Des applications capables de détecter le mode de transport utilisé par les utilisateurs de téléphones et d'offrir automatiquement des conseils pertinents devraient devenir une réalité après une recherche approfondie de collecte de données menée par l'Université du Sussex.

Des chercheurs du Wearable Technologies Lab de l'Université du Sussex pensent que les techniques d'apprentissage automatique développées dans le cadre d'un concours de recherche mondial qu'ils ont lancé pourraient également permettre aux téléphones intelligents de prédire les conditions routières et les niveaux de trafic à venir. proposer des recommandations d'itinéraire ou de stationnement et même détecter la nourriture et les boissons consommées par un utilisateur de téléphone lors de ses déplacements.

Professeur Daniel Roggen, un lecteur en technologie des capteurs à l'Université du Sussex, a déclaré :« Cet ensemble de données est vraiment unique par son échelle, la richesse des données capteurs qu'il comporte et la qualité de ses annotations. Les études précédentes ne recueillaient généralement que des données GPS et de mouvement. Notre étude est beaucoup plus large :nous avons collecté toutes les modalités de capteurs des smartphones, et nous avons collecté les données avec des téléphones placés simultanément à quatre endroits où les gens portent généralement leurs téléphones tels que la main, sac à dos, sac à main et poche.

« Ceci est extrêmement important pour concevoir des algorithmes d'apprentissage automatique robustes. La variété des modes de transport, l'éventail des conditions mesurées et le nombre de capteurs et d'heures de données enregistrées est sans précédent."

Le professeur Roggen et son équipe ont collecté l'équivalent de plus de 117 jours de données de surveillance des aspects des trajets des navetteurs au Royaume-Uni en utilisant une variété de méthodes de transport pour créer le plus grand ensemble de données accessible au public de ce type.

Le projet, dont les conclusions seront présentées à la conférence Ubicomp à Singapour le vendredi [12 octobre], ont recueilli des données à partir de quatre téléphones portables transportés par des chercheurs alors qu'ils effectuaient leurs déplacements quotidiens pendant sept mois.

L'équipe a lancé un concours mondial mettant les équipes au défi de développer les algorithmes les plus précis pour reconnaître huit modes de transport (assis immobile, marche à pied, fonctionnement, faire du vélo ou prendre le bus, auto, train ou métro) à partir des données collectées par 15 capteurs mesurant tout, du mouvement à la pression ambiante.

Le projet, soutenu par le géant chinois des télécommunications Huawei avec des universitaires de l'Université Ritsumeikan et de l'Institut de technologie de Kyushu au Japon et de l'Université Saints Cyril et Méthode de Skopje en Macédoine, a vu 17 équipes participer avec deux candidatures obtenant des résultats avec une précision de plus de 90 %, huit avec entre 80% et 90%, et neuf entre 50 % et 80 %.

L'équipe gagnante, JSI-Deep de l'Institut Jozef Stefan en Slovénie, a obtenu le score le plus élevé de 93,9% grâce à l'utilisation d'une combinaison de modèles d'apprentissage automatique profond et classique. En général, les techniques d'apprentissage en profondeur avaient tendance à surpasser les approches traditionnelles d'apprentissage automatique, mais pas à un degré significatif.

On espère maintenant que l'ensemble de données très polyvalent de l'Université du Sussex-Huawei Locomotion-Transport (SHL) sera utilisé pour un large éventail d'études sur les dispositifs de journalisation électroniques explorant la reconnaissance des modes de transport, extraction de modèle de mobilité, localisation, suivi et fusion de capteurs.

Le professeur Roggen a déclaré :« En organisant un concours d'apprentissage automatique avec cet ensemble de données, nous pouvons partager des expériences au sein de la communauté scientifique et établir une base de référence pour les travaux futurs. La reconnaissance automatique des modes de transport est importante pour améliorer plusieurs services mobiles, par exemple pour garantir la qualité du streaming vidéo. malgré l'entrée dans les tunnels ou les métros, ou pour afficher de manière proactive des informations sur les horaires de connexion ou les conditions de trafic.

"Nous pensons que d'autres chercheurs seront en mesure d'exploiter cet ensemble de données unique pour de nombreuses études innovantes et de nouvelles applications mobiles au-delà du transport intelligent, par exemple pour mesurer la dépense énergétique, détecter les interactions sociales et l'isolement social, ou développer de nouvelles techniques de localisation à faible consommation et de meilleurs modèles de mobilité pour la recherche en communication mobile."