Le app in grado di rilevare la modalità di trasporto utilizzata dagli utenti del telefono e di offrire automaticamente consigli pertinenti sono destinate a diventare realtà dopo un'ampia ricerca sulla raccolta di dati condotta dall'Università del Sussex.

I ricercatori del Wearable Technologies Lab dell'Università del Sussex ritengono che le tecniche di apprendimento automatico sviluppate in un concorso di ricerca globale che hanno avviato potrebbero anche portare gli smartphone a prevedere le condizioni stradali imminenti e i livelli di traffico, offrire consigli su percorsi o parcheggi e persino rilevare il cibo e le bevande consumati da un utente del telefono durante gli spostamenti.

Professor Daniel Roggen, un Reader in Sensor Technology presso l'Università del Sussex, ha dichiarato:"Questo set di dati è davvero unico nella sua scala, la ricchezza dei dati del sensore che comprende e la qualità delle sue annotazioni. Gli studi precedenti generalmente raccoglievano solo dati GPS e di movimento. Il nostro studio è di portata molto più ampia:abbiamo raccolto tutte le modalità dei sensori degli smartphone, e abbiamo raccolto i dati con telefoni posizionati contemporaneamente in quattro luoghi in cui le persone in genere portano i loro telefoni come la mano, zaino, borsa e tasca.

"Questo è estremamente importante per progettare algoritmi di apprendimento automatico robusti. La varietà di modalità di trasporto, la gamma di condizioni misurate e il numero di sensori e ore di dati registrati non hanno precedenti".

Il professor Roggen e il suo team hanno raccolto l'equivalente di oltre 117 giorni di dati relativi al monitoraggio degli aspetti dei viaggi dei pendolari nel Regno Unito utilizzando una varietà di metodi di trasporto per creare il più grande set di dati disponibile pubblicamente nel suo genere.

Il progetto, i cui risultati saranno presentati alla conferenza Ubicomp a Singapore venerdì [12 ottobre], ha raccolto dati da quattro telefoni cellulari trasportati dai ricercatori durante il loro tragitto giornaliero per sette mesi.

Il team ha lanciato una competizione globale sfidando i team a sviluppare gli algoritmi più accurati per riconoscere otto modi di trasporto (stare fermi, a piedi, in esecuzione, andare in bicicletta o prendere l'autobus, macchina, treno o metropolitana) dai dati raccolti da 15 sensori che misurano tutto, dal movimento alla pressione ambientale.

Il progetto, supportato dal gigante cinese delle telecomunicazioni Huawei con accademici presso la Ritsumeikan University e il Kyushu Institute of Technology in Giappone e la Saints Cyril and Methodius University di Skopje in Macedonia, ha visto 17 squadre partecipare con due voci ottenendo risultati con una precisione superiore al 90%, otto con tra l'80% e il 90%, e nove tra il 50% e l'80%.

La squadra vincente, JSI-Deep dell'Istituto Jozef Stefan in Slovenia, ha raggiunto il punteggio più alto del 93,9% attraverso l'uso di una combinazione di modelli di apprendimento automatico profondi e classici. In generale, le tecniche di deep learning tendevano a superare i tradizionali approcci di machine learning, anche se non in misura significativa.

Ora si spera che il set di dati altamente versatile dell'Università del Sussex-Huawei Locomotion-Transportation (SHL) sarà utilizzato per una vasta gamma di studi sui dispositivi di registrazione elettronica che esplorano il riconoscimento della modalità di trasporto, estrazione mineraria del modello di mobilità, localizzazione, monitoraggio e fusione dei sensori.

Il professor Roggen ha dichiarato:"Organizzando una competizione di apprendimento automatico con questo set di dati possiamo condividere esperienze nella comunità scientifica e stabilire una base per il lavoro futuro. Il riconoscimento automatico delle modalità di trasporto è importante per migliorare diversi servizi mobili, ad esempio per garantire la qualità dello streaming video. pur entrando in tunnel o sottopassaggi, o per visualizzare in modo proattivo informazioni sugli orari dei collegamenti o sulle condizioni del traffico.

"Riteniamo che altri ricercatori saranno in grado di sfruttare questo set di dati unico per molti studi innovativi e nuove applicazioni mobili oltre al trasporto intelligente, ad esempio per misurare il dispendio energetico, rilevare l'interazione sociale e l'isolamento sociale, o sviluppare nuove tecniche di localizzazione a bassa potenza e migliori modelli di mobilità per la ricerca sulle comunicazioni mobili."