加利福尼亚大学圣地亚哥分校的计算机科学家开发了FitRec，这是一种基于深度学习的推荐工具，可以更好地估计运动过程中跑步者的心率，并预测和推荐路线。该小组将在5月13日至17日在旧金山举行的WWW 19会议上展示这项工作。研究人员使用来自1000多个跑步者的250,000多个运动记录的数据集训练了FitRec。这使计算机科学家可以建立一个模型，该模型可以分析过去的表现并预测特定运动时间和路线的速度和心率。 FitRec还可以识别影响锻炼效果的重要特征，例如路线是否有坡度和用户的健康水平。该工具可以为想要达到特定目标心率的跑步者推荐替代路线。它还可以进行短期预测，例如告诉跑步者什么时候减速，以避免超过所需的最大心率。他们是第一个收集和建模以进行学术研究的大规模健身数据集团队。但是，由于健身数据集具有大量的运动记录，但是每个人只有少量的数据点，因此开发FitRec并不容易。加利福尼亚大学圣地亚哥分校计算机科学与工程系教授朱利安·麦考利（Julian McAuley）表示：“个性化在健身数据模型中非常重要，因为个体差异很大，包括心率和适应不同运动的能力。建立此模型的主要挑战是，人们在运动过程中的心率动态非常复杂，需要复杂的技术来建模。为了建立有效的模型，计算机科学家需要一种可以使用所有数据进行学习的工具，但同时可以针对每个用户动态从少量数据点学习个性化。因此，研究人员使用长期和短期内存网络（LSTM）深度学习架构，将其用于捕获数据集中每个用户的各种动态行为。研究人员提供了从endondo.com到网络的公共数据集的子集，该网络是一个应用程序网站，其功能类似于运动日记。整理数据后，研究人员编辑了100,000多个运动记录以训练网络。他们通过将FitRec的预测与不属于训练数据集的现有运动记录进行比较，从而验证了FitRec的预测。将来，FitRec可以接受其他数据的培训，例如随着时间的推移预测用户的健康水平。该工具还可以应用于更复杂的推荐路线，例如安全意识路线。但是，为了将该工具用于商业健身应用，研究人员需要访问更详细的健身跟踪数据并处理数据质量问题。