AI預測Wi-Fi信號的智能手機運輸方式

你可以從他們的人的小工具中學到很多關于人的知識，歷史告訴我們，包括他們的動作。在預印本服務器Arxiv.org上發表的一篇論文(“ 用于Wi-Fi信號模式檢測的半監督深度殘余網絡 ”)，加拿大多倫多瑞爾森大學的研究人員描述了一個神經網絡(即數學函數層)以生物神經元為模型，可以從Wi-Fi數據中獲得有關智能手機用戶的見解 - 特別是他們是選擇步行，騎自行車還是在幾個城市街區行駛。

研究人員指出，Wi-Fi與常用的模態分類方案相比具有許多優勢。它無處不在，即使在像城市高層這樣的“挑戰性”環境中也能在室內可靠地工作。“由于其普遍性，Wi-Fi網絡有可能收集關于多式聯運的大規模，低成本和分解數據，”該論文的作者解釋說。“在這項研究中，我們開發了一個框架，利用從智能手機獲得的Wi-Fi通信來進行運輸模式檢測。

該團隊選擇的神經網絡架構是一個深度剩余網絡，一個最初用于圖像識別的AI，它包含快捷方式或跳過連接，以跳過網絡中的某些功能層。(它的靈感來自大腦皮層的金字塔細胞。)在這種情況下，算法是半監督的，這意味著它依賴于標記數據(運輸方式)來消除模式。

為了編制數據集，研究人員采購了一個系統 - UrbanFlux - 由多倫多市中心“擁擠的市區”部署的半徑為50米的Wi-Fi探測器組成。(他們寫道，這些地點選擇了自行車道，人行道，雙車道和單車道街道以及有軌電車。)在2017年6月和2018年8月的幾天中，他們記錄了MAC地址，信號強度以及屬于四個志愿者的個人智能手機的連接時間，這些志愿者在指定的環路中進行了10輪，在步行，騎自行車和駕駛之間分配時間。最后，他們完成了2,838次旅行。

在對一部分數據進行AI培訓后，他們設法提取了15個特征(基于時間和速度，信號強度和連接數)，研究人員在一個單獨的測試集上對其進行了驗證。他們報告說，它成功預測了所有三種運輸方式，準確率超過80%% - 步行81.8%%，騎自行車82.5%%，駕駛86.0%%。他們認為，駕駛具有最準確的召回和精確度，而自行車最低 - 可能是因為騎自行車和駕駛共享許多人工智能系統可能獲得的功能。

“該方法可以被城市決策者，運營商和規劃者用來更好地了解用戶的旅行習慣及其隨時間變化的趨勢，”該論文的作者寫道。“交通模式檢測在城市無所不在的傳感中也很有用，因為它可以深入了解能源消耗，污染跟蹤和預測以及燃燒卡路里估算。”

他們將未來的工作留給將模型擴展到不同的交通方式，如地鐵，有軌電車和公共汽車，并整合來自公交時刻表的實時數據。