Predicción espacio-temporal de la movilidad del usuario
Predecir la ubicación del usuario de manera precisa es importante en diferentes dominios y áreas de investigación. Actualmente, con la proliferación de dispositivos móviles y los diversos sensores incorporados en éstos, es posible obtener una gran cantidad de datos asociados a la movilidad del usuar...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2015 |
| País: | México |
| Institución: | Centro de Investigación Científica y de Educación Superior de Ensenada |
| Repositorio: | Repositorio Institucional CICESE |
| Idioma: | español |
| OAI Identifier: | oai:cicese.repositorioinstitucional.mx:1007/448 |
| Acceso en línea: | http://cicese.repositorioinstitucional.mx/jspui/handle/1007/448 |
| Access Level: | acceso abierto |
| Palabra clave: | info:eu-repo/classification/Autor/Predicción espacial info:eu-repo/classification/cti/1 info:eu-repo/classification/cti/12 info:eu-repo/classification/cti/1203 |
| id |
MX_9f96f6cb70161a46debcd4e0faaa436d |
|---|---|
| oai_identifier_str |
oai:cicese.repositorioinstitucional.mx:1007/448 |
| network_acronym_str |
MX |
| network_name_str |
México |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Predicción espacio-temporal de la movilidad del usuario Spatio-temporal prediction of user mobility |
| title |
Predicción espacio-temporal de la movilidad del usuario |
| spellingShingle |
Predicción espacio-temporal de la movilidad del usuario Jorge Alvarez Lozano info:eu-repo/classification/Autor/Predicción espacial info:eu-repo/classification/cti/1 info:eu-repo/classification/cti/12 info:eu-repo/classification/cti/1203 info:eu-repo/classification/cti/1203 |
| title_short |
Predicción espacio-temporal de la movilidad del usuario |
| title_full |
Predicción espacio-temporal de la movilidad del usuario |
| title_fullStr |
Predicción espacio-temporal de la movilidad del usuario |
| title_full_unstemmed |
Predicción espacio-temporal de la movilidad del usuario |
| title_sort |
Predicción espacio-temporal de la movilidad del usuario |
| dc.creator.none.fl_str_mv |
Jorge Alvarez Lozano |
| author |
Jorge Alvarez Lozano |
| author_facet |
Jorge Alvarez Lozano |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Jose Antonio Garcia Macias |
| dc.subject.none.fl_str_mv |
info:eu-repo/classification/Autor/Predicción espacial info:eu-repo/classification/cti/1 info:eu-repo/classification/cti/12 info:eu-repo/classification/cti/1203 info:eu-repo/classification/cti/1203 |
| topic |
info:eu-repo/classification/Autor/Predicción espacial info:eu-repo/classification/cti/1 info:eu-repo/classification/cti/12 info:eu-repo/classification/cti/1203 info:eu-repo/classification/cti/1203 |
| description |
Predecir la ubicación del usuario de manera precisa es importante en diferentes dominios y áreas de investigación. Actualmente, con la proliferación de dispositivos móviles y los diversos sensores incorporados en éstos, es posible obtener una gran cantidad de datos asociados a la movilidad del usuario. A la fecha, varias investigaciones han encontrado que los usuarios exhiben un alto grado de repetición al visitar ciertos lugares durante sus actividades cotidianas. Así, algunos trabajos han aprovechado la regularidad de los movimientos registrados del usuario para predecir el próximo o próximos lugares donde estará. La predicción espacial se enfoca en predecir las próximas ubicaciones del usuario, mientras que la predicción espacio-temporal toma también en cuenta el tiempo, para predecir las próximas ubicaciones y el tiempo que estará en dichas ubicaciones. Actualmente, los trabajos reportados en la literatura realizan la predicción espacio-temporal en el corto y largo plazo (e.g., 10 minutos y 1 año, respectivamente). Sin embargo, no se encontraron trabajos que resulten adecuados para predicciones espacio-temporales en el mediano plazo (e.g., unas cuantas horas adelante). El modelo de predicción aquí propuesto toma como base los puntos de interés, los cuales son aquellos lugares que los usuarios visitan de manera regular y en los cuales pasan al menos un tiempo determinado. Se modela la movilidad de los usuarios entre los puntos de interés como una cadena de Markov, puesto que la ubicación actual del usuario determina con cierta probabilidad la siguiente ubicación de éste. Además, al considerar la relación de la propiedad Markoviana entre los puntos de interés y los tiempos de estadía del usuario en dichos puntos, la movilidad del usuario se modela como un modelo oculto de Markov. Así, es posible predecir los próximos puntos de interés que el usuario visitará y los tiempos de arribo a éstos. Para evaluar la e?ciencia del modelo de predicción se utilizaron dos conjuntos de datos públicos, los cuales son utilizados en los trabajos relacionados. Los resultados experimentales mostraron que el modelo de predicción espacio-temporal resulta ser e?ciente en periodos de hasta 7 horas. Para un periodo de predicción de 30 minutos se obtuvo hasta un 81.75% de precisión y al considerar un periodo de 7 horas, se obtuvo una precisión de 66.25%. |
| publishDate |
2015 |
| dc.date.none.fl_str_mv |
2015 |
| dc.type.none.fl_str_mv |
info:eu-repo/semantics/doctoralThesis info:eu-repo/semantics/publishedVersion |
| format |
doctoralThesis |
| status_str |
publishedVersion |
| dc.identifier.none.fl_str_mv |
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/448 |
| url |
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/448 |
| dc.language.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.none.fl_str_mv |
citation:Alvarez Lozano,J.2015.Predicción espacio-temporal de la movilidad del usuario.Tesis de Doctorado en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California.xv, 170 pp. |
| dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by/4.0 |
| eu_rights_str_mv |
openAccess |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by/4.0 |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
