本文摘要：历史告诉他我们，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，还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（“用作Wi－Fi信号模式检测的半监督深度残余网络”）上公开发表的一篇论文中，叙述了一个神经网络（即一个以生物神经元为模型的数学函数层），可以从Wi－Fi数据中取得有关智能手机用户的信息，尤其是他们的交通方式，是自由选择步行、骑马自行车还是自由选择在几个街区内驾驶员机动车。

历史告诉他我们，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，还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（“用作Wi－Fi信号模式检测的半监督深度残余网络”）上公开发表的一篇论文中，叙述了一个神经网络（即一个以生物神经元为模型的数学函数层），可以从Wi－Fi数据中取得有关智能手机用户的信息，尤其是他们的交通方式，是自由选择步行、骑马自行车还是自由选择在几个街区内驾驶员机动车。

研究人员认为，Wi－Fi与常用的模态分类方案比起具备更加多优势。首先，它无处不在，即使在城市高楼这样具备“挑战性”的环境中，它也能在室内可信地工作。该论文的作者说明道：“由于其普适性，Wi－Fi网络有可能在多式客货中搜集大规模、低成本和非单体的数据。在这项研究中，我们研发了一个雏形，需要利用从智能手机取得的Wi－Fi通信来检测交通模式。

”该团队自由选择的神经网络架构是一个深度残余网络，这是一种最初用作图像识别的人工智能，它包括快捷方式或跳过相连，以跳过网络中的某些功能层。（它的启发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，这意味著它依赖标记的数据来分析出有确认的交通模式。

为了编成数据集，研究人员用于了一个取名为UrbanFlux系统，该系统由半径为50米的Wi－Fi探测器构成，部署在多伦多市中心的挤迫地段。（他们回应，之所以自由选择这些地点，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相连次数，这些志愿者按拒绝以有所不同的方式绕着登录的路线运动了10圈，分别为走路、骑车和驾车。最后，他们已完成了2838次旅行。在测试人工智能系统的部分数据后，研究人员设法借此萃取了15个特性（基于时间和速度、信号强度和连接数），然后在一个分开的测试集上对其展开了检验。

他们回应，该系统顺利预测所有三种运输方式的准确率多达80％——步行81．8％，骑马自行车82．5％，驾车86．0％。他们指出，驾车具备最精确的回想和精确度，而骑自行车低于——这有可能是因为骑马自行车和驾车有许多联合的特征，而这些特征正是人工智能系统很有可能辨识的。该论文的作者写到：“该方法可以被城市决策者、运营商和规划者用来更佳地理解用户的上下班习惯及其上下班趋势。

交通模式检测在城市无所不在的传感器中也很简单，因为它可以洞察能源消耗，污染追踪和预测以及自燃卡路里估计。”研究人员将预测模型扩展到有所不同的交通方式，如地铁、有轨电车和公共汽车，并统合来自交通时刻表的动态数据，这些都是他们未来的工作。

本文来源：南宫28圈官网-www.kubernetek.com