基于异构电信蜂窝数据的室外位置恢复
网络与互联网体系结构
2021-08-25 v1 机器学习
摘要
近年来，电信蜂窝网络产生了前所未有的数据量。例如，测量记录被生成以报告移动设备与电信网络之间的连接状态，如接收信号强度。MR数据已被广泛用于定位室外移动设备，以进行人类移动性分析、城市规划和交通预测。现有使用一阶序列模型（如隐马尔可夫模型）的工作试图捕捉潜在移动模式中的时空局部性，以降低定位误差。HMM方法通常假设底层移动设备的移动模式是稳定的。然而，真实的MR数据集由于底层移动设备混合的交通方式以及与MR样本相关的位置分布不均，表现出异构的移动模式。因此，现有解决方案无法处理这些异构移动模式。我们提出了一个基于多任务学习的深度神经网络框架，即PRNet+，以整合室外位置恢复和交通方式检测。为确保框架有效，PRNet+开发了一个特征提取模块，以从异构MR样本中精确学习局部、短期和长期的时空局部性。在上海三个代表性区域收集的八个数据集上的广泛评估表明，PRNet+显著优于现有最先进技术。
引用
@article{arxiv.2108.10613,
title = {Outdoor Position Recovery from HeterogeneousTelco Cellular Data},
author = {Yige Zhang and Weixiong Rao and Kun Zhang and Lei Chen},
journal= {arXiv preprint arXiv:2108.10613},
year = {2021}
}