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。

【来源：猎云网】