Соединение данных из смартфонов в мире могло поместить глобальный суперкомпьютер во все наши карманы. Наслаждение той вычислительной мощностью улучшило бы сбор в реальном времени и анализ данных, но технические препятствия и проблемы частной жизни задерживаются. Ученые из SwissSenseSynergy, проект, финансируемый Swiss National Science Foundation (SNSF), решили проблемы и предложили новые способы собрать и использовать такую информацию.Главный центр проекта – crowdsensing, в котором доступ к датчикам смартфона позволяет собрать информацию о конкретной области.
Типичный пример – приложения карты, которые могут вывести данные о пробке на дороге из акселерометров смартфонов. Поскольку наши подключенные устройства собирают понимание вокруг многих аспектов нашей среды – движение, звук, люди, у качества воздуха, и т.д. – crowdsensing есть потенциал, чтобы вести решения о том, где мы едим, что мы носим или как мы путешествуем.
«Вся эта информация полезна в заявлениях в пределах от маркетинга предсказаний к предсказанию поведений толпы», объясняют Торстен Браун из Бернского университета и координатор для проекта. Тем не менее, crowdsensing заявления сталкиваются со значительными трудностями.
В частности, есть компромисс между сбором данных, пользовательским воздействием и частной жизнью. Передача данных истощает ресурсы аппаратных средств, например, в то время как бедные меры безопасности представляют угрозы для хищения идентификационных данных.Четыре команды развивали новые подходы, чтобы улучшить crowdsensing технологию и установить методы наиболее успешной практики для ее применения.
Исследователи исследуют четыре ключевых области: улучшая точность местоположения, увеличивая безопасность, промышленное использование, и делая сбор данных более эффективным.Локализация вне GPS
Команда во главе с Торстеном Брауном в Бернском университете улучшила точность местоположения в закрытом помещении и метрополитен к 1,1 метрам в 90% случаев. Это сопоставимо с GPS, но полагается только на данные о датчике устройства и радио-сигналы, достигая областей за стенами и бетоном, где сигналы GPS заблокированы.
Исследователи собирают измерения датчика из смартфонов, вместе с силой сигнала радио Wi-Fi. Эта информация тогда передана через несколько алгоритмов машинного обучения. «Следующий шаг должен определить, куда пользователи идут», сказал Браун. «Это могло оказать влияние на торговые центры или вокзалы, например».Ученые из Бернских университетов и Женевы сотрудничали, чтобы проектировать мобильное приложение, объединяющее внутреннюю локализацию, мобильный crowdsensing и умные места.
Получающееся мобильное приложение объединяет сложные алгоритмы локализации и отпечатанные местоположением измерения датчика, которые выдвинуты к облаку. Оттуда, информация питается Интернет Вещей, позволяя персонифицированные и основанные на местоположении приложения автоматизации через многие умные объекты и продукты.Команда в Университете прикладных наук и Искусствах южной Швейцарии в Лугано (SUPSI) разработала модели, которые используют прогнозирующие данные о местоположении, чтобы распределить информацию через социальные сети.
Эксперименты показали, что могли создать быструю поддержку в социальных сетях, таких как Facebook и Твиттер, но также и в специальных физических сетях мобильных устройств. Эти сообщения могли ответить на местные поведения, оценить обратную связь в режиме реального времени и циркулировать более быстро среди целенаправленных пользователей. Исследование обеспечивает более глубокое понимание социального влияния в поведении человека и обнаруженные корреляции между физическими местоположениями, разделенными предпочтениями и основанными на событии социальными сообществами.
Уравновешивание«Основная проблема для исследователей уравновешивает данные и частную жизнь», объясняет Браун. «Точные данные могут стоить частной жизни». Если информация о пользователе подметается, собирая данные, она препятствует участию. Чтобы гарантировать безопасность, команда Технического университета Чалмерса в Швеции разработала методы машинного обучения для анализа данных и автоматического принятия решения, которые достигают «отличительной частной жизни». Это защищает данные людей, вводя тщательно калиброванный «шум» (случайные данные) в информацию, собранную от устройства.
Исследователи в Женевском университете обратились к другой проблеме: желание собрать большие объемы данных против бремени, которое crowdsensing может иметь на аппаратных средствах. Если пользователи боятся напряжения на свой телефон, они могли бы отклонить заявления, которые используют в других отношениях неработающие датчики. Этот проект исследует модели теории игр для распределения таких трудностей среди телефонов и пользователей.
В полевом эксперименте волонтеры в Сан-Франциско загрузили приложения, чтобы нанести на карту уровень шума в городе, собрав полезные данные для местного органа власти, проверяя конкурирующие методы на распределение грузов среди устройств.С его междисциплинарным подходом проект SwissSenseSynergy привел к новым методам с потенциальными выгодами для исследования и заявлений.
Проект развивает новую архитектуру экспериментирования, названную Виво, чтобы вовлечь волонтеров в экспериментальную фазу, чтобы поддержать разработку приложений.Проект SwissSenseSynergyПроект собирает четырех партнеров: Институт Информатики в Бернском университете, Факультет информатики в Женевском университете, Институте Информационных систем и Общающийся через Интернет в SUPSI и Факультете информатики и Разработке в Техническом университете Чалмерса (Швеция).
Швейцарские Совместные действия Смысла финансируются программой Sinergia SNSF до конца 2017.