Deep Learning for Temporal Multidimensional Signals - an application to Transport Mode Detection
Apprentissage profond pour les signaux temporels multi-dimensionnels - application à la détection du mode de transport
Résumé
Transport Mode Detection (TMD) is a classification problem where the goal is to infer the transport mode of a user from GPS signals or inertial sensors, with applications such as carbon footprint tracking, mobility behaviour analysis, or real-time door-to-door smart planning. Traditionally, the method for solving this problem involved training a Machine Learning classifier on handcrafted features.
In this thesis, we will tackle Transport Mode Detection using Deep Neural Networks, a class of algorithms which offers the possibility to learn the features automatically from data. By attempting to use Deep Learning on TMD, we will tackle several different research questions: firstly, whether to preprocess the signals by computing a spectrogram, or stick to a one-dimensional sequence. We will show that computing a spectrogram does simplify the problem, thereby helping the network not to overfit on a simple problem. The second question to answer is data fusion, or, how to merge the data from different sensors. We propose a benchmark of different data fusion methods used with Deep Neural Networks and conclude that no method outperforms the others. Lastly, we will focus on Canonical Correlation Analysis to show that, when it is applied to features of deep neural networks, the canonical components are equal to the classification components of the network.
La Détectiuon du Mode de Transport (Transport Mode Detection, TMD) est un problème de classification dont le but est de déterminer le mode de transport emprunté par un utilisateur à partir de signaux GPS ou de capteurs inertiels, et dont les applications vont de l’estimation d’empreinte carbone à l’analyse de comportement de déplacements, en passant par la planification d’itinéraire en temps réel. Traditionnellement, la résolution de ce problème passait par l’entraînement d’un classifieur avec des descripteurs calculés en fonction de connaissances pré-établies du domaine.
Dans cette thèse, nous nous attaquerons au problème de la Détection du Mode de Transport à l’aide de réseaux de neurones profonds, un type d’algorithme qui apprend à calculer les descripteurs les plus adaptés au problème à résoudre. Ce faisant, nous rencontrerons plusieurs questions de recherche : d’abord, nous chercherons à savoir s’il nous faut passer par un spectrogramme, ou si le réseau peut traiter les signaux bruts. Nous montrerons que, dans notre cas, calculer un spectrogramme permet de simplifier le problème de classification à résoudre, ce qui évite au réseau de surapprendre. La deuxième question à résoudre est de savoir comment intégrer les informations en provenance de différents capteurs, un problème appelé fusion de données. Nous proposons une évaluation de différents algorithmes de fusion de données par réseaux de neurones et concluons que, pour notre problème, aucune méthode ne dépasse significativement les autres. Enfin, nous nous intéresserons à une opération appelée Analyse des Corrélations Canoniques (Canonical Correlation Analysis, CCA) pour montrer que, lorsqu’on l’applique aux descripteurs appris par des réseaux de neurones, les composantes canoniques sont égales aux composantes de classification.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|