神经网络利用Wi-Fi数据预测人们选择的交通方式
2019年02月21日 由 明知不问 发表
104766
0
加拿大多伦多瑞尔森大学的研究人员描述了一个神经网络,以生物神经元为模型,可以从Wi-Fi数据中获得有关智能手机用户的见解,看他们是选择步行,骑自行车还是开车。
研究人员指出,Wi-Fi与常用的模态分类方案相比具有许多优势。它无处不在,即使在像城市高层建筑这样的挑战性环境中,也能在室内可靠地工作。
“由于Wi-Fi网络的普遍性,它有可能收集关于多式联运的大规模,低成本和分解数据,”该论文的作者解释说,“在这项研究中,我们开发了一个框架,利用从智能手机获得的Wi-Fi通信来进行运输方式检测。”
该团队选择的神经网络架构是一个深度残差网络,一个最初用于图像识别的AI,它包含快捷方式或跳过连接,以跳过网络中的某些功能层(它的灵感来自大脑皮层的锥体细胞)。在这种情况下,算法是半监督的,这意味着它依赖于标记数据(运输方式)来消除模式。
为了编制数据集,研究人员采集了一个由半径为50米的Wi-Fi探测器组成的系统UrbanFlux,该系统部署在多伦多市中心一个拥挤的城区。之所以选择这些地点,是因为这里有自行车道、人行道、双车道和单车道街道,以及有轨电车。
在2017年6月和2018年8月的几天时间里,他们记录了四名志愿者的MAC地址、信号强度和个人智能手机的连接次数。这些志愿者绕着指定的圆圈走了10圈,把时间分配给步行、骑车和驾车。最后,他们完成了2838次旅行。
在对AI用一部分数据进行训练后,他们设法提取了15个特征(基于时间和速度,信号强度和连接数),研究人员在一个单独的测试集上对其进行了验证。
他们报告说,它成功预测了所有三种运输方式,准确率超过80%——步行81.8%,骑自行车82.5%,驾车86.0%。驾车最准确,而自行车最低,可能是因为骑自行车和驾车共享许多AI系统可能获得的功能。
论文的作者写道,“该方法可以被城市决策者,运营商和规划者用来更好地了解用户的旅行习惯及其随时间变化的趋势,交通模式检测在城市无所不在的传感中也很有用,因为它可以深入了解能源消耗,污染跟踪和预测,以及估算燃烧的卡路里。”
未来的工作是将模型扩展到不同的交通方式,如地铁,有轨电车和公共汽车,并整合来自公交时刻表的实时数据。