Las aplicaciones que pueden detectar en qué modo de transporte viajan los usuarios de teléfonos y ofrecer automáticamente consejos relevantes se convertirán en una realidad después de una extensa investigación de recopilación de datos dirigida por la Universidad de Sussex.

Los investigadores del Laboratorio de tecnologías vestibles de la Universidad de Sussex creen que las técnicas de aprendizaje automático desarrolladas en una competencia de investigación global que iniciaron también podrían llevar a que los teléfonos inteligentes puedan predecir las próximas condiciones de la carretera y los niveles de tráfico. ofrecer recomendaciones de ruta o estacionamiento e incluso detectar la comida y bebida consumida por un usuario de teléfono mientras está en movimiento.

Profesor Daniel Roggen, un lector en tecnología de sensores en la Universidad de Sussex, dijo:"Este conjunto de datos es verdaderamente único en su escala, la riqueza de los datos de los sensores que comprende y la calidad de sus anotaciones. Los estudios anteriores generalmente recopilaron solo datos de movimiento y GPS. Nuestro estudio tiene un alcance mucho más amplio:recopilamos todas las modalidades de sensores de los teléfonos inteligentes, y recopilamos los datos con teléfonos colocados simultáneamente en cuatro lugares donde las personas suelen llevar sus teléfonos, como la mano, mochila, bolso y bolsillo.

"Esto es extremadamente importante para diseñar algoritmos sólidos de aprendizaje automático. La variedad de modos de transporte, la variedad de condiciones medidas y la gran cantidad de sensores y horas de datos registrados no tiene precedentes ".

El profesor Roggen y su equipo recopilaron el equivalente a más de 117 días de aspectos de monitoreo de datos de los viajes de los viajeros en el Reino Unido utilizando una variedad de métodos de transporte para crear el mayor conjunto de datos disponible públicamente de su tipo.

El proyecto, cuyos hallazgos se presentarán en la conferencia Ubicomp en Singapur el viernes [12 de octubre], recopilaron datos de cuatro teléfonos móviles que llevaban los investigadores mientras realizaban su viaje diario durante siete meses.

El equipo lanzó una competencia global desafiando a los equipos a desarrollar los algoritmos más precisos para reconocer ocho modos de transporte (quedarse quietos, caminando, corriendo, en bicicleta o en autobús, coche, tren o metro) a partir de los datos recopilados de 15 sensores que miden todo, desde el movimiento hasta la presión ambiental.

El proyecto, con el apoyo del gigante chino de las telecomunicaciones Huawei con académicos de la Universidad Ritsumeikan y el Instituto de Tecnología de Kyushu en Japón y de la Universidad Saints Cyril y Methodius de Skopje en Macedonia, vieron a 17 equipos participar con dos entradas que lograron resultados con más del 90% de precisión, ocho con entre 80% y 90%, y nueve entre 50% y 80%.

El equipo ganador, JSI-Deep del Instituto Jozef Stefan en Eslovenia, logró la puntuación más alta del 93,9% mediante el uso de una combinación de modelos de aprendizaje automático clásico y profundo. En general, las técnicas de aprendizaje profundo tendían a superar los enfoques tradicionales de aprendizaje automático, aunque no en un grado significativo.

Ahora se espera que el conjunto de datos altamente versátil de transporte de locomoción (SHL) de la Universidad de Sussex-Huawei se utilice para una amplia gama de estudios sobre dispositivos de registro electrónico que exploran el reconocimiento del modo de transporte. minería de patrones de movilidad, localización, seguimiento y fusión de sensores.

El profesor Roggen dijo:"Al organizar una competencia de aprendizaje automático con este conjunto de datos, podemos compartir experiencias en la comunidad científica y establecer una línea de base para el trabajo futuro. Reconocer automáticamente los modos de transporte es importante para mejorar varios servicios móviles, por ejemplo, para garantizar la calidad de la transmisión de video. a pesar de entrar en túneles o subterráneos, o para mostrar de forma proactiva información sobre los horarios de conexión o las condiciones del tráfico.

"Creemos que otros investigadores podrán aprovechar este conjunto de datos único para muchos estudios innovadores y aplicaciones móviles novedosas más allá del transporte inteligente, por ejemplo para medir el gasto energético, detectar la interacción social y el aislamiento social, o desarrollar nuevas técnicas de localización de bajo consumo y mejores modelos de movilidad para la investigación de comunicaciones móviles ".