Appar som kan upptäcka vilket transportsätt telefonanvändare reser på och automatiskt ge relevanta råd kommer att bli verklighet efter omfattande datainsamlingsforskning ledd av University of Sussex.

Forskare vid University of Sussex's Wearable Technologies Lab tror att de maskininlärningstekniker som utvecklats i en global forskningstävling som de startade också skulle kunna leda till att smarta telefoner kan förutsäga kommande vägförhållanden och trafiknivåer, erbjuda rutt- eller parkeringsrekommendationer och till och med upptäcka maten och drycken som konsumeras av en telefonanvändare när han är på resande fot.

Professor Daniel Roggen, en läsare i sensorteknologi vid University of Sussex, sa:"Denna datauppsättning är verkligen unik i sin skala, rikedomen på sensordata den omfattar och kvaliteten på dess kommentarer. Tidigare studier samlade i allmänhet bara GPS och rörelsedata. Vår studie är mycket bredare i omfattning:vi samlade alla sensormodaliteter för smartphones, och vi samlade in data med telefoner placerade samtidigt på fyra platser där människor vanligtvis bär sina telefoner, som handen, ryggsäck, handväska och ficka.

"Detta är extremt viktigt för att designa robusta maskininlärningsalgoritmer. Mångfalden av transportsätt, omfånget av uppmätta förhållanden och det stora antalet sensorer och timmar av registrerade data är utan motstycke."

Prof Roggen och hans team samlade in motsvarande mer än 117 dagars dataövervakningsaspekter av pendlares resor i Storbritannien med hjälp av en mängd olika transportmetoder för att skapa den största allmänt tillgängliga datamängden i sitt slag.

Projektet, vars resultat kommer att presenteras vid Ubicomp-konferensen i Singapore på fredag ​​[12 oktober], samlade in data från fyra mobiltelefoner som forskare bar under sin dagliga pendling under sju månader.

Teamet lanserade en global tävling som utmanade team att utveckla de mest exakta algoritmerna för att känna igen åtta transportsätt (sitt still, gående, löpning, cykla eller ta bussen, bil, tåg eller tunnelbana) från data som samlats in från 15 sensorer som mäter allt från rörelse till omgivande tryck.

Projektet, stöds av den kinesiska telekomjätten Huawei med akademiker vid Ritsumeikan University och Kyushu Institute of Technology i Japan och Saints Cyril and Methodius University of Skopje i Makedonien, såg 17 lag delta med två bidrag som uppnådde resultat med mer än 90 % träffsäkerhet, åtta med mellan 80 % och 90 %, och nio mellan 50 % och 80 %.

Det vinnande laget, JSI-Deep vid Jozef Stefan-institutet i Slovenien, uppnådde den högsta poängen på 93,9 % genom att använda en kombination av djupa och klassiska maskininlärningsmodeller. I allmänhet tenderade djupinlärningstekniker att överträffa traditionella metoder för maskininlärning, om än inte i någon nämnvärd grad.

Man hoppas nu att den mycket mångsidiga datauppsättningen University of Sussex-Huawei Locomotion-Transportation (SHL) kommer att användas för ett brett utbud av studier av elektroniska loggningsenheter som utforskar igenkänning av transportsätt, mobilitetsmönsterutvinning, lokalisering, spårning och sensorfusion.

Prof Roggen sa:"Genom att organisera en maskininlärningstävling med denna datauppsättning kan vi dela erfarenheter i det vetenskapliga samfundet och sätta en baslinje för framtida arbete. Att automatiskt känna igen transportsätt är viktigt för att förbättra flera mobila tjänster - till exempel för att säkerställa videoströmningskvalitet trots att de går in i tunnlar eller tunnelbanor, eller för att proaktivt visa information om anslutningsscheman eller trafikförhållanden.

"Vi tror att andra forskare kommer att kunna utnyttja denna unika datauppsättning för många innovativa studier och nya mobila applikationer utöver smart transport, till exempel för att mäta energiförbrukning, upptäcka social interaktion och social isolering, eller utveckla nya lokaliseringstekniker med låg effekt och bättre mobilitetsmodeller för forskning om mobil kommunikation."