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

  • Cláudio G. S. Capanema UFV
  • Fabrício A. Silva UFV
  • Thais Regina M. B. Silva UFV

Resumo


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.

Palavras-chave: Redes Móveis, Pontos de Interesse, Análise de Dados

Referências

Castro, P. S., Zhang, D., e Li, S. (2012). Urban traffic modelling and prediction using large scale taxi gps traces. In International Conference on Pervasive Computing, pages 57–72. Springer.

Csáji, B. C., Browet, A., Traag, V. A., Delvenne, J.-C., Huens, E., Van Dooren, P., Smoreda, Z., e Blondel, V. D. (2013). Exploring the mobility of mobile phone users. Physica A: statistical mechanics and its applications, 392(6):1459–1473.

Cuttone, A., Lehmann, S., e Larsen, J. E. (2014). Inferring human mobility from sparse low accuracy mobile sensing data. In Proceedings of the 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing: Adjunct Publication, pages 995– 1004. ACM.

Frias-Martinez, V., Virseda, J., Rubio, A., e Frias-Martinez, E. (2010). Towards large scale technology impact analyses: Automatic residential localization from mobile phone-call data. In Proceedings of the 4th ACM/IEEE international conference on information and communication technologies and development, page 11. ACM.

Hoteit, S., Chen, G., Viana, A., e Fiore, M. (2016). Filling the gaps: On the completion of sparse call detail records for mobility analysis. In Proceedings of the Eleventh ACM Workshop on Challenged Networks, pages 45–50. ACM.

Isaacman, S., Becker, R., Cáceres, R., Kobourov, S., Martonosi, M., Rowland, J., e Varshavsky, A. (2011). Identifying important places in people’s lives from cellular network data. In International Conference on Pervasive Computing, pages 133–151. Springer.

Järv, O., Ahas, R., e Witlox, F. (2014). Understanding monthly variability in human activity spaces: A twelve-month study using mobile phone call detail records. Transportation Research Part C: Emerging Technologies, 38:122–135.

Kung, K. S., Greco, K., Sobolevsky, S., e Ratti, C. (2014). Exploring universal patterns in human home-work commuting from mobile phone data. PloS one, 9(6):e96180.

Lee, S., Choi, Y., Lim, S., e Park, J. (2015). A spatio-temporal distance based clustering approach for discovering significant places from trajectory data.

Montoliu, R., Blom, J., e Gatica-Perez, D. (2013). Discovering places of interest in everyday life from smartphone data. Multimedia tools and applications, 62(1):179– 207.

Naboulsi, D., Fiore, M., Ribot, S., e Stanica, R. (2016). Large-scale mobile traffic analysis: a survey. IEEE Communications Surveys & Tutorials, 18(1):124–161.

Pavan, M., Mizzaro, S., Scagnetto, I., e Beggiato, A. (2015). Finding important locations: A feature-based approach. In Mobile Data Management (MDM), 2015 16th IEEE International Conference on, volume 1, pages 110–115. IEEE.

Ranjan, G., Zang, H., Zhang, Z.-L., e Bolot, J. (2012). Are call detail records biased for sampling human mobility? ACM SIGMOBILE Mobile Computing and Communications Review, 16(3):33–44.

Rathore, M. M., Ahmad, A., Paul, A., e Rho, S. (2016). Urban planning and building smart cities based on the internet of things using big data analytics. Computer Networks, 101:63–80.

Schneider, C. M., Belik, V., Couronné, T., Smoreda, Z., e González, M. C. (2013). Unravelling daily human mobility motifs. Journal of The Royal Society Interface, 10(84):20130246.

Trestian, I., Ranjan, S., Kuzmanovic, A., e Nucci, A. (2009). Measuring serendipity: connecting people, locations and interests in a mobile 3g network. In Proceedings of the 9th ACM SIGCOMM conference on Internet measurement, pages 267–279. Acm.
Publicado
06/05/2019
CAPANEMA, Cláudio G. S.; SILVA, Fabrício A.; SILVA, Thais Regina M. B.. Identificação e Classificação de Pontos de Interesse Individuais com Base em Dados Esparsos. In: SIMPÓSIO BRASILEIRO DE REDES DE COMPUTADORES E SISTEMAS DISTRIBUÍDOS (SBRC), 37. , 2019, Gramado. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2019 . p. 15-28. ISSN 2177-9384. DOI: https://doi.org/10.5753/sbrc.2019.7347.

Artigos mais lidos do(s) mesmo(s) autor(es)

<< < 1 2