化率；
根据方向状态相似性利用变化率计算公式计算方向状态变化率；
根据位移状态利用偏移量计算公式计算位移偏移量；
根据相对距离利用变化率计算公式计算相对距离变化率；
和根据运动状态、方向状态、位移状态和相对距离利用动态时间调整算法计算对齐距离。
具体实施中，本发明提出了一种基于智能手机的多种异构传感器自动检测排队行为的方法。检测方法主要包括四个阶段。
首先，利用现代智能手机内置的传感器，三维加速计收集智能手机三个坐标轴的加速度信息，电子方向盘收集智能手机当前所处的方向，陀螺仪收集智能手机相对位移的角速度，蓝牙收集智能手机周围的蓝牙设备的信号强度。其次，利用快速傅立叶变换，将时间序列的三维加速计数据，变化率数据，结合机器学习的决策树算法，判断当前手机用户的运动状态；利用统计方法(均值与方差)，统计电子方向盘和陀螺仪的数据，估算当前手机用户的方向；利用之前得到的用户的运动状态与方向，计算当前用户的位移；利用机器学习的多项式回归技术，将蓝牙信号强度拟合成相对距离数据，从而估计手机与手机之间的距离。再其次，我们根据上一步说获取的，运动状态，方向，位移信息，距离信息，再利用这些数据，合成排队模型的特征值，包括7个特征值：运动状态相似性(Movement Similarity,下文简写成MS)，方向状态相似性(Direction Similarity，下文简写成DS)，运动状态变化率(Movement Crossing Rate，下文简写成MCR)，方向状态变化率(Direction Crossing Rate，下文简写成DCR)，位移偏移(DisplacementDeviation，下文简写成DD)，相对距离变化率(Peer-Distance CrossingRate，下文简写成PDCR)，对齐距离(Alignment Distance，下文简写成AD)。最后，通过机器学习的支持向量机(SVM)，将(MS,DS,MCR,DCR,DD,PDCR,AD×3)作为特征向量，获取排队模型。
在智能手机上，实现多种异构传感器自动检测排队行为的方法，其主要步骤包括：
1.智能手机内置传感器采集原始数据，包括三维加速计、电子方向盘、陀螺仪与蓝牙。
2.利用信号处理、机器学习技术处理原始数据，推测用户的运动状态、方向、位移与距离；
3.利用步骤2获取的用户的运动状态、方向、位移与距离，提取排队行为的特征值，主要包括三个方面的特征值，相似度特征值，变化率特征与时间序列特征值，具体包括7钟，运动状态相似性(MS)，方向状态相似性(DS)，运动状态变化率(MCR)，方向状态变化率(DCR)，位移偏移(DD)，相对距离变化率(PDCR)，对齐距离(AD)。
4.结合步骤3的特征值与机器学习的支持向量机SVM，建立排队模型，自动检测当前手机是否处于排队行为。
其中，1.智能手机内置传感器(三维加速计、电子方向盘、陀螺仪与蓝牙)采集原始数据，具体为：
三维加速计采集原始数据：
现代智能手机的三维加速计，以20Hz-200Hz的频率采集手机加速度数据。以50Hz的频率采集三维加速计的加速度，每一个加速度数据都有三个值(x，y，z)，其中x代表手机的X轴加速度，y代表手机的Y轴加速度，z代表手机的Z轴加速度，计算手机的加速度的相幅值，利用公式1:
abs(Absolute mean绝对平均值的简写)作为手机X轴、Y轴和Z轴的加速度绝对平均值，可以描述当前手机加速度的变化的幅度。手机的三维加速计的采用频率为50Hz，我们采用64个abs数据(快速傅立叶变换输入数据规模的要求必须是2的n幂次，为了能覆盖50Hz的采用频率，我们采用2的6次方的输入数据规模)作为一个数据帧，放在一个窗口中，每个窗口经过快速傅立叶变换(FFT package)获取64个频率值的输出，作为步骤2的输入。
电子方向盘采集原始数据：
现代智能手机的电子方向盘，以20Hz-200Hz的频率采集手机加速度数据。我们采用50Hz的频率采集电子方向盘的数据，三维坐标轴(x，y，z)中，其中y值代表着当前手机的方向，x与z值数据干扰数据。将数据以64个数据帧(需要手机运动状态的计算频率保持一致，才能步骤2计算相同时刻的特征值)作为一个窗口，放在一个数据帧里面，求其中的平局值μ和标准差σ，作为步骤2的输入。
陀螺仪采集原始数据：
现代智能手机的陀螺仪，以其采集频率为不确定。我们尽可能快地采集陀螺仪的数据，每一个陀螺仪的数据代表了，智能手机在x轴，y轴和z轴的角速度。将三维数组，以以64个数据帧(需要手机运动状态与方向的计算频率保持一致，才能步骤2计算相同时刻的特征值)作为一个窗口，放在一个数据帧里面，作为步骤2的输入。
蓝牙采集原始数据：
现代智能手机的蓝牙，我们以1Hz的频率去收集周围的蓝牙与信号强度，以数据对格式存储蓝牙数据(ID,RSSI)，其中ID标识蓝牙的标识符，RSSI表示当前蓝牙ID的信号强度，作为步骤2的输入。
