Identificação e Classificação de Pontos de Interesse Individuais com Base em Dados Esparsos

Abstract

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.

DCluster: Geospatial Analytics with PoI Identification

“…Method is the algorithm to perform PoI identification. Currently, the only available option is the "Frequency-based (sparse data)" that is designed to sparse data and was evaluated in [Capanema et al 2019]. This algorithm has the advantage of finding Home, Work, and Other locations of users that have different types of routines.…”

“…• 187 can have an inverted routine, that is, they go to work at night, and stay home during the day. Thus, those nuances are captured by the [Capanema et al 2019] algorithm to improve the identification of PoIs types.…”

MFA-RNN: Uma Rede Neural Recorrente para Predição de Próximo Local de Visita com Base em Dados Esparsos

“…Para cada usuário,é necessário primeiro definir a sua mobilidade em termos de pontos de interesse visitados. Para isso, foi utilizada a solução proposta em [Capanema et al 2019], desenvolvida sob dados esparsos. Foram identificados e classificados dois tipos de pontos de interesses pessoais: Casa e Outro.…”

“…Considerando o método de coleta descrito anteriormente, o trabalho de [Capanema et al 2019] mostrou que o usuário tende a estar em casa durante o maior período de tempo onde não foram gerados eventos por um usuário. Isso ocorre porqueé necessária a ação do usuário com o desbloqueio do aparelho e uma movimentação mínima para se gerar dados de localização.…”

“…• Utilização de múltiplos fatores de entrada para o modelo: localização, horário, ID do usuário e o tipo do dia (dia de semana ou final de semana). • Considerando o trabalho de [Capanema et al 2019],é possível inferir se uma pessoa está em casa em horários específicos mesmo que não tenham sido gerados registros. Essa contribuiçãoé estendida neste trabalho para preencher a base de dados esparsos, e assim, facilitar o reconhecimento de padrões pela rede neural.…”