Novel method for the prediction of mobile location based on temporal-spatial behavioral patterns

Zolotukhin, Mikhail; Ivannikova, Elena; Hämäläinen, Timo D.

doi:10.1109/icist.2013.6747655

Cited by 10 publications

(2 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…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]. De esta forma, ante un cambio de rutina, el algoritmo de predicción comenzará lentamente a darle más peso a las rutinas nuevas, olvidando las rutinas viejas que ya no rigen en la vida del usuario.…”

Section: A Envejecimiento De Datosunclassified

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: A Envejecimiento De Datosunclassified

Perfilado inteligente de movilidad de usuarios

Vallejos¹

2021

RIDAA Tesis Unicen

View full text Add to dashboard Cite

show abstract

“…Correlation between two intervals can be there using probabilistic temporal pattern. Also there can be periodic patterns for user's behaviour, user who has a strict timetable then at that time it is very easy to predict next location [6]. Using a combination of spatial and temporal approaches there can be increase in prediction accuracy.…”

Section: Typesmentioning

confidence: 99%

A Survey on Temporal Cyclic Patterns

.¹

2015

IJRET

View full text Add to dashboard Cite

In a location based social networking there are many users who share their information socially and use of location based social networking site is increasing rapidly. So from any location user can share his/her place on social networking site. So other people come to know about some special places on social site. So from this information which he/she shares on social networking site as per specific time, there can be generation of pattern. When one person shares visited place on social networking site, then other peoples in his/her network can see that and can follow that place as per their requirement. So pattern about user's behavior can be find out by collecting information that he shares on social networking site. From collected information user's need and interest can be find out by finding specific pattern.

show abstract