歷史告訴我們，你可以從人們身上的電子設備中了解到很多關于他們的東西，包括他們的運動方式。加拿大多倫多瑞爾森大學的研究人員在預印服務器Arxiv.org(“用于Wi-Fi信號模式檢測的半監督深度殘留網絡”)上發表的一篇論文中，描述了一個神經網絡(即一個以生物神經元為模型的數學函數層)，可以從Wi-Fi數據中獲得有關智能手機用戶的信息，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街區內駕駛機動車。

研究人員指出，Wi-Fi與常用的模態分類方案相比具有更多優勢。首先，它無處不在，即使在城市高樓這樣具有“挑戰性”的環境中，它也能在室內可靠地工作。該論文的作者解釋道：“由于其普適性，Wi-Fi網絡有可能在多式聯運中收集大規模、低成本和非聚合的數據。在這項研究中，我們開發了一個雛形，能夠利用從智能手機獲得的Wi-Fi通信來檢測交通模式。”

該團隊選擇的神經網絡架構是一個深度殘留網絡，這是一種最初用于圖像識別的人工智能，它包含快捷方式或跳過連接，以跳過網絡中的某些功能層。(它的靈感來自大腦皮層中的椎體細胞。)在這種情況下，算法是半監督的，這意味著它依賴于標記的數據來分析出確定的交通模式。

為了編制數據集，研究人員使用了一個名為UrbanFlux系統，該系統由半徑為50米的Wi-Fi探測器組成，部署在多倫多市中心的擁擠地段。(他們表示，之所以選擇這些地點，是因為這里有自行車道、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，他們分別記錄了四名志愿者的MAC地址、信號強度以及個人智能手機的連接次數，這些志愿者按要求以不同的方式繞著指定的路線運動了10圈，分別為走路、騎車和開車。最終，他們完成了2838次旅行。

在測試人工智能系統的部分數據后，研究人員設法從中提取了15個特性(基于時間和速度、信號強度和連接數)，然后在一個單獨的測試集上對其進行了驗證。他們表示，該系統成功預測所有三種運輸方式的準確率超過80%——步行81.8%，騎自行車82.5%，開車86.0%。他們認為，開車具有最準確的回憶和精確度，而騎自行車最低——這可能是因為騎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很可能識別的。

該論文的作者寫道：“該方法可以被城市決策者、運營商和規劃者用來更好地了解用戶的出行習慣及其出行趨勢。交通模式檢測在城市無所不在的傳感器中也很有用，因為它可以洞察能源消耗，污染跟蹤和預測以及燃燒卡路里估算。”

研究人員將預測模型擴展到不同的交通方式，如地鐵、有軌電車和公共汽車，并整合來自交通時刻表的實時數據，這些都是他們未來的工作。

關鍵詞：