Predicting Human Behaviour with Recurrent Neural Networks まとめ

最近寒すぎて、コワーキングスペースにずっとこもっています佐野です。
さて今回は、行動検知とかいったらいいのかな?の論文を読んでみました。

使用した論文
【Predicting Human Behaviour with Recurrent Neural Networks】
Predicting Human Behaviour with Recurrent Neural Networks

Predicting Human Behaviour with Recurrent Neural Networks

 

論文のモチベーション

City4ageprojectのプロジェクトの一環として、取り組まれたようです。
「活発で健康的な高齢者のための高齢者に優しい都市サービス」を目指しており、ヨーロッパを中心とした約6カ国でテストされたプロジェクトです。

高齢者が歩いているときや、公共の交通機関を使用している際に、異常な行動が見られた場合に、アプリを通して、「運動しなさいよー」みたいな警告が出るようです。
なかなかおもしろいですし、高齢者が増えてきているヨーロッパが真剣に高齢化社会に向き合おうとしているのがわかります。

詳しくは、下記のホームページでチェックしてみてください。
CITY4AGE

 

何をしたいのか

上記モチベーションの中の、「異常な行動が見られた場合に」ということを
Deep Learning(LSTM)を使って、異常なユーザの行動を識別することを可能にする確率モデルを提供したい。

 

用語の定義

下記の図で示している定義で、実験を行っています。
なので合計4つかな。

actions
activities
intra-activity behaviour
inter-activity behaviour(相互活動)

 

どんなモデルを使ったのか

LSTMベースにEmbedding LayerやFully Connected Layerを使用しています。
それぞれ流れは下記の図の通りです。

また、それぞれのactionでのembeddingの値を計算するために、Word2Vecを使っています。
word2vecに関しては、下記がわかりやすかったです。
word2vec(Skip-Gram Model)の仕組みを恐らく日本一簡潔にまとめてみたつもり

最終的には、softmax関数とfully connected layerを使い、次の行動を予測しています。

 

評価

データセット

データセットには、26歳の男性が、3つの部屋で28日間過ごしたものが使用されており、センサーを使ってデータを収集しています。

実際のデータは下記のような感じです。

“LeaveHouse”, “UseToilet”, “TakeShower”, “GoToBed”, “Prepare Breakfast”, “Prepare
Dinner” and “Get Drink”.
“UseDishwasher”, “OpenPansCupboard”, “ToiletFlush”,
“UseHallBedroomDoor”, “OpenPlatesCupboard”, “OpenCupsCupboard”, “OpenFridge”,
“UseMicrowave”, “UseHallBathroomDoor”, “UseWashing

結果

一番良い結果だと、予測が、80%を超えています。

感想

次の論文では、LSTMの代わりに、CNNを使って、同じような実験を行うみたいです。
ヨーロッパは、AIと向き合い、どのように過ごしやすい社会を作っていくかを真剣に考えているのだなと感じました。
その意味では、日本は「AIを使う」ということにフォーカスしすぎて、その先を見れていないなと少しさびしく思いました。

わからなかった単語

granularity : 細かい
frailty : 虚弱