What Are Good Situations for Running? A Machine Learning Study Using Mobile and Geographical Data
Laufen ist eine beliebte Form der körperlichen Aktivität. Persönliche, soziale und ökologische Determinanten beeinflussen das Engagement des Einzelnen.
Um einen Einblick in die Beziehung zwischen dem Laufverhalten und externen Situationen für verschiedene Benutzertypen zu erhalten, haben wir eine umfangreiche Data Mining-Studie zu großen Datensätzen durchgeführt.
Wir haben 4 Jahre historische Laufdaten (gesammelt von einer mobilen Übungsanwendung von über 10’000 Teilnehmern) mit Wetter-, topografischen und demografischen Datensätzen kombiniert.
Für die Analyse der Daten führen wir das gewichtete häufige Item-Mining ein. Auf diese Weise erfassen wir zeitliche und Umweltsituationen, die häufig mit unterschiedlichen Laufleistungen verbunden sind.
Die Ergebnisse zeigen, dass bestimmte zeitliche und Umweltsituationen (Stunde am Tag, Tag in der Woche, Temperatur, Entfernung zu Wohngebieten und Bevölkerungsdichte) die Laufleistung der Benutzer stärker beeinflussen als andere Situationsmerkmale. Hierarchisches agglomeratives Clustering auf den Laufdaten wird verwendet, um Läufer in zwei Cluster aufzuteilen (mit anhaltendem und weniger anhaltendem Laufverhalten).
Wir haben die beiden Gruppen von Läufern verglichen und festgestellt, dass Läufer mit weniger anhaltendem Verhalten empfindlicher auf Umweltsituationen reagieren (insbesondere auf verschiedene wetter- und ortsbezogene Merkmale wie Temperatur, Wettertyp, Entfernung zum nächsten Park) als normale Läufer. Weitere Analysen konzentrierten sich auf die Situationsmerkmale für die weniger nachhaltigen Läufer.
Die Ergebnisse zeigen, dass bestimmte Merkmalswerte einer besseren oder schlechteren Laufstrecke entsprechen.
Es wurde nicht nur der Einfluss einzelner Merkmale untersucht, sondern auch das Zusammenspiel zwischen Merkmalen.
Unsere Ergebnisse liefern wichtige empirische Belege dafür, dass die Rolle externer Situationen im Laufverhalten von Personen aus der Analyse der kombinierten historischen Datensätze abgeleitet werden kann. Dies eröffnet ein großes Potenzial, diese Situationen bei der Unterstützung von Personen mit weniger nachhaltigem Verhalten gezielt zu berücksichtigen.
Die ganze Arbeit findet sich unter https://www.frontiersin.org/articles/10.3389/fpubh.2020.536370/full