Knowledge about the expected interaction duration and expected distance from which users will interact with public displays can be useful in many ways. For example, knowing upfront that a certain setup will lead to shorter interactions can nudge space owners to alter the setup. If a system can predict that incoming users will interact at a long distance for a short amount of time, it can accordingly show shorter versions of content (e.g., videos/advertisements) and employ at-a-distance interaction modalities (e.g., mid-air gestures). In this work, we propose a method to build models for predicting users’ interaction duration and distance in public display environments, focusing on mid-air gestural interactive displays. First, we report our findings from a field study showing that multiple variables, such as audience size and behaviour, significantly influence interaction duration and distance. We then train predictor models using contextual data, based on the same variables. By applying our method to a mid-air gestural interactive public display deployment, we build a model that predicts interaction duration with an average error of about 8 s, and interaction distance with an average error of about 35 cm. We discuss how researchers and practitioners can use our work to build their own predictor models, and how they can use them to optimise their deployment.

有关预期的交互作用持续时间和用户与公共显示器交互作用的预期距离的知识在许多方面都是有用的。例如，预先知道某个设置会导致更短的交互，这可以促使空间所有者改变设置。如果系统可以预测到来的用户将在很短的时间内进行长距离交互，则它可以相应地显示较短版本的内容（例如视频/广告），并采用远距离交互方式（例如，空中手势）。在这项工作中，我们提出了一种建立模型的方法，该模型用于预测用户在公共显示环境中的交互持续时间和距离，重点是空中手势交互显示。首先，我们报告一项实地研究的结果，结果表明，诸如受众群体规模和行为等多个变量，显着影响互动持续时间和距离。然后，我们基于相同的变量使用上下文数据训练预测器模型。通过将我们的方法应用于空中手势互动式公共展示部署，我们建立了一个模型，该模型可预测互动持续时间（平均误差约为8 s）和互动距离（平均误差约为35 cm）。我们讨论研究人员和从业人员如何使用我们的工作来构建自己的预测器模型，以及如何使用它们来优化其部署。和相互作用距离，平均误差约为35厘米。我们讨论研究人员和从业人员如何使用我们的工作来构建自己的预测器模型，以及如何使用它们来优化其部署。和相互作用距离，平均误差约为35厘米。我们讨论研究人员和从业人员如何使用我们的工作来构建自己的预测器模型，以及如何使用它们来优化其部署。