Une approche d’apprentissage en profondeur pour l’estimation du temps de trajet de la randonnée basée sur la capacité de marche personnelle

À l’Université d’électro-communications, une équipe de recherche dirigée par Mizuho Asako, Yasuyuki Tahara, Akihiko Ohsuga et Yuichi Sei ont développé un nouveau modèle d’apprentissage en profondeur appelé « Rikingtte » qui améliore considérablement l’estimation du temps de voyage de randonnée. La randonnée est populaire dans le monde entier, mais les accidents se produisent toujours lorsque les randonneurs sous-estiment le temps nécessaire pour atteindre leur destination.

L’œuvre est publiée dans la revue Cybernetics et technologies d’information.

Ce modèle pourrait aider à réduire les accidents de montagne et à améliorer la sécurité des randonneurs en fournissant des prévisions de temps de trajet plus précises. Les méthodes d’estimation de temps de trajet de randonnée précédentes utilisent souvent la relation entre la pente (en montée ou en descente) et la vitesse de marche. Cependant, ces méthodes ne prennent pas pleinement en compte la capacité de marche individuelle ni la façon dont la fatigue s’accumule sur de longues distances.

RIKINGTTTE aborde ces problèmes en combinant une fonction de vitesse de pente basée sur la fonction Lorentz modifiée avec un cadre d’apprentissage en profondeur qui inclut LSTM (mémoire à court terme) et des modules d’attention. LSTM est bien adapté pour gérer les données de la série chronologique, tandis que le mécanisme d’attention met en évidence des parties importantes des données GPS pour des prédictions plus précises.

Une force clé de Runkingtte est sa capacité à apprendre la capacité de marche d’un randonneur à partir d’une partie des données GPS enregistrées pendant le voyage. En analysant les performances de la première partie de l’itinéraire, le modèle crée une fonction de vitesse de pente pour cette personne, puis l’applique pour estimer le temps de trajet restant.

De plus, en utilisant le LSTM et un mécanisme basé sur l’attention, le rykingtte explique les changements dans le terrain et les effets de la fatigue, conduisant à des estimations plus fiables que les modèles existants.

Dans les expériences, RAKINGTTE a surperformé les techniques d’estimation du temps de trajet de randonnée conventionnelles, réduisant le pourcentage absolu moyen d’erreur (MAPE) de 12,95 points de pourcentage. Il a également surclassé d’autres modèles d’apprentissage en profondeur conçus à l’origine pour les tâches de transport de 0,97 points de pourcentage. L’équipe de recherche estime que ces résultats pourraient établir une nouvelle norme pour l’estimation du temps de trajet de la randonnée.

À l’avenir, l’équipe prévoit d’inclure les journaux passés de chaque randonneur pour personnaliser davantage les prédictions. En aidant les randonneurs à planifier et à ajuster leur rythme plus efficacement, cette innovation devrait empêcher les retards, minimiser les risques et, finalement, sauver des vies sur la piste. Le modèle pourrait également être intégré aux applications de randonnée ou aux outils de navigation, fournissant des conseils pratiques et fiables.

Fourni par l’Université des électro-communications