歷史告訴我們，你可以從人們身上的電子設備中了解到很多關于他們的東西，包括他們的運動方式。加拿大多倫多瑞爾森大學的研究人員發表的一篇論文就描述了一個神經網絡(即一個以生物神經元為模型的數學函數層)，可以從WiFi數據中獲得有關智能手機用戶的信息，特別是他們的交通方式，是選擇步行、騎自行車還是選擇在幾個街區內駕駛機動車。

研究人員指出，WiFi與常用的模態分類方案相比具有更多優勢。首先，它無處不在，即使在城市高樓這樣具有“挑戰性”的環境中，它也能在室內可靠地工作。該論文的作者表示：“由于其普適性，WiFi網絡有可能在多式聯運中收集大規模、低成本和非聚合的數據。在這項研究中，我們開發了一個雛形，能夠利用從智能手機獲得的WiFi通信來檢測交通模式。”

該團隊選擇的神經網絡架構是一個深度殘留網絡，這是一種較初用于圖像識別的人工智能，它包含快捷方式或跳過連接，以跳過網絡中的某些功能層(靈感來自大腦皮層中的椎體細胞)。在這種情況下，算法是半監督的，這意味著它依賴于標記的數據來分析出確定的交通模式。

為了編制數據集，研究人員使用了一個名為UrbanFlux系統，該系統由半徑為50米的WiFi探測器組成，部署在多倫多市中心的擁擠地段(研究人員表示，之所以選擇這些地點，是因為這里有自行車道、人行道、雙車道和單車道街道，以及有軌電車)。在2017年6月和2018年8月的某幾天內，他們分別記錄了四名志愿者的MAC地址、信號強度以及個人智能手機的連接次數，這些志愿者按要求以不同的方式繞著指定的路線運動了10圈，分別為走路、騎車和開車。較終，他們完成了2838次旅行。

在測試人工智能系統的部分數據后，研究人員設法從中提取了15個特性(基于時間和速度、信號強度和連接數)，然后在一個單獨的測試集上對其進行了驗證。他們表示，該系統成功預測所有三種運輸方式的準確率超過80％——步行81.8％，騎自行車82.5％，開車86.0％。他們認為，開車具有較準確的回憶和度，而騎自行車較低——這可能是因為騎自行車和開車有許多共同的特征，而這些特征正是人工智能系統很可能識別的。

研究人員表示，該方法可以被城市決策者、運營商和規劃者用來更好地了解用戶的出行習慣及其出行趨勢。交通模式檢測在城市無所不在的傳感器中也很有用，因為它可以洞察能源消耗，污染跟蹤和預測以及燃燒卡路里估算。

研究人員將預測模型擴展到不同的交通方式，如地鐵、有軌電車和公共汽車，并整合來自交通時刻表的實時數據，這些都是他們未來的工作。