CICESE |
| publisher.none.fl_str_mv |
CICESE |
| dc.source.none.fl_str_mv |
reponame:Repositorio Institucional CICESE instname:Centro de Investigación Científica y de Educación Superior de Ensenada instacron:CICESE |
| instname_str |
Centro de Investigación Científica y de Educación Superior de Ensenada |
| instacron_str |
CICESE |
| institution |
CICESE |
| reponame_str |
Repositorio Institucional CICESE |
| collection |
Repositorio Institucional CICESE |
| repository.name.fl_str_mv |
|
| repository.mail.fl_str_mv |
|
| _version_ |
1858176334511996928 |
| spelling |
Predicción espacio-temporal de la movilidad del usuarioSpatio-temporal prediction of user mobilityJorge Alvarez Lozanoinfo:eu-repo/classification/Autor/Predicción espacialinfo:eu-repo/classification/cti/1info:eu-repo/classification/cti/12info:eu-repo/classification/cti/1203info:eu-repo/classification/cti/1203Predecir la ubicación del usuario de manera precisa es importante en diferentes dominios y áreas de investigación. Actualmente, con la proliferación de dispositivos móviles y los diversos sensores incorporados en éstos, es posible obtener una gran cantidad de datos asociados a la movilidad del usuario. A la fecha, varias investigaciones han encontrado que los usuarios exhiben un alto grado de repetición al visitar ciertos lugares durante sus actividades cotidianas. Así, algunos trabajos han aprovechado la regularidad de los movimientos registrados del usuario para predecir el próximo o próximos lugares donde estará. La predicción espacial se enfoca en predecir las próximas ubicaciones del usuario, mientras que la predicción espacio-temporal toma también en cuenta el tiempo, para predecir las próximas ubicaciones y el tiempo que estará en dichas ubicaciones. Actualmente, los trabajos reportados en la literatura realizan la predicción espacio-temporal en el corto y largo plazo (e.g., 10 minutos y 1 año, respectivamente). Sin embargo, no se encontraron trabajos que resulten adecuados para predicciones espacio-temporales en el mediano plazo (e.g., unas cuantas horas adelante). El modelo de predicción aquí propuesto toma como base los puntos de interés, los cuales son aquellos lugares que los usuarios visitan de manera regular y en los cuales pasan al menos un tiempo determinado. Se modela la movilidad de los usuarios entre los puntos de interés como una cadena de Markov, puesto que la ubicación actual del usuario determina con cierta probabilidad la siguiente ubicación de éste. Además, al considerar la relación de la propiedad Markoviana entre los puntos de interés y los tiempos de estadía del usuario en dichos puntos, la movilidad del usuario se modela como un modelo oculto de Markov. Así, es posible predecir los próximos puntos de interés que el usuario visitará y los tiempos de arribo a éstos. Para evaluar la e?ciencia del modelo de predicción se utilizaron dos conjuntos de datos públicos, los cuales son utilizados en los trabajos relacionados. Los resultados experimentales mostraron que el modelo de predicción espacio-temporal resulta ser e?ciente en periodos de hasta 7 horas. Para un periodo de predicción de 30 minutos se obtuvo hasta un 81.75% de precisión y al considerar un periodo de 7 horas, se obtuvo una precisión de 66.25%.Predicting user location accurately is important for different domains and research areas. Nowadays, with the proliferation of mobile devices and the various sensors they have, it is possible to obtain a great amount of contextual data about user mobility. Up to now, several studies have found that users exhibit a high degree of repetition by visiting certain places during their daily activities. Thus, some works have taken advantage of the regularity of past movements to forecast the next locations of users. Spatial prediction focuses on predicting the next location of the user, while spatio-temporal prediction also considers time and as a result not only predicts the next location but also the time when the user will be there. Currently, works in the literature make spatio-temporal predictions for short and long-term (e.g., 10 minutes and 1 year, respectively). However, there are no works that are suitable for spatio-temporal predictions in the medium term (e.g., a few hours later). The prediction model proposed here takes as reference the points of interest, which are those places that users visit regularly and where they spend at least a certain amount of time. User mobility is modelled between the points of interest as a Markov chain, since the current location of the user determines with some probability his following location. Moreover, considering the relationship of Markovian property between points of interest and user staying times at these points, user mobility is modelled as a hidden Markov model. Consequently, it is possible to predict the next points of interest where the user will be and the arrival times to these places.To evaluate the ef?ciency of the prediction model, two public datasets were used. The experimental results showed that the spatio-temporal prediction model is ef?cient for periods of up to 7 hours. For a prediction period of 30 minutes the model presented an accuracy of up to 81.75% and for a prediction period of 7 hours, the accuracy was of up to 66.25%.CICESEJose Antonio Garcia Macias2015info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/publishedVersionapplication/pdfhttp://cicese.repositorioinstitucional.mx/jspui/handle/1007/448reponame:Repositorio Institucional CICESEinstname:Centro de Investigación Científica y de Educación Superior de Ensenadainstacron:CICESEspacitation:Alvarez Lozano,J.2015.Predicción espacio-temporal de la movilidad del usuario.Tesis de Doctorado en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California.xv, 170 pp.info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/4.0oai:cicese.repositorioinstitucional.mx:1007/4482024-08-28T03:49:42Z |
| score |
14.965156 |