MobiDict

Kulkarni, Vaibhav; Moro, Arielle; Garbinato, Benoît

doi:10.1145/3003421.3003424

Cited by 11 publications

(16 citation statements)

References 25 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Algunos autores visualizaron la predicción de la movilidad del usuario como un problema de clasificación multi-clase [124] [80]. En un problema de clasificación se deben clasificar distintas instancias en clases o categorías predefinidas.…”

Section: Clasificación Multi-claseunclassified

“…Basados en la premisa de que los datos más recientes debieran ser más influyentes que los datos más antiguos, muchos autores han optado por política de envejecimiento de los datos [95] [121] [122] [68] [114] [117] [80]. Para esto, algunos autores proponen descartar los datos viejos, considerando únicamente los datos más recientes dada una ventana de tiempo (por ejemplo, considerar solo los últimos 3 meses de datos) [68] [114].…”

Section: A Envejecimiento De Datosunclassified

“…Para esto, algunos autores proponen descartar los datos viejos, considerando únicamente los datos más recientes dada una ventana de tiempo (por ejemplo, considerar solo los últimos 3 meses de datos) [68] [114]. En [80] y [95], los autores proponen olvidar lugares cuando el usuario deja de visitarlos durante mucho tiempo. En cambio, otros autores optan por asignar una política de pesaje que le da más peso a las visitas realizadas por el usuario recientemente, que a las visitas más antiguas [121] [122] [117].…”

Section: A Envejecimiento De Datosunclassified

See 2 more Smart Citations

Perfilado inteligente de movilidad de usuarios

Vallejos¹

2021

RIDAA Tesis Unicen

View full text Add to dashboard Cite

Hoy en día, los dispositivos móviles son omnipresentes en nuestra vida cotidiana. Estos dispositivos, en conjunto con Internet, nos permiten realizar prácticamente cualquier tarea, desde buscar información en la web, realizar un comentario en una red social, contactar a un amigo, participar en una clase virtualy hasta realizar compras de manera online. Con el transcurso de los años, loscelulares han ido incrementando su capacidad de cómputo. Los dispositivos móviles modernos permiten procesar y almacenar una gran cantidad de datos. Además, vienen equipados con diversos sensores que permiten capturar datos del contexto del individuo, tales como el acelerómetro, el giroscopio, el barómetro, y el sensor de luz, entre otros. Incluso es posible conocer la ubicación geográfica del dispositivo mediante el GPS que traen equipados.Los celulares han remplazado a diferentes dispositivos individuales (GPS, cámara de fotos, agenda) y se han vuelto indispensablesen nuestra vida.En particular, la capacidad de registrar y procesar datos del contexto del usuario abrió las puertas a distintas líneas de investigación y desarrollo, y puntualmente, permitió estudiar la movilidad de los usuarios. Los datos capturados por los dispositivos móviles permiten aprender los lugares por donde se mueve una persona, identificar su hogar, su lugar de trabajo, los lugares que suele visitar (como un supermercado o un gimnasio), los caminos que toma para ir de un lugar al otro, e incluso sus rutinas (en qué momentos visita cada lugar). A partir de estos datos es posible construir un perfil de movilidad del usuario, que resultaría de gran utilidad tanto en el desarrollo de aplicaciones sensibles al contexto como de ciudades inteligentes.Las utilidades y posibles aplicaciones de un perfil de estas características atrajeron el interés de la comunidad científica. Distintos autores abordaron el aprendizaje de la movilidad del usuario a partir de los datos capturados por su dispositivo móvil personal. Sin embargo, todavía existen problemáticas no abordadas o que necesitan estudiarse con mayor profundidad. Entre estos problemas se destacan: la limitación que presentan los enfoques propuestos para identificar correctamente lugares con distintas dimensiones; la inexistencia en la literatura de un conjunto de datos apto para evaluar las distintas técnicas propuestas de detección de visitas y lugares; los problemas de privacidad implicados al exponer datos sensibles como la ubicación del usuario; y la necesidad de profundizar en la predicción de movilidad,ya que los enfoques propuestos todavía no se acercan a los límites de predictibilidad teóricos establecidos.En este contexto, se propone un enfoque liviano para la construcción de perfiles de movilidad a partir de los datos recolectados por los dispositivos móviles de los usuarios. El enfoque propuesto se ejecutará íntegramente en los dispositivos móviles del usuario,evitando exponer cualquier dato sensible del usuario que comprometa su privacidad. A su vez, este enfoque busca resolver algunas de las problemáticas y limitaciones identificadas en la literatura. En particular, se propone: utilizar información geográficaexterna que permita identificar cuando el usuario está visitando lugares pequeños o lugares de grandes dimensiones; combinar múltiples predictores sencillos que permitan analizar distintos aspectos de la movilidad del usuario para mejorar la predicción; yconstruir un conjunto de datos apto para la evaluación no solo del enfoque propuesto, sino de otras técnicas propuestas en la literatura.

show abstract

Section: Clasificación Multi-claseunclassified

Section: A Envejecimiento De Datosunclassified

See 1 more Smart Citation

Perfilado inteligente de movilidad de usuarios

Vallejos¹

2021

RIDAA Tesis Unicen

View full text Add to dashboard Cite

show abstract

“…π max M C (2) Figure 3. Comparison of π max with the maximum predictability achieved using models from each category.…”

Section: Datasetsmentioning

confidence: 99%

“…The current π max computation is thus based on the widely used assumption that human mobility is Markovian (memoryless), i.e., the movements are independently distributed, as testified by the numerous research works relying on Markov models to characterize mobility 2,9,[22][23][24] . In opposition to this widely used assumption, we show the presence of non-Markovian character in human mobility dynamics by empirically showing that the drop in the mutual information 8, 25 follows a power law function of the distance between any two points in a trajectory.…”

Section: Introductionmentioning

confidence: 99%

On the Inability of Markov Models to Capture Criticality in Human Mobility

Kulkarni¹,

Mahalunkar

Garbinato³

et al. 2019

Lecture Notes in Computer Science

Self Cite

View full text Add to dashboard Cite

We examine the non-Markovian nature of human mobility by exposing the inability of Markov models to capture criticality in human mobility. In particular, the assumed Markovian nature of mobility was used to establish a theoretical upper bound on the predictability of human mobility (expressed as a minimum error probability limit), based on temporally correlated entropy. Since its inception, this bound has been widely used and empirically validated using Markov chains. We show that recurrent-neural architectures can achieve significantly higher predictability, surpassing this widely used upper bound. In order to explain this anomaly, we shed light on several underlying assumptions in previous research works that has resulted in this bias. By evaluating the mobility predictability on real-world datasets, we show that human mobility exhibits scale-invariant long-range correlations, bearing similarity to a power-law decay. This is in contrast to the initial assumption that human mobility follows an exponential decay. This assumption of exponential decay coupled with Lempel-Ziv compression in computing Fano's inequality has led to an inaccurate estimation of the predictability upper bound. We show that this approach inflates the entropy, consequently lowering the upper bound on human mobility predictability. We finally highlight that this approach tends to overlook long-range correlations in human mobility. This explains why recurrent-neural architectures that are designed to handle long-range structural correlations surpass the previously computed upper bound on mobility predictability.

show abstract