Clasificador de modelos de movilidad mediante Deep Learning

Abstract

El objetivo de este proyecto es el desarrollo de una red neuronal capaz de clasificar hasta cuatro patrones de movimientos con la mejor precisión posible. Se utilizan modelos sintetizados de movimientos, dado que no se disponen de datos reales de patrones de movimiento, generados con la herramienta Bonn Motion. Esta herramienta nos permite simular diferentes modelos de movimiento. Para este proyecto se utilizan los modelos Random waypoint, Truncated Levy Walk, Gauss Markov y Manhattan. Se entrenan redes neuronales de tres tipos: Fully connected, Recurrentes y Convolucionales. Las redes neuronales convolucionales y las recurrentes tienen en cuenta la secuencia temporal del movimiento, por lo que se espera que aporten mejores resultados. La sintonización de las redes neuronales se comienza con un modelo básico de las mismas y se hacen experimentos que nos permiten ajustarlas hasta dar con su mejor resultado, observando la pérdida y la precisión. Por otro lado, se analiza también la influencia del set de datos en los resultados. Se entrenan las redes neuronales variando, por un lado, el tiempo de las simulaciones de los patrones de movimiento y por otro, el número de patrones movimiento de entrada. Para el desarrollo de dichas redes neuronales, se utiliza Python 3.7 y las librerías Tensor Flow y Keras. Salvo para las redes neuronales recurrentes más complejas, se trabaja con la CPU del ordenador. Para el resto, se trabaja con la GPU. La GPU permite realizar cálculos matriciales a gran velocidad, lo que reduce el tiempo de entrenamiento. Con los resultados obtenidos, las conclusiones principales son las siguientes:  Entrenando redes recurrentes y convolucionales se obtienen mejores resultados que con las redes fully connected, aunque estas últimas requieren menor coste computacional (el tiempo de entrenamiento es considerablemente menor).  Las redes neuronales recurrentes presentan mejores resultados que las convolucionales para patrones de movimiento de corta duración.

The aim of this project is to develop a neural network capable of classifying up to four movement patterns with the best possible accuracy. In this case, since no real movement pattern data is available, synthesized movement models, generated with the Bonn Motion tool, are used. This tool allows us to simulate different movement models. For this project, Random waypoint, Truncated Levy Walk, Gauss Markov and Manhattan models are used. Three types of neural networks are trained: Fully connected, Recurrent and Convolutional. Convolutional and recurrent neural networks take into account the time sequence of movement, so they are expected to provide better results. The tuning of the neuronal networks starts with a basic model of them and experiments are made that allow us to adjust them until we find the best result, observing the loss and precision. On the other hand, the influence of the data set on the results is also analysed. The neural networks are trained by varying, on the one hand, the time of the movement pattern simulations and, on the other hand, the number of input movement patterns. Python 3.7 and the Tensor Flow and Keras libraries are used for the development of these neural networks. Except for the more complex recurrent neural networks, we work with the computer CPU. For the rest, we work with the GPU. The GPU enables high-speed matrix computing, which reduces training time. With the results obtained, the main conclusions are the following: - Training recurrent and convolutional networks provides better results than fully connected networks, although the latter require less computational cost (training time is considerably less). - Recurrent neural networks show better results than convolutional networks for short duration movement patterns.