你可以從他們的人的小工具中學(xué)到很多關(guān)于人的知識(shí)，歷史告訴我們，包括他們的動(dòng)作。在預(yù)印本服務(wù)器Arxiv.org上發(fā)表的一篇論文(“ 用于Wi-Fi信號(hào)模式檢測(cè)的半監(jiān)督深度殘余網(wǎng)絡(luò) ”)，加拿大多倫多瑞爾森大學(xué)的研究人員描述了一個(gè)神經(jīng)網(wǎng)絡(luò)(即數(shù)學(xué)函數(shù)層)以生物神經(jīng)元為模型，可以從Wi-Fi數(shù)據(jù)中獲得有關(guān)智能手機(jī)用戶的見(jiàn)解 - 特別是他們是選擇步行，騎自行車還是在幾個(gè)城市街區(qū)行駛。

研究人員指出，Wi-Fi與常用的模態(tài)分類方案相比具有許多優(yōu)勢(shì)。它無(wú)處不在，即使在像城市高層這樣的“挑戰(zhàn)性”環(huán)境中也能在室內(nèi)可靠地工作。“由于其普遍性，Wi-Fi網(wǎng)絡(luò)有可能收集關(guān)于多式聯(lián)運(yùn)的大規(guī)模，低成本和分解數(shù)據(jù)，”該論文的作者解釋說(shuō)。“在這項(xiàng)研究中，我們開(kāi)發(fā)了一個(gè)框架，利用從智能手機(jī)獲得的Wi-Fi通信來(lái)進(jìn)行運(yùn)輸模式檢測(cè)。

該團(tuán)隊(duì)選擇的神經(jīng)網(wǎng)絡(luò)架構(gòu)是一個(gè)深度剩余網(wǎng)絡(luò)，一個(gè)最初用于圖像識(shí)別的AI，它包含快捷方式或跳過(guò)連接，以跳過(guò)網(wǎng)絡(luò)中的某些功能層。(它的靈感來(lái)自大腦皮層的金字塔細(xì)胞。)在這種情況下，算法是半監(jiān)督的，這意味著它依賴于標(biāo)記數(shù)據(jù)(運(yùn)輸方式)來(lái)消除模式。

為了編制數(shù)據(jù)集，研究人員采購(gòu)了一個(gè)系統(tǒng) - UrbanFlux - 由多倫多市中心“擁擠的市區(qū)”部署的半徑為50米的Wi-Fi探測(cè)器組成。(他們寫道，這些地點(diǎn)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(hào)強(qiáng)度以及屬于四個(gè)志愿者的個(gè)人智能手機(jī)的連接時(shí)間，這些志愿者在指定的環(huán)路中進(jìn)行了10輪，在步行，騎自行車和駕駛之間分配時(shí)間。最后，他們完成了2,838次旅行。

在對(duì)一部分?jǐn)?shù)據(jù)進(jìn)行AI培訓(xùn)后，他們?cè)O(shè)法提取了15個(gè)特征(基于時(shí)間和速度，信號(hào)強(qiáng)度和連接數(shù))，研究人員在一個(gè)單獨(dú)的測(cè)試集上對(duì)其進(jìn)行了驗(yàn)證。他們報(bào)告說(shuō)，它成功預(yù)測(cè)了所有三種運(yùn)輸方式，準(zhǔn)確率超過(guò)80%% - 步行81.8%%，騎自行車82.5%%，駕駛86.0%%。他們認(rèn)為，駕駛具有最準(zhǔn)確的召回和精確度，而自行車最低 - 可能是因?yàn)轵T自行車和駕駛共享許多人工智能系統(tǒng)可能獲得的功能。

“該方法可以被城市決策者，運(yùn)營(yíng)商和規(guī)劃者用來(lái)更好地了解用戶的旅行習(xí)慣及其隨時(shí)間變化的趨勢(shì)，”該論文的作者寫道。“交通模式檢測(cè)在城市無(wú)所不在的傳感中也很有用，因?yàn)樗梢陨钊肓私饽茉聪?，污染跟蹤和預(yù)測(cè)以及燃燒卡路里估算。”

他們將未來(lái)的工作留給將模型擴(kuò)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(lái)自公交時(shí)刻表的實(shí)時(shí)數(shù)據(jù)。