您现在的位置是:首页 >生活 > 2021-04-08 08:19:01 来源:

普渡大学的研究人员使用人工智能从Wi-Fi数据中预测学生的位置和朋友

导读 基于位置的签到显示了很多关于一个人 - 特别是大学生,事实证明。普渡大学的研究人员在上个月早些时候在预印本服务器Arxiv org上发表了一

基于位置的签到显示了很多关于一个人 - 特别是大学生,事实证明。普渡大学的研究人员在上个月早些时候在预印本服务器Arxiv.org上发表了一篇论文(“ 探索改进兴趣点预测的学生登记行为 ”),描述了Wi-Fi访问日志如何用于识别用户之间的相关性学术环境中的地点和活动。

普渡大学的研究人员使用人工智能从Wi-Fi数据中预测学生的位置和朋友

使用AI预测位置数据中的位置和友谊可能听起来有点令人毛骨悚然,真实。但从好的方面来说,它不像人工智能那样可以通过眼球运动来预测人格特质。

“在兴趣点(POI)任务中,目标是使用用户行为数据来模拟用户在不同位置和时间的活动,然后根据他们当前的背景进行预测(或针对相关场所的建议,”研究人员写道:“在这项工作中,我们首先分析了时空教育'登记'数据集,目的是使用POI预测来个性化学生的建议......并了解提高学生保留率和满意度的行为模式。结果还可以更好地了解校园设施的使用方式以及学生之间的联系方式。“

该团队指出,在大多数之前的POI研究中,数据集主要包括来自Foursquare或Yelp等社交网络应用程序的自愿签到。因此,他们对餐馆和娱乐热点的信息“丰富”,但没有对“平淡无奇”的活动有所了解,比如到办公室,离开家,或跑一个差事。此外,由于为他们做出贡献的用户经常只访问一次场地,因此他们可能会得出有偏见的结论,并且难以确定一致的模式。

研究人员选择用Wi-Fi解决问题 - 普渡大学的Wi-Fi。他们在论文中提出的优势是“更好的时间分辨率”,因为每个用户的Wi-Fi访问历史数据量非常大。(当他们的设备无线发送或接收数据包时,参与研究的学生“签入”,导致最终达到376GB的日志文件。)在将这些数据与位置的场地信息配对后,论文的作者能够分析所有新生普渡大学学生在2016-2017学年的运动。

数据集中的每个条目包含四个项目:用户,兴趣点,兴趣点功能(例如,居住或娱乐)和时间跨度(在给定位置花费的时间量)。在处理之后,处理的样本包括少于100个签入和其他步骤的用户,处理后的样本有5.4亿个日志。

它揭示了一些有趣的趋势。例如,在工作日,学生们在下午12点和下午6点前往餐厅,并在晚上8点左右去健身房。可以预见,新生在很快(在前2-3周内)探索校园,然后坚持修复,在学期剩余时间内熟悉的建筑范围。而且偏好因专业而异。计算机科学学生和药学学生同时用餐,但后者在上午11点到下午12点之间更多地上课.CS学生从早上到下午打书,花了更多时间在学术建筑上,而药房学生则把它带到了后来的重量室。

在进行了额外的处理和索引之后,研究人员按照时间顺序对前80个登记记录中的一系列机器学习模型进行了培训,并保留了剩余的20%%用于测试。他们提出的人工智能系统 - 嵌入密集的异构图形或EDHG - 能够准确地预测学生访问过的前三个位置,准确率分别为85%%和31%%,前十位,准确度分别为90%%和71%%。

接下来,该论文的作者将其放在“合作事件”上 - 当两名学生同时在同一个地方时。他们推测它可以表明人与人之间的关系 - 即友谊。

EDHG在这方面做得很好,建议为每个用户列出10个潜在朋友,这些朋友的表现优于基线中最先进的方法。然而,研究人员指出,针对不太活跃用户的建议 - 即签到次数较少的用户 - 往往不太准确。

他们留待将来的工作将合作数据纳入AI模型,他们希望这将显示社交互动是否会影响学生的登记行为。

“这些初步结果表明了将学生轨迹信息用于教育应用中的个性化推荐的承诺,”他们写道,“以及学生保留和满意度的预测模型。”

让我们希望未来的用例与研究人员预测的一样无害。