其中，2.利用步骤1采集的原始数据，结合机器学习技术，推测用户的运动状态、方向、位移与距离，具体为：
运动状态的获取：
在步骤1中，我们针对每一帧数据(64个abs数据)已经获取了经过傅立叶快速变化，获取的64个不同频率的特征值，以这64个特征值作为输入。利用机器学习算法里面的J.48算法，其中J.48是经典的决策树优化算法，输入为64个维度的特征向量，输出为分类结果。其分类结果为人们在排队时所有可能的运动状态，包括：步行(walk)，停止(still),快步前进(running)等等。
方向状态的获取：
步骤1获取的电子方向盘数据帧(64个y轴的数据)、均值μ和标准差σ。以及步骤1所获取的陀螺仪数据，(x，y，z)每个值代表相应坐标轴的角速度。我们结合陀螺仪数据和电子方向盘数据，推测当前手机用户的方向状态。具体做法：首先将电子方向盘获取的方向数据作为初始的方向数据，陀螺仪(x，y，z)是相对加速度，采用积分公式2,获取在时间[t1,t2]内方向改变的角度：
手机的陀螺仪采用的三维(x，y，z)中，其中y值代表着当前手机的方向，x与z值数据干扰数据，因此只采用Y轴数据进行改变方向角度Δangle的计算。其次，利用Δangle来纠正电子方向盘的数据误差。纠正方法：前一时刻t1的电子方向盘测量的角度为α1，下一时刻电子方向盘测量的角度为α2,计算俩个数值的差值(Δ＝α1-α2)，如果Δ和Δangle不一致，那么利用Δangle进行纠正，否则不做改变。
位移的获取：
根据步骤1所获取的每一个窗口的数据帧(64个abs数据)，利用小波变换平滑数据帧。小波变换，是经典信号处理中，利用包含有限脉冲响应滤波器的滤波器段，将符合这个波段的信号清晰的表示出来。人们的位移，是通过步行(走路)来实现，人们的走路是具有时序相关性的波段，因此，小波变换可以将人们步行的波段清晰的描述出来。本发明计算人们步数，通过小波变换，将每个窗口的(64个abs数据)过滤掉干扰数据(非时序相关性的波段)，剩下的窗口数据(abs数据)就是描述人们的走路的时序窗口，然后计算波峰数目，计算方法：一个时间点上的abs数据，既大于左边(早于这个时间点)abs数据的也大于右边(晚于这个时间点)，那么这个时间点计算为一个波峰值，如果这个波峰的大小超过了1.7g(具体数据我们参见医疗设备的计步标准，那么步数加1，否则不变，其中g代表9.8m/s2的加速度。如图3所示。
距离的获取：
在步骤1,说获取的蓝牙数据二元组(ID,RSSI),来计算当前的距离。计算方法如下，利用历史数据进行多项拟合。本发明，采集了70个不同位置(距离)一对智能手机，分别记录他们的距离信息和相应的信号强度，如图4所示：
采用机器学习里的多项式拟合算法，获取距离和信号强度的映射关系，通过公式描述：
d＝a3*r3+a2*r2+a1*r1 (2)
其中r表示信号强度RSSI的简写，d表示距离，其中(a3，a2，a1)分别为信号强度r三次方的参数，信号强度r二次方的参数，信号强度r的参数(这是多项式拟合采用的固定方式)，通过机器学习的多项拟合方法获取这三个参数的具体数值。以后距离的计算，根据蓝牙收集到(ID,RSSI)数据，通过公式2，可以获取计算出和当前设备号是ID的距离。
3.排队行为的特征值提取：
排队行为的特征主要包括三个方面，相似度特征值，变化率特征与时间序列特征值，具体来说，囊括了7种：运动状态相似性(Movement Similarity,下文简写成MS)，方向状态相似性(Direction Similarity，下文简写成DS)，运动状态变化率(Movement Crossing Rate，下文简写成MCR)，方向状态变化率(Direction Crossing Rate，下文简写成DCR)，位移偏移(Displacement Deviation，下文简写成DD)，相对距离变化率(Peer-Distance Crossing Rate，下文简写成PDCR)，对齐距离(AlignmentDistance，下文简写成AD)。下面将针对每一种特征值，进行介绍与如何计算。
运动状态相似性(MS)：
运动状态相似度计算，它描述了两个人运动状态在一定时间内的相似程度。人们在排队过程中，人们要么一起等待，要么队伍移动的时候，人们也会一起移动，因此排队行为会具有比较高的相似度。相似度计算公式3：
其中n一定时间内的状态数目。其中函数f(a，b)i表示在时刻i，a与b的运动状态是否一致，其中a和b表示指代具体的人(下文的出现的a或b也表示同样的意思)，如果一致f(a，b)i取1，否则f(a，b)i取0，其中运动状态是通过步骤2获取。公式2计算的MS，表示了两个人a与b在一段时间内，他们的运动状态是否一致。MS(a，b)数字越高，说明a和b两人的运动状态越相似。
