历史告诉他我们,你可以从人们身上的电子设备中了解到很多关于他们的东西,还包括他们的运动方式。加拿大多伦多瑞尔森大学的研究人员在预印服务器Arxiv.org(“用作Wi-Fi信号模式检测的半监督深度残余网络”)上公开发表的一篇论文中,叙述了一个神经网络(即一个以生物神经元为模型的数学函数层),可以从Wi-Fi数据中取得有关智能手机用户的信息,尤其是他们的交通方式,是自由选择步行、骑马自行车还是自由选择在几个街区内驾驶员机动车。
研究人员认为,Wi-Fi与常用的模态分类方案比起具备更加多优势。首先,它无处不在,即使在城市高楼这样具备“挑战性”的环境中,它也能在室内可信地工作。
该论文的作者说明道:“由于其普适性,Wi-Fi网络有可能在多式客货中搜集大规模、低成本和非单体的数据。在这项研究中,我们研发了一个雏形,需要利用从智能手机取得的Wi-Fi通信来检测交通模式。”该团队自由选择的神经网络架构是一个深度残余网络,这是一种最初用作图像识别的人工智能,它包括快捷方式或跳过相连,以跳过网络中的某些功能层。(它的启发来自大脑皮层中的椎体细胞。
)在这种情况下,算法是半监督的,这意味著它依赖标记的数据来分析出有确认的交通模式。为了编成数据集,研究人员用于了一个取名为UrbanFlux系统,该系统由半径为50米的Wi-Fi探测器构成,部署在多伦多市中心的挤迫地段。
(他们回应,之所以自由选择这些地点,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月的某几天内,他们分别记录了四名志愿者的MAC地址、信号强度以及个人智能手机的相连次数,这些志愿者按拒绝以有所不同的方式绕着登录的路线运动了10圈,分别为走路、骑车和驾车。最后,他们已完成了2838次旅行。
在测试人工智能系统的部分数据后,研究人员设法借此萃取了15个特性(基于时间和速度、信号强度和连接数),然后在一个分开的测试集上对其展开了检验。他们回应,该系统顺利预测所有三种运输方式的准确率多达80%——步行81.8%,骑马自行车82.5%,驾车86.0%。
他们指出,驾车具备最精确的回想和精确度,而骑自行车低于——这有可能是因为骑马自行车和驾车有许多联合的特征,而这些特征正是人工智能系统很有可能辨识的。该论文的作者写到:“该方法可以被城市决策者、运营商和规划者用来更佳地理解用户的上下班习惯及其上下班趋势。交通模式检测在城市无所不在的传感器中也很简单,因为它可以洞察能源消耗,污染追踪和预测以及自燃卡路里估计。”研究人员将预测模型扩展到有所不同的交通方式,如地铁、有轨电车和公共汽车,并统合来自交通时刻表的动态数据,这些都是他们未来的工作。
本文来源:yabo手机版登录-www.tsshx.cn
Copyright © 2008-2023 www.tsshx.cn. yabo手机版登录科技 版权所有 ICP备77138640号-7 XML地图 网站模板