Din smartphone kan snart gøre din pendling meget mindre stressende

Apps, der kan registrere, hvilken transportform telefonbrugere rejser på og automatisk giver relevante råd, er klar til at blive en realitet efter omfattende dataindsamlingsforskning ledet af University of Sussex.

Forskere ved University of Sussex's Wearable Technologies Lab mener, at de maskinlæringsteknikker, der er udviklet i en global forskningskonkurrence, de indledte, også kan føre til, at smartphones kan forudsige kommende vejforhold og trafikniveauer, tilbyde rute- eller parkeringsanbefalinger og endda registrere den mad og drikke, som en telefonbruger indtager, mens han er på farten.

Professor Daniel Roggen, læser i sensorteknologi ved University of Sussex, sagde:"Dette datasæt er virkelig unikt i sin skala, rigdommen af ​​de sensordata, den omfatter, og kvaliteten af ​​dens annoteringer. Tidligere undersøgelser indsamlede generelt kun GPS- og bevægelsesdata. Vores undersøgelse er meget bredere i omfang:vi indsamlede alle sensormodaliteter af smartphones, og vi indsamlede dataene med telefoner placeret samtidigt på fire steder, hvor folk typisk bærer deres telefoner, såsom hånden, rygsæk, håndtaske og lomme.

"Dette er ekstremt vigtigt for at designe robuste maskinlæringsalgoritmer. De mange forskellige transportformer, rækken af ​​målte forhold og det store antal sensorer og timers registrerede data er uden fortilfælde."

Prof Roggen og hans team indsamlede hvad der svarer til mere end 117 dages dataovervågningsaspekter af pendleres rejser i Storbritannien ved at bruge en række forskellige transportmetoder for at skabe det største offentligt tilgængelige datasæt af sin art.

Projektet, hvis resultater vil blive præsenteret på Ubicomp-konferencen i Singapore fredag ​​[12. oktober], indsamlet data fra fire mobiltelefoner båret af forskere, mens de gik på deres daglige pendling over syv måneder.

Holdet lancerede en global konkurrence, der udfordrede teams til at udvikle de mest nøjagtige algoritmer til at genkende otte transportformer (sidder stille, gå, løb, cykle eller tage bussen, bil, tog eller metro) fra data indsamlet fra 15 sensorer, der måler alt fra bevægelse til omgivende tryk.

Projektet, støttet af den kinesiske telekomgigant Huawei med akademikere ved Ritsumeikan University og Kyushu Institute of Technology i Japan og Saints Cyril og Methodius University of Skopje i Makedonien, så 17 hold deltage med to bidrag, der opnåede resultater med mere end 90 % nøjagtighed, otte med mellem 80 % og 90 %, og ni mellem 50 % og 80 %.

Det vindende hold, JSI-Deep fra Jozef Stefan Institute i Slovenien, opnåede den højeste score på 93,9 % ved brug af en kombination af dybe og klassiske maskinlæringsmodeller. Generelt havde deep learning-teknikker en tendens til at overgå traditionelle maskinlæringstilgange, dog ikke i nogen nævneværdig grad.

Det er nu håbet, at det meget alsidige University of Sussex-Huawei Locomotion-Transportation (SHL) datasæt vil blive brugt til en lang række undersøgelser af elektroniske logningsenheder, der udforsker genkendelse af transporttilstande, mining af mobilitetsmønster, lokalisering, sporing og sensorfusion.

Prof Roggen sagde:"Ved at organisere en maskinlæringskonkurrence med dette datasæt kan vi dele erfaringer i det videnskabelige samfund og sætte en baseline for fremtidigt arbejde. Automatisk genkendelse af transportformer er vigtig for at forbedre flere mobiltjenester - for eksempel for at sikre videostreamingkvalitet på trods af at man kommer ind i tunneler eller undergrundsbaner, eller for proaktivt at vise information om forbindelsesplaner eller trafikforhold.

"Vi tror på, at andre forskere vil være i stand til at udnytte dette unikke datasæt til mange innovative undersøgelser og nye mobile applikationer ud over smart transport, for eksempel at måle energiforbrug, opdage social interaktion og social isolation, eller udvikle nye laveffekt lokaliseringsteknikker og bedre mobilitetsmodeller til forskning i mobilkommunikation."