方向状态相似性(DS)：
方向相似度计算，它描述了两个人方向在一定时间内的相似程度。人们在排队过程中，人们的方向大部分时间都是一致的，因此排队行为会具有比较高的方向相似度。相似度计算公式4：
其中n一定时间内的状态数目。其中函数g(a，b)i表示在时刻i，a与b的方向状态是否一致，如果一致g(a，b)i取1，否则g(a，b)i取0。方向是否一致，采用公式5进行判断：
其中avg表示均值，std表示标准差。表示a在时刻i时的方向值，它在步骤2中获取。如果公式5成立，那么表示两个人的方向是一致的，函数g(a，b)i等于1。在公式5的基础上，计算的公式4的DS，表示了两个人a与b在一段时间内，他们的运动方向是否一致，其数值越高，说明两者越相似。
运动状态变化率(MCR)：
运动状态变化率计算，它描述了两个人运动状态在一定时间内差异程度。人们在排队过程中，队伍如果向前移动，排在前面的人会先移动，排在后面的人会后移动，因此排队行为会有一定的时间差异度。本发明利用公式6计算：
公式6的变量含义与公式3变量含义一致。公式6计算的MCR，表示了两个人a与b运动状态相似性变化程度，其数值越高，说明两者运动状态相似度不稳定，数值越低，表示两者运动状态相似度很稳定。
方向状态变化率(DCR)：
方向变化率计算，它描述了两个人方向状态在一定时间内差异程度。人们在排队过程中，队伍如果向前移动，排在前面的人会先移动，排在后面的人会后移动，因此排队行为会有一定的时间差异度。本发明利用公式7计算：
公式7的变量含义与公式4，5变量含义一致。公式7计算的DCR，表示了两个人a与b方向状态相似性变化程度，其数值越高，说明两者方向状态相似度不稳定，数值越低，表示两者方向状态相似度很稳定。
位移偏移(DD)：
位移变化率计算，它描述了两个人位移状态在一定时间内差异程度。人们在排队过程中，队伍如果向前移动，排在前面的人会先移动，排在后面的人会后移动，因此排队行为中位移会有一定的时间差异度。本发明利用公式8计算：
其中f(a，b)′i表示a与b的位移是否一致，a与b的位移在步骤2中获取，其中i表示具体的时刻。如果a与b的位移相等，那么f(a，b)′i取1否则取0。其余的变量含义与公式3变量含义一致。公式8计算的DD，表示了两个人a与b位移状态相似性，其数值越高，说明两者越相似。
相对距离变化率(PDCR)：
距离状态变化率计算，它描述了两个人距离状态在一定时间内差异程度。人们在排队过程中，人与人之间有固定的距离，这个距离有2个因素决定，当前排队的位置，相邻的人之间的距离，除非有人离开了队伍，否则排队过程中，距离的状态变化率是保持很低的值。本发明利用公式9计算：
其中d(a，b)i表示a与b在时刻i之间的距离，它通过步骤2获取。公式9计算的PDCR，表示了两个人a与相对距离的变化程度，其数值越高，说明两者相对距离变换越快，越不稳定，数值越低，表示两者的相对距离很稳定。
对齐距离(AD)：
时序特征值计算，它描述两个人的状态具有一定的时序关系。人们在排队过程中，无论是运动状态、方向、还是位移、距离都具有一定的时序关系，本发明采用最小对其距离来描述人们之间的时序关系。算法Dynamic TimeWarping(DTW)可以计算在单位时间内，两者之间的时序关系，返回一个确定的值。
4.结合步骤3的特征值与机器学习的支持向量机SVM，建立排队模型。
在步骤3，我们获取了7种特征值，其中时序特征值Alignment Distance(AD)，可以包括运动状态的时序关系，方向的时序关系，位移的时序关系。因此我们具有特征向量空间，9维(MS,DS,MCR,DCR,DD,PDCR,AD×3)，结合机器学习的支持向量机算法，建立排队模型。其中支持向量机，是经典的机器学习算法，可以将向量空间，划分不同的类别，并且寻找一个gap(边界)，使得不同类别之间边界最大化。
下面结合图5说明本发明的工作流程：
a)三维加速计收集手机的X、Y、Z轴的原始数据；
b)在(a)后，对数据进行小波变换和决策树判断；
c)陀螺仪收集手机的X、Y、Z轴的相对角速度；
d)在(c)后，对数据继续积分，获得一定时间内的角度变换；
e)陀螺仪收集手机的X、Y、Z轴的的方向；
f)在(e)后，求其均值与方差；
g)蓝牙收集周围蓝牙设备的信号强度；
h)在(g)后，利用回归模型，获得周围设备间的距离；
i)在(b)后，获取当前手机的运动状态；
j)在(d)(f)后，获取当前手机的方向；
k)在(j)(b)后，获取当前手机的位移；
l)在(h)后，获取当前手机的距离；
m)在(i)(j)(k)(l)后，获取当前手机的排队特征值；
在(m)后，判断当前手机是否处于排队状态。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。