p Aplicativos que podem detectar em que modo de transporte os usuários de telefone estão viajando e oferecer automaticamente conselhos relevantes estão configurados para se tornar uma realidade após uma extensa pesquisa de coleta de dados conduzida pela Universidade de Sussex. p Pesquisadores do Laboratório de tecnologias vestíveis da Universidade de Sussex acreditam que as técnicas de aprendizado de máquina desenvolvidas em uma competição de pesquisa global que eles iniciaram também podem fazer com que os smartphones sejam capazes de prever as condições das estradas e os níveis de tráfego. ofereça recomendações de rotas ou estacionamento e até mesmo detecte alimentos e bebidas consumidos por um usuário de telefone em movimento.

p Professor Daniel Roggen, um leitor em tecnologia de sensor na Universidade de Sussex, disse:"Este conjunto de dados é verdadeiramente único em sua escala, a riqueza dos dados do sensor que ele compreende e a qualidade de suas anotações. Os estudos anteriores geralmente coletavam apenas dados de GPS e movimento. Nosso estudo é muito mais amplo:coletamos todas as modalidades de sensores de smartphones, e coletamos os dados com telefones colocados simultaneamente em quatro locais onde as pessoas normalmente carregam seus telefones, como a mão, mochila, bolsa e bolso.

p "Isso é extremamente importante para projetar algoritmos de aprendizado de máquina robustos. A variedade de modos de transporte, a gama de condições medidas e o número absoluto de sensores e horas de dados registrados não têm precedentes. "

p O professor Roggen e sua equipe coletaram o equivalente a mais de 117 dias de aspectos de monitoramento de dados de viagens de passageiros no Reino Unido usando uma variedade de métodos de transporte para criar o maior conjunto de dados disponível publicamente de seu tipo.

p O projeto, cujas descobertas serão apresentadas na conferência Ubicomp em Cingapura na sexta-feira [12 de outubro], reuniram dados de quatro telefones celulares carregados por pesquisadores durante seu trajeto diário ao longo de sete meses.

p A equipe lançou uma competição global desafiando as equipes a desenvolver os algoritmos mais precisos para reconhecer oito modos de transporte (sentado quieto, andando, correndo, de bicicleta ou de ônibus, carro, trem ou metrô) a partir dos dados coletados de 15 sensores que medem tudo, desde o movimento até a pressão ambiente.

p O projeto, apoiado pela gigante chinesa das telecomunicações Huawei com acadêmicos da Ritsumeikan University e do Kyushu Institute of Technology no Japão e da Saints Cyril and Methodius University of Skopje na Macedônia, viu 17 equipes participarem com duas entradas alcançando resultados com mais de 90% de precisão, oito com entre 80% e 90%, e nove entre 50% e 80%.

p A equipe vencedora, JSI-Deep do Instituto Jozef Stefan na Eslovênia, alcançou a pontuação mais alta de 93,9% por meio do uso de uma combinação de modelos de aprendizado de máquina clássicos e profundos. Em geral, as técnicas de aprendizado profundo tendem a superar as abordagens tradicionais de aprendizado de máquina, embora não em um grau significativo.

p Espera-se agora que o conjunto de dados altamente versátil da Universidade de Sussex-Huawei Locomotion-Transportation (SHL) seja usado para uma ampla gama de estudos em dispositivos de registro eletrônico que exploram o reconhecimento de meios de transporte, mineração de padrão de mobilidade, localização, rastreamento e fusão de sensores.

p O professor Roggen disse:"Ao organizar uma competição de aprendizado de máquina com este conjunto de dados, podemos compartilhar experiências na comunidade científica e definir uma linha de base para trabalhos futuros. O reconhecimento automático de meios de transporte é importante para melhorar vários serviços móveis - por exemplo, para garantir a qualidade do streaming de vídeo apesar de entrar em túneis ou metrôs, ou para exibir proativamente informações sobre horários de conexão ou condições de tráfego.

p "Acreditamos que outros pesquisadores serão capazes de aproveitar este conjunto de dados exclusivo para muitos estudos inovadores e novos aplicativos móveis além do transporte inteligente, por exemplo, para medir o gasto de energia, detectar interação social e isolamento social, ou desenvolver novas técnicas de localização de baixo consumo e melhores modelos de mobilidade para pesquisa de comunicação móvel. "