加州大学圣地亚哥分校(University of California San Diego)的计算机科学家开发了FitRec，这是一款由深度学习提供动力的推荐工具，能够更好地估计跑步者在锻炼期间的心率，并预测和推荐跑步路线。该小组将于5月13日至17日在旧金山举行的WWW 19大会上展示他们的研究成果。
研究人员对FitRec的数据集进行了训练，该数据集包含1000多名跑步者的25万多条锻炼记录。这使得计算机科学家能够建立一个模型，分析过去的表现，预测特定未来锻炼时间和路线下的速度和心率。
FitRec还能够识别影响锻炼效果的重要特征，比如路线是否有坡度以及用户的健身水平。该工具可以为想要达到特定心率目标的跑步者推荐其他路线。它还能做出短期预测，比如告诉跑步者何时放慢速度，以避免超过他们所期望的最高心率。
该团队之所以能够开发这个工具，部分原因是他们是第一批为学术研究收集和建模大规模健身数据集的人。但是开发FitRec并不容易，因为健身数据集有大量的锻炼记录，但是每个人只有少量的数据点。
加州大学圣地亚哥分校(UC San Diego)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至关重要，因为个体在许多领域存在很大差异，包括心率和适应不同运动的能力。”
研究人员补充说:“建立这类模型的主要挑战是，人们锻炼时心率的动态非常复杂，需要复杂的技术来建模。”
为了建立一个有效的模型，计算机科学家需要一个工具，它使用所有的数据来学习，但同时可以从每个用户的少量数据点学习个性化的动态。进入一个称为长短时记忆网络(LSTM)的深度学习体系结构，研究人员对其进行了调整，以捕捉数据集中每个用户的动态行为。
研究人员向这些网络提供了endomondo.com公共数据集的子集。endomondo.com是一个应用程序和网站，功能类似于锻炼日记。在整理完数据后，研究人员整理了超过10万份锻炼记录来训练网络。
他们通过将FitRec的预测与不属于训练数据集的现有锻炼记录进行比较，验证了FitRec的预测。
在未来，FitRec可以被训练包含其他数据，比如用户的健康水平如何随着时间的推移而变化，从而做出预测。该工具还可以应用于更复杂的推荐路由，例如安全感知路由。
但为了让该工具在商业健身应用中得到应用，研究人员需要获得更详细的健身跟踪数据，并处理各种数据质量问题。
