Dados de localização de dispositivos móveis são fontes importantes para se entender o perfil de usuários, ajudando os provedores a oferecerem melhores serviços. Com esse tipo de dado, é possível identificar os pontos relevantes de um usuário, e até mesmo classificar esses pontos como locais de casa ou trabalho. Com esse conhecimento, provedores de serviços móveis podem aumentar o engajamento e a retenção de seus clientes. No entanto, identificar e classificar pontos de interesse (PoI) não são tarefas triviais, e a maioria dos trabalhos existentes assumem que os dados devem ser coletados com uma frequência alta, dificultando e encarecendo o processo. Neste trabalho, são propostas abordagens para identificar e classificar PoIs com base em dados esparsos, ou seja, que foram coletados em intervalos longos de tempo. Os resultados, quando comparados com soluções da literatura, mostram melhorias de pelo menos 13% na precisão para a identificação dos PoIs, e de 10% e 4% na classificação de pontos de casa e de trabalho, respectivamente.

No abstract

O estudo sobre a mobilidade humana é uma área que tem ganhado destaque recentemente, tanto no meio acadêmico quanto no corporativo. Pesquisadores buscam entender o comportamento de indivíduos para avançar em propostas inovadores de soluções de mobilidade. Por outro lado, empresas estão interessadas em conhecer melhor os seus usuários para oferecer melhores e mais personalizados serviços. Identificar pontos de interesse (PoIs), classificálos semanticamente e prever o deslocamento de indivíduos são tarefas relevantes para o estudo da mobilidade humana. Este trabalho apresenta uma abordagem capaz de realizar a identificação e classificação de PoIs de indivíduos que possuem rotinas diferentes. Adicionalmente, uma nova abordagem para a predição semântica do próximo PoI a ser visitado é apresentada, englobando as principais técnicas do estado da arte. Diferente das soluções existentes, ambas as propostas têm o foco em dados esparsos (i.e., coletas com frequências menores), mais apropriados para a utilização em ambiente de produção em larga escala.

Prever a mobilidade de um usuário é uma tarefa importante para se elevar a efetividade de aplicações móveis. Neste trabalho, é apresentada a MFA-RNN (Multi-Factor Attention Recurrent Neural Network), uma rede neural recorrente que utiliza a técnica Multi-Head Self-Attention para extrair correlações sob diversos aspectos da sequência de locais visitados. O modelo é capaz de prever o próximo local de visita considerando múltiplos fatores (usuário, localização, tempo e tipo do dia) de cada registro da sequência. Além disso, é proposto um método para o preenchimento de dados esparsos para melhorar o desempenho da solução. Os resultados obtidos indicam a eficácia do modelo MFA-RNN em relação a quatro soluções conhecidas na literatura.

The generation of geospatial data is an inherent aspect for several applications that aim to track people, automobiles, or other mobile objects. Mining information from this type of data is a crucial factor for the development of Smart Cities. In many cases, it can help improve human mobility and the quality of citizens. In this sense, there is a growing demand for systems capable of extracting information from several data types, including the geospatial one. In this work, we present DCluster, a web system that aims to assist data analysts in exploring and visualizing the main types of data, including the geospatial one. Additionally, DCluster has the capability of discovering points of interest based on data of mobile users and classifying them as Home, Work, and Other locations. Data analysts can take advantage of DCluster to explore their data and extract knowledge from it.