Detecção de Pontos de Interesse e Predição de Próximo Local de Visita de Usuários Móveis com Base em Dados Esparsos

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.

Redes Neurais de Grafos no Contexto das Cidades Inteligentes

“…É importante ressaltar que, um dos datasets utilizados contém check-ins de usuários de uma rede social, de modo que cada estabelecimento visitado é considerado como um PoI. Por outro lado, a segunda base de dados utilizada contém trajetórias de GPS de usuários móveis e, dessa forma, foi necessário utilizar o algoritmo de identificação de PoIs descrito em (Capanema et al, 2021a(Capanema et al, , 2019Capanema & Silva, 2021). A componente de camada RNN indica o comportamento recente do usuário, enquanto a componente GNN indica o comportamento global/geral do usuário em termos da sua mobilidade entre PoIs e as suas respectivas categorias.…”

“…A partir de séries temporais pode ser gerado um grafo ou uma sequência de grafos. Capanema and Silva (2021) utilizam a trajetória histórica de um usuário para gerar um grafo, que representa a sua mobilidade em todo o período. Por outro lado, sequências de grafos também podem ser criadas, como em (Ye et al, 2020), o que é comumente associado aos grafos dinâmicos, onde as características do grafo variam ao longo do tempo.…”