歷史告訴我們，你可以從人們身上的電子設(shè)備中了解到很多關(guān)于他們的東西，包括他們的運(yùn)動(dòng)方式。加拿大多倫多瑞爾森大學(xué)的研究人員發(fā)表的一篇論文就描述了一個(gè)神經(jīng)網(wǎng)絡(luò)(即一個(gè)以生物神經(jīng)元為模型的數(shù)學(xué)函數(shù)層)，可以從WiFi數(shù)據(jù)中獲得有關(guān)智能手機(jī)用戶的信息，特別是他們的交通方式，是選擇步行、騎自行車還是選擇在幾個(gè)街區(qū)內(nèi)駕駛機(jī)動(dòng)車。

研究人員指出，WiFi與常用的模態(tài)分類方案相比具有更多優(yōu)勢。首先，它無處不在，即使在城市高樓這樣具有“挑戰(zhàn)性”的環(huán)境中，它也能在室內(nèi)可靠地工作。該論文的作者表示：“由于其普適性，WiFi網(wǎng)絡(luò)有可能在多式聯(lián)運(yùn)中收集大規(guī)模、低成本和非聚合的數(shù)據(jù)。在這項(xiàng)研究中，我們開發(fā)了一個(gè)雛形，能夠利用從智能手機(jī)獲得的WiFi通信來檢測交通模式。”

該團(tuán)隊(duì)選擇的神經(jīng)網(wǎng)絡(luò)架構(gòu)是一個(gè)深度殘留網(wǎng)絡(luò)，這是一種較初用于圖像識別的人工智能，它包含快捷方式或跳過連接，以跳過網(wǎng)絡(luò)中的某些功能層(靈感來自大腦皮層中的椎體細(xì)胞)。在這種情況下，算法是半監(jiān)督的，這意味著它依賴于標(biāo)記的數(shù)據(jù)來分析出確定的交通模式。

為了編制數(shù)據(jù)集，研究人員使用了一個(gè)名為UrbanFlux系統(tǒng)，該系統(tǒng)由半徑為50米的WiFi探測器組成，部署在多倫多市中心的擁擠地段(研究人員表示，之所以選擇這些地點(diǎn)，是因?yàn)檫@里有自行車道、人行道、雙車道和單車道街道，以及有軌電車)。在2017年6月和2018年8月的某幾天內(nèi)，他們分別記錄了四名志愿者的MAC地址、信號強(qiáng)度以及個(gè)人智能手機(jī)的連接次數(shù)，這些志愿者按要求以不同的方式繞著指定的路線運(yùn)動(dòng)了10圈，分別為走路、騎車和開車。較終，他們完成了2838次旅行。

在測試人工智能系統(tǒng)的部分?jǐn)?shù)據(jù)后，研究人員設(shè)法從中提取了15個(gè)特性(基于時(shí)間和速度、信號強(qiáng)度和連接數(shù))，然后在一個(gè)單獨(dú)的測試集上對其進(jìn)行了驗(yàn)證。他們表示，該系統(tǒng)成功預(yù)測所有三種運(yùn)輸方式的準(zhǔn)確率超過80％——步行81.8％，騎自行車82.5％，開車86.0％。他們認(rèn)為，開車具有較準(zhǔn)確的回憶和度，而騎自行車較低——這可能是因?yàn)轵T自行車和開車有許多共同的特征，而這些特征正是人工智能系統(tǒng)很可能識別的。

研究人員表示，該方法可以被城市決策者、運(yùn)營商和規(guī)劃者用來更好地了解用戶的出行習(xí)慣及其出行趨勢。交通模式檢測在城市無所不在的傳感器中也很有用，因?yàn)樗梢远床炷茉聪模廴靖櫤皖A(yù)測以及燃燒卡路里估算。

研究人員將預(yù)測模型擴(kuò)展到不同的交通方式，如地鐵、有軌電車和公共汽車，并整合來自交通時(shí)刻表的實(shí)時(shí)數(shù)據(jù)，這些都是他們未來的工作。