加州大學圣地亞哥分校的計算機科學家開發了FitRec，這是一種基于深度學習的推薦工具，可以更好地估計跑步者在鍛煉期間的心率，并預測和推薦路線。該團隊將于5月13日至17日在舊金山舉行的WWW 19大會上展示該作品。

研究人員用超過1000名跑步者的超過250000條鍛煉記錄的數據集訓練FitRec。這使計算機科學家能夠建立一個模型，分析過去的表現，預測特定鍛煉時間和路線下的速度和心率。

FitRec還能夠識別影響鍛煉效果的重要特征，例如路線是否具有坡度以及用戶的健康水平。該工具可以為想要達到特定目標心率的跑步者推薦替代路線。

它還能夠做出短期預測，例如告訴跑步者什么時候減速，以避免超過期望的最高心率。

他們是第一批收集和建模用于學術研究的大型健身數據集團隊，但是，開發FitRec絕非易事，因為健身數據集擁有大量的鍛煉記錄，但每個人只有少量的數據點。

加州大學圣地亞哥分校計算機科學與工程系教授Julian McAuley說，“個性化在健身數據模型中至關重要，因為個體差異很大，包括心率和適應不同運動的能力。建立這種模型的主要挑戰是，人們鍛煉時的心率動態非常復雜，需要復雜的技術來建模。”

為了建立一個有效的模型，計算機科學家需要一個使用所有數據學習的工具，但同時可以從每個用戶的少量數據點學習個性化動態。于是使用一種長短期記憶網絡（LSTM）的深度學習架構，研究人員將其應用于捕獲數據集中每個用戶的各個動態行為。

研究人員向網絡提供了來自endomondo.com的公共數據集的子集，這是一個應用程序的網站，功能類似于鍛煉日記。在整理完數據后，研究人員整理了超過10萬份鍛煉記錄來訓練網絡。

他們通過將FitRec的預測與不屬于訓練數據集的現有鍛煉記錄進行比較，以驗證FitRec的預測。

在未來，FitRec可以接受其他數據的訓練，例如通過用戶健康水平隨時間推移的方式進行預測。該工具還可以應用于更復雜的推薦路線，例如安全感知路線。

但為了將該工具用于商業健身應用程序，研究人員需要訪問更詳細的健身追蹤數據，并處理數據的質量問題。