La recopilación de datos masivos del Sistema de Posicionamiento Global (GPS) a partir de encuestas de viaje ha aumentado exponencialmente en todo el mundo desde la década de 1990. Se han aplicado una serie de métodos, que van desde enfoques basados en reglas hasta enfoques de clasificación avanzados, para detectar modos de viaje a partir de datos de posicionamiento GPS recopilados en encuestas de viaje basadas en teléfonos inteligentes habilitados para GPS o dispositivos GPS dedicados. Entre estos enfoques, las redes neuronales (NN) son ampliamente adoptadas porque pueden extraer información sutil de los datos de entrenamiento que no puede ser obtenida directamente por humanos u otras técnicas de análisis. Sin embargo, las NN tradicionales, que generalmente se entrenan mediante algoritmos de retropropagación, son propensas a quedar atrapadas en óptimos locales. Por lo tanto, se introduce la optimización por enjambre de partículas (PSO) para entrenar las NN. Las PSO-NN resultantes se emplean para distinguir entre cuatro modos de viaje (caminar, andar en bicicleta, autobús y automóvil) con datos de posicionamiento GPS recopilados a través de una encuesta de viaje basada en un teléfono inteligente. Como resultado, el 95.81% de las muestras se identifican correctamente para el conjunto de entrenamiento, mientras que el 94.44% se identifican correctamente para el conjunto de prueba. Los resultados de este estudio indican que las encuestas de viaje basadas en teléfonos inteligentes ofrecen una oportunidad para complementar las encuestas de viaje tradicionales.