Apps die kunnen detecteren met welk vervoermiddel telefoongebruikers reizen en automatisch relevant advies geven, zullen werkelijkheid worden na uitgebreid onderzoek naar gegevensverzameling onder leiding van de Universiteit van Sussex.

Onderzoekers van het Wearable Technologies Lab van de University of Sussex zijn van mening dat de machine learning-technieken die zijn ontwikkeld in een wereldwijde onderzoekswedstrijd die ze hebben geïnitieerd, er ook toe kunnen leiden dat smartphones toekomstige wegomstandigheden en verkeersniveaus kunnen voorspellen, route- of parkeeraanbevelingen aanbieden en zelfs het eten en drinken detecteren dat door een telefoongebruiker wordt geconsumeerd terwijl hij onderweg is.

Professor Daniël Roggen, een lezer in sensortechnologie aan de Universiteit van Sussex, zei:"Deze dataset is echt uniek in zijn omvang, de rijkdom van de sensorgegevens die het bevat en de kwaliteit van de annotaties. Eerdere onderzoeken verzamelden over het algemeen alleen GPS- en bewegingsgegevens. Ons onderzoek is veel breder:we verzamelden alle sensormodaliteiten van smartphones, en we hebben de gegevens verzameld met telefoons die tegelijkertijd op vier locaties zijn geplaatst waar mensen hun telefoons doorgaans dragen, zoals de hand, rugzak, handtas en zak.

"Dit is uiterst belangrijk om robuuste algoritmen voor machine learning te ontwerpen. De verscheidenheid aan vervoerswijzen, het bereik van de gemeten omstandigheden en het enorme aantal sensoren en uren aan geregistreerde gegevens is ongekend."

Prof Roggen en zijn team verzamelden het equivalent van meer dan 117 dagen aan datamonitoringaspecten van woon-werkverkeer in het VK met behulp van een verscheidenheid aan transportmethoden om de grootste openbaar beschikbare dataset in zijn soort te creëren.

Het project, wiens bevindingen zullen worden gepresenteerd op de Ubicomp-conferentie in Singapore op vrijdag [12 oktober], verzamelde gegevens van vier mobiele telefoons die onderzoekers droegen tijdens hun dagelijkse woon-werkverkeer gedurende zeven maanden.

Het team lanceerde een wereldwijde wedstrijd waarbij teams werden uitgedaagd om de meest nauwkeurige algoritmen te ontwikkelen om acht vervoerswijzen te herkennen (stilzitten, wandelen, rennen, fietsen of de bus nemen, auto, trein of metro) uit de gegevens verzameld van 15 sensoren die alles meten, van beweging tot omgevingsdruk.

Het project, ondersteund door de Chinese telecomgigant Huawei met academici aan de Ritsumeikan University en Kyushu Institute of Technology in Japan en Saints Cyril en Methodius University of Skopje in Macedonië, zag 17 teams deelnemen met twee inzendingen die resultaten behaalden met een nauwkeurigheid van meer dan 90%, acht met tussen 80% en 90%, en negen tussen 50% en 80%.

Het winnende team, JSI-Deep van het Jozef Stefan Instituut in Slovenië, behaalde de hoogste score van 93,9% door het gebruik van een combinatie van diepe en klassieke machine learning-modellen. Over het algemeen presteerden deep learning-technieken beter dan traditionele machine learning-benaderingen, hoewel niet in significante mate.

Het is nu te hopen dat de zeer veelzijdige dataset van de University of Sussex-Huawei Locomotion-Transportation (SHL) zal worden gebruikt voor een breed scala aan onderzoeken naar elektronische logging-apparaten die de herkenning van transportmodi onderzoeken, mijnbouw van mobiliteitspatronen, lokalisatie, tracking en sensorfusie.

Prof Roggen zei:"Door met deze dataset een machine learning-wedstrijd te organiseren, kunnen we ervaringen in de wetenschappelijke gemeenschap delen en een basis leggen voor toekomstig werk. Het automatisch herkennen van vervoerswijzen is belangrijk om verschillende mobiele diensten te verbeteren, bijvoorbeeld om de kwaliteit van videostreaming te garanderen ondanks het betreden van tunnels of metro's, of om proactief informatie weer te geven over verbindingsschema's of verkeersomstandigheden.

"We geloven dat andere onderzoekers deze unieke dataset kunnen gebruiken voor veel innovatieve onderzoeken en nieuwe mobiele toepassingen die verder gaan dan slim transport, bijvoorbeeld om het energieverbruik te meten, sociale interactie en sociaal isolement detecteren, of nieuwe low-power lokalisatietechnieken en betere mobiliteitsmodellen te ontwikkelen voor onderzoek naar mobiele communicatie."