热搜
您的位置:首页 >> 科技

AI深入日常生活,仅凭Wi

2019年05月07日 栏目:科技

AI深入日常生活,仅凭Wi导读:历史告诉我们,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,包括他们的运动方式。历史告诉
AI深入日常生活,仅凭Wi

导读: 历史告诉我们,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,包括他们的运动方式。

历史告诉我们,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,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(“用于Wi-Fi信号模式检测的半监督深度残留网络”)上发表的一篇论文中,描述了一个神经网络(即一个以生物神经元为模型的数学函数层),可以从Wi-Fi数据中获得有关智能手机用户的信息,特别是他们的交通方式,是选择步行、骑自行车还是选择在几个街区内驾驶机动车。

研究人员指出,Wi-Fi与常用的模态分类方案相比具有更多优势。首先,它无处不在,即使在城市高楼这样具有“挑战性”的环境中,它也能在室内可靠地工作。该论文的作者解释道:“由于其普适性,Wi-Fi网络有可能在多式联运中收集大规模、低成本和非聚合的数据。在这项研究中,我们开发了一个雏形,能够利用从智能手机获得的Wi-Fi通信来检测交通模式。”

该团队选择的神经网络架构是一个深度残留网络,这是一种最初用于图像识别的人工智能,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中的椎体细胞。)在这种情况下,算法是半监督的,这意味着它依赖于标记的数据来分析出确定的交通模式。

为了编制数据集,研究人员使用了一个名为UrbanFlux系统,该系统由半径为50米的Wi-Fi探测器组成,部署在多伦多市中心的拥挤地段。(他们表示,之所以选择这些地点,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连接次数,这些志愿者按要求以不同的方式绕着指定的路线运动了10圈,分别为走路、骑车和开车。最终,他们完成了2838次旅行。

在测试人工智能系统的部分数据后,研究人员设法从中提取了15个特性(基于时间和速度、信号强度和连接数),然后在一个单独的测试集上对其进行了验证。他们表示,该系统成功预测所有三种运输方式的准确率超过80%——步行81.8%,骑自行车82.5%,开车86.0%。他们认为,开车具有最准确的回忆和精确度,而骑自行车最低——这可能是因为骑自行车和开车有许多共同的特征,而这些特征正是人工智能系统很可能识别的。

该论文的作者写道:“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出行习惯及其出行趋势。交通模式检测在城市无所不在的传感器中也很有用,因为它可以洞察能源消耗,污染跟踪和预测以及燃烧卡路里估算。”

研究人员将预测模型扩展到不同的交通方式,如地铁、有轨电车和公共汽车,并整合来自交通时刻表的实时数据,这些都是他们未来的工作。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。