Mining Habitual User Choices from Google Maps History Logs

Varlamis, Iraklis; Sardianos, Christos; Bouras, Grigoris

doi:10.1007/978-3-030-33698-1_9

Cited by 2 publications

(1 citation statement)

References 18 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…[Malmi and Weber 2016] utilizam dados demográficos e lista de aplicativos para criar um perfil do usuário considerando, além do gênero, atributos como idade e rac ¸a. [Varlamis et al 2020] e [Sardianos et al 2018] apresentam trabalhos visando resolver o problema de melhoramento de rota e detecc ¸ão de pontos de interesse. Para isso, são feitas as análises dos locais onde há uma concentrac ¸ão de acessos do usuário, sendo feita uma engenharia reversa com o OpenStreetMap (utilizam os dados do usuário para enriquecer com o tipo de local em que ele se encontra).…”

Section: Trabalhos Relacionadosunclassified

SCOrE: um serviço de classificação de usuários móveis com base em seus aplicativos e suas cidades

Figueiredo¹,

Santos²,

Souza³

et al. 2022

Anais Do XIV Simpósio Brasileiro De Computação Ubíqua E Pervasiva (SBCUP 2022)

View full text Add to dashboard Cite

Tem-se percebido um aumento significativo na coleta e disponibilidade de dados oriundos de dispositivos móveis. Esses dados, em sua maioria geolocalizados, podem ser usados para se extrair o perfil de comportamento e interesse de usuários. Com isso, empresas podem oferecer serviços melhores e mais personalizados, e a comunidade científica pode avançar no entendimento sobre o comportamento humano. Neste contexto, este trabalho investiga se é possível extrair com qualidade o perfil de usuários móveis considerando apenas os aplicativos instalados, a população e o PIB/capita da cidade do usuário. Foi criado o serviço SCOrE que classifica o usuário em três perspectivas: interesses em locais específicos, visitas a regiões com características funcionais específicas e mobilidade. Com isso, foi possível entender alguns interesses de usuários móveis com base em dados menos invasivos dos mesmos, avançando assim o conhecimento sobre a área.

show abstract

Section: Trabalhos Relacionadosunclassified

SCOrE: um serviço de classificação de usuários móveis com base em seus aplicativos e suas cidades

Figueiredo¹,

Santos²,

Souza³

et al. 2022

Anais Do XIV Simpósio Brasileiro De Computação Ubíqua E Pervasiva (SBCUP 2022)

View full text Add to dashboard Cite

show abstract

Graph-based representation for identifying individual travel activities with spatiotemporal trajectories and POI data

Liu

Peng

et al. 2022

Sci Rep

View full text Add to dashboard Cite

Individual daily travel activities (e.g., work, eating) are identified with various machine learning models (e.g., Bayesian Network, Random Forest) for understanding people’s frequent travel purposes. However, labor-intensive engineering work is often required to extract effective features. Additionally, features and models are mostly calibrated for individual trajectories with regular daily travel routines and patterns, and therefore suffer from poor generalizability when applied to new trajectories with more irregular patterns. Meanwhile, most existing models cannot extract features to explicitly represent regular travel activity sequences. Therefore, this paper proposes a graph-based representation of spatiotemporal trajectories and point-of-interest (POI) data for travel activity type identification, defined as Gstp2Vec. Specifically, a weighted directed graph is constructed by connecting regular activity areas (i.e., zones) detected via clustering individual daily travel trajectories as graph nodes, with edges denoting trips between pairs of zones. Statistics of trajectories (e.g., visit frequency, activity duration) and POI distributions (e.g., percentage of restaurants) at each activity zone are encoded as node features. Next, trip frequency, average trip duration, and average trip distance are encoded as edge weights. Then a series of feedforward neural networks are trained to generate low-dimensional embeddings for activity nodes through sampling and aggregating spatiotemporal and POI features from their multihop neighborhoods. Activity type labels collected via travel surveys are used as ground truth for backpropagation. The experiment results with real-world GPS trajectories show that Gstp2Vec significantly reduces feature engineering efforts by automatically learning feature embeddings from raw trajectories with minimal prepossessing efforts. It not only enhances model generalizability to receive higher identification accuracy on test individual trajectories with diverse travel patterns, but also obtains better efficiency and robustness. In particular, our identification of the most common daily travel activities (e.g., Dwelling and Work) for people with diverse travel patterns outperforms state-of-the-art classification models.

show abstract

Mining Habitual User Choices from Google Maps History Logs

Cited by 2 publications

References 18 publications

SCOrE: um serviço de classificação de usuários móveis com base em seus aplicativos e suas cidades

SCOrE: um serviço de classificação de usuários móveis com base em seus aplicativos e suas cidades

Graph-based representation for identifying individual travel activities with spatiotemporal trajectories and POI data

Contact Info

Product

Resources

About