基于智能手机/公交隐式交互与多传感无监督因果学习的大规模乘客检测
机器学习
2025-11-03 v1 人机交互
摘要
智能交通系统(ITS)支撑了移动即服务(MaaS)的理念,该理念要求用户在多个公共与私人交通系统间实现通用且无缝的接入,同时允许运营商按比例进行收益分成。当前的用户感知技术如Walk-in/Walk-out(WIWO)和Check-in/Check-out(CICO)在大规模部署中的可扩展性有限。这些局限使ITS无法支持对MaaS的舒适性、安全性与效率进行分析、优化、收益分成计算及控制。我们聚焦于隐式Be-in/Be-out(BIBO)智能手机感知与分类的概念。为弥补差距并增强智能手机以适配MaaS,我们开发了一个专有智能手机感知平台,采集安装在公交车上的蓝牙低功耗(BLE)设备发出的实时BLE信号,以及公交车与智能手机的全球定位系统(GPS)位置。为实现基于GPS特征对BLE伪标签的模型训练,我们提出了因果-效应多任务Wasserstein自编码器(CEMWA)。CEMWA结合并扩展了围绕Wasserstein自编码器与神经网络的若干框架。作为一种降维工具,CEMWA获得了描述交通系统中用户智能手机的潜空间的自验证表示。该表示允许通过DBSCAN进行BIBO聚类。我们对CEMWA的替代架构进行了消融研究,并与现有最优监督方法进行了基准比较。我们分析了性能对标签质量的敏感性。在精确真值的朴素假设下,XGBoost优于CEMWA。尽管XGBoost与Random Forest被证明对标签噪声具有容忍性,CEMWA在设计上对标签噪声不可知,并以88%的F1分数提供了最佳性能。
引用
@article{arxiv.2202.11962,
title = {Large Scale Passenger Detection with Smartphone/Bus Implicit Interaction and Multisensory Unsupervised Cause-effect Learning},
author = {Valentino Servizi and Dan R. Persson and Francisco C. Pereira and Hannah Villadsen and Per Bækgaard and Jeppe Rich and Otto A. Nielsen},
journal= {arXiv preprint arXiv:2202.11962},
year = {2025}
}
备注
20 pages, 13 figures, 3 tables