Ett sätt att informera smartphone-användare om deras klimatpåverkan är genom att automatiskt identifiera vilket transportmedel användaren nyttjat och använda informationen för att uppskatta användarens utsläpp av växthusgaser. Målet med det här projektet var att sammanställa en översikt av befintliga lösningar och metoder för att detektera smartphone-användares transportmedel och utvärdera hur ett system presterar då testdata är samlad i ett annat geografiskt område än datan som använts för att träna systemet. Utvärdering av systemet skedde via kvantitativa metoder där sensordata samlades in och användes för att testa systemet. Sensordata samlades vid gång, stilla, tåg, buss och bil. Resultatet är ett system som med varierande sannolikhet kan avgöra transportmedel i Sverige. Systemets totala precision var 29 procentenheter lägre då data som samlats i Sverige användes i testerna jämfört med data insamlad i samma geografiska område som träningsdatan. Slutsatsen är att det kan vara problematiskt att applicera en lösning i ett annat geografiskt område än lösningen utvecklats för. Genom testerna framkom att fordonstransport verkar särskilt känsligt vid byte av geografisk kontext.

A way to inform smartphone users about their climate impact is by automatically identifying their means of transport and use the information to estimate the user's emissions of greenhouse gases. The aim of this project was to create an overview of existing solutions and methods for detecting smartphone users' means of transport and evaluating how a system performs when test data is collected in a different geographical area than the data used to train the system. Evaluation of the system was done via quantitative methods where sensor data was collected and used to test the system. Sensor data was collected by walking, still, train, bus and car. The result is a system that, with varying probability, can determine the means of transport in Sweden. The system's total accuracy was 29 percentage points lower when data collected in Sweden was used in the tests compared to data collected in the same geographical area as the training data. The conclusion is that it can be problematic to apply a solution in a different geographical area than where the solution was developed for. The tests showed that vehicle detection seems particularly sensitive to changing geographical context.