AI预测Wi-Fi信号的智能手机运输方式

你可以从他们的人的小工具中学到很多关于人的知识，历史告诉我们，包括他们的动作。在预印本服务器Arxiv.org上发表的一篇论文(“ 用于Wi-Fi信号模式检测的半监督深度残余网络 ”)，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(即数学函数层)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 - 特别是他们是选择步行，骑自行车还是在几个城市街区行驶。

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，即使在像城市高层这样的“挑战性”环境中也能在室内可靠地工作。“由于其普遍性，Wi-Fi网络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通信来进行运输模式检测。

该团队选择的神经网络架构是一个深度剩余网络，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金字塔细胞。)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，研究人员采购了一个系统 - UrbanFlux - 由多伦多市中心“拥挤的市区”部署的半径为50米的Wi-Fi探测器组成。(他们写道，这些地点选择了自行车道，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月的几天中，他们记录了MAC地址，信号强度以及属于四个志愿者的个人智能手机的连接时间，这些志愿者在指定的环路中进行了10轮，在步行，骑自行车和驾驶之间分配时间。最后，他们完成了2,838次旅行。

在对一部分数据进行AI培训后，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%%，驾驶86.0%%。他们认为，驾驶具有最准确的召回和精确度，而自行车最低 - 可能是因为骑自行车和驾驶共享许多人工智能系统可能获得的功能。

“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，”该论文的作者写道。“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燃烧卡路里估算。”

他们将未来的工作留给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。