論文の概要: Reconstructing human activities via coupling mobile phone data with
location-based social networks
- arxiv url: http://arxiv.org/abs/2306.03441v1
- Date: Tue, 6 Jun 2023 06:37:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 16:52:34.484568
- Title: Reconstructing human activities via coupling mobile phone data with
location-based social networks
- Title（参考訳）: 携帯電話データと位置情報ソーシャルネットワークの結合による人間活動の再構築
- Authors: Le Huang, Fan Xia, Hui Chen, Bowen Hu, Xiao Zhou, Chunxiao Li, Yaohui
Jin, Yanyan Xu
- Abstract要約: 本稿では,携帯電話データと位置情報ソーシャルネットワーク(LBSN)データを結合することで,ユーザの行動を特定するためのデータ分析フレームワークを提案する。
我々は,10万人の携帯電話利用者の行動連鎖を再構築し,各活動タイプの時間的・空間的特徴を分析した。
- 参考スコア（独自算出の注目度）: 20.303827107229445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the era of big data, the ubiquity of location-aware portable devices
provides an unprecedented opportunity to understand inhabitants' behavior and
their interactions with the built environments. Among the widely used data
resources, mobile phone data is the one passively collected and has the largest
coverage in the population. However, mobile operators cannot pinpoint one user
within meters, leading to the difficulties in activity inference. To that end,
we propose a data analysis framework to identify user's activity via coupling
the mobile phone data with location-based social networks (LBSN) data. The two
datasets are integrated into a Bayesian inference module, considering people's
circadian rhythms in both time and space. Specifically, the framework considers
the pattern of arrival time to each type of facility and the spatial
distribution of facilities. The former can be observed from the LBSN Data and
the latter is provided by the points of interest (POIs) dataset. Taking
Shanghai as an example, we reconstruct the activity chains of 1,000,000 active
mobile phone users and analyze the temporal and spatial characteristics of each
activity type. We assess the results with some official surveys and a
real-world check-in dataset collected in Shanghai, indicating that the proposed
method can capture and analyze human activities effectively. Next, we cluster
users' inferred activity chains with a topic model to understand the behavior
of different groups of users. This data analysis framework provides an example
of reconstructing and understanding the activity of the population at an urban
scale with big data fusion.
- Abstract（参考訳）: ビッグデータの時代において、位置情報対応携帯機器の普及は、住民の行動と構築された環境との相互作用を理解する前例のない機会を提供する。
広く使われているデータ資源のうち、携帯電話データは受動的に収集され、人口で最大の範囲を占めている。
しかし、モバイルオペレータはメーター内で1人のユーザを特定できないため、アクティビティ推論が困難になる。
そこで本稿では,携帯電話データと位置情報ソーシャルネットワーク(LBSN)データを結合することで,ユーザの行動を特定するためのデータ分析フレームワークを提案する。
2つのデータセットはベイズ推論モジュールに統合され、時間と空間の概日リズムを考慮している。
具体的には,各施設への到着時刻のパターンと施設の空間分布について考察する。
前者はLBSNデータから観測でき、後者はPOI(Point of interest)データセットによって提供される。
上海を例として,アクティブ携帯電話ユーザ1,000,000のアクティビティチェーンを再構築し,各アクティビティタイプの時間的・空間的特性を解析した。
本研究は,上海で収集された実世界のチェックインデータを用いて,人間活動の把握と分析を効果的に行うことができることを示す。
次に、ユーザの推定アクティビティチェーンをトピックモデルでクラスタ化し、異なるグループのユーザの振る舞いを理解する。
このデータ分析フレームワークは、ビッグデータ融合による都市規模での人口活動の再構築と理解の例を提供する。
関連論文リスト
- Regions are Who Walk Them: a Large Pre-trained Spatiotemporal Model
Based on Human Mobility for Ubiquitous Urban Sensing [24.48869607589127]
