FGLP：一种面向移动用户的联邦细粒度位置预测系统
机器学习
2023-03-28 v1 人工智能
分布式、并行与集群计算
系统与控制
系统与控制
摘要
智能手机上的细粒度位置预测可用于提升应用/系统性能。应用场景包括作为预测用户位置处 5G 网络质量函数的视频质量自适应，以及基于预测用户位置加速内容渲染的增强现实应用。此类用例要求预测误差与 GPS 误差处于同一量级，而现有位置预测工作均无法达到此精度水平。我们提出一种基于手机上采集的 GPS 轨迹的移动用户细粒度位置预测系统（FGLP）。FGLP 包含两个组件：一个联邦学习框架与一个预测模型。该框架运行于用户手机及协调系统中所有用户学习的一台服务器上。FGLP 将用户位置数据表示为抽象二维空间中的相对点，从而实现跨不同物理空间的学习。该模型融合了双向长短期记忆（BiLSTM）与卷积神经网络（CNN），其中 BiLSTM 学习移动用户的速度与方向，CNN 学习如用户移动偏好等信息。FGLP 利用联邦学习保护用户隐私并降低带宽消耗。我们使用含超 600,000 用户的数据集的实验结果表明，FGLP 在预测精度上优于基线模型。我们还展示了 FGLP 与迁移学习结合良好，可实现模型复用。最后，在多种 Android 手机上的基准结果证明了 FGLP 在现实中的可行性。
引用
@article{arxiv.2106.08946,
title = {FGLP: A Federated Fine-Grained Location Prediction System for Mobile Users},
author = {Xiaopeng Jiang and Shuai Zhao and Guy Jacobson and Rittwik Jana and Wen-Ling Hsu and Manoop Talasila and Syed Anwar Aftab and Yi Chen and Cristian Borcea},
journal= {arXiv preprint arXiv:2106.08946},
year = {2023}
}