一种用于 Wi-Fi 信号中出行方式检测的半监督深度残差网络
机器学习
2019-02-19 v1 计算机与社会
机器学习
摘要
由于其无处不在和泛在的特性，Wi-Fi 网络有潜力收集关于多模式交通的大规模、低成本和解聚数据。在本研究中，我们开发了一种半监督深度残差网络（ResNet）框架，利用从智能手机获取的 Wi-Fi 通信来进行出行方式检测。该框架在位于多伦多市中心拥堵城区由 Wi-Fi 传感器收集的数据上进行了评估。为解决与标记数据收集相关的内在困难与成本，我们通过实现该框架的半监督部分，利用了大量易于收集的低成本无标记数据。通过将 ResNet 架构作为框架核心，我们利用了传统机器学习框架中未考虑的高层特征。所提出的框架在收集的数据上表现出良好的性能，对步行、骑行和驾驶模式的预测准确率分别为 81.8%、82.5% 和 86.0%。
引用
@article{arxiv.1902.06284,
title = {A semi-supervised deep residual network for mode detection in Wi-Fi signals},
author = {Arash Kalatian and Bilal Farooq},
journal= {arXiv preprint arXiv:1902.06284},
year = {2019}
}