本研究では,人体移動データに含まれるリッチな情報を活用するために,トラジェクトリ(RAW)に基づく大規模時空間モデルを提案する。
提案手法は,人間の移動データのみに特色を持たず,ユーザのプロファイリングや地域分析に一定の関連性を示す。
論文 参考訳（メタデータ） (2023-11-17T11:55:11Z) - MyDigitalFootprint: an extensive context dataset for pervasive computing
applications at the edge [7.310043452300736]
MyDigitalFootprintは、スマートフォンセンサーデータ、物理的な近接情報、オンラインソーシャルネットワークのインタラクションを含む大規模なデータセットである。
自然環境における31人のボランティアユーザーによる2ヶ月の計測で、制限なしの行動を可能にする。
データセットの有効性を示すために,各種機械学習タスクを利用したコンテキスト認識3つのアプリケーションを提案する。
論文 参考訳（メタデータ） (2023-06-28T07:59:47Z) - Video-based Pose-Estimation Data as Source for Transfer Learning in
Human Activity Recognition [71.91734471596433]
オンボディデバイスを用いたヒューマンアクティビティ認識(HAR)は、制約のない環境での特定の人間の行動を特定する。
これまでの研究は、トランスファーラーニングが、少ないデータでシナリオに対処するための良い戦略であることを実証した。
本稿では,人為的位置推定を目的としたデータセットを伝達学習の情報源として用いることを提案する。
論文 参考訳（メタデータ） (2022-12-02T18:19:36Z) - On Inferring User Socioeconomic Status with Mobility Records [61.0966646857356]
本稿では,DeepSEIと呼ばれる,社会経済に配慮したディープモデルを提案する。
DeepSEIモデルはディープネットワークとリカレントネットワークと呼ばれる2つのネットワークを組み込んでいる。
実際の移動記録データ、POIデータ、住宅価格データについて広範な実験を行う。
論文 参考訳（メタデータ） (2022-11-15T15:07:45Z) - Domain Adaptation Under Behavioral and Temporal Shifts for Natural Time
Series Mobile Activity Recognition [31.43183992755392]
既存のデータセットは典型的にはスクリプト化された動きで構成されている。
我々の長期的な目標は、自然環境下でのモバイル活動認識を行うことです。
ヒトの行動に大きな変化があるため、2つの異なる年齢グループから多くの参加者からデータを収集します。
論文 参考訳（メタデータ） (2022-07-10T02:48:34Z) - Learn to Predict How Humans Manipulate Large-sized Objects from
Interactive Motions [82.90906153293585]
本稿では,動きデータと動的記述子を融合させるグラフニューラルネットワークHO-GCNを提案する。
動的記述子を消費するネットワークは、最先端の予測結果が得られ、未確認オブジェクトへのネットワークの一般化に役立つことを示す。
論文 参考訳（メタデータ） (2022-06-25T09:55:39Z) - Causal Scene BERT: Improving object detection by searching for
challenging groups of data [125.40669814080047]
コンピュータビジョンアプリケーションは、物体検出のようなタスクのためにニューラルネットワークでパラメータ化された学習ベースの知覚モジュールに依存している。
これらのモジュールは、トレーニングプロセスに固有のバイアスのため、予想される誤差が低いが、データの非定型的なグループに対して高い誤差を持つことが多い。
本研究の主な貢献は,シミュレートされたシーンに対して因果的介入を行うことにより,前向きにそのようなグループを発見する擬似オートマチック手法である。
論文 参考訳（メタデータ） (2022-02-08T05:14:16Z) - JRDB-Act: A Large-scale Multi-modal Dataset for Spatio-temporal Action,
Social Group and Activity Detection [54.696819174421584]
大学構内環境における生活行動の実際の分布を反映したマルチモーダルデータセットであるJRDB-Actを紹介する。
JRDB-Actには280万以上のアクションラベルがある。
JRDB-Actは、現場での対話に基づいて個人をグループ化するタスクに着想を得た社会集団識別アノテーションが付属している。
論文 参考訳（メタデータ） (2021-06-16T14:43:46Z) - Leveraging Mobile Phone Data for Migration Flows [5.0161988361764775]
移動フローに関する統計は、しばしば固有の制限に悩まされる国勢調査データから導かれる。
調査やフィールド観測などの代替データソースも、信頼性、コスト、スケール制限に悩まされている。
携帯電話の普及により、移動に関連する最新のデータの正確かつ効率的な収集が可能になる。
論文 参考訳（メタデータ） (2021-05-31T13:41:47Z) - Urban Sensing based on Mobile Phone Data: Approaches, Applications and
Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。
本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文 参考訳（メタデータ） (2020-08-29T15:14:03Z) - Understanding Crowd Behaviors in a Social Event by Passive WiFi Sensing
and Data Mining [21.343209622186606]
本研究では,大規模社会イベントにおける群集行動に関連する3種類のパターンを抽出する包括的データ分析フレームワークを提案する。
まず,移動体の軌跡を探索要求から抽出し,群衆の動きの空間的パターンを明らかにする。
次に、k-meansとk-shapeクラスタリングアルゴリズムを適用し、群衆を訪れる時間パターンを日と場所によって抽出する。
論文 参考訳（メタデータ） (2020-02-05T03:36:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。