跨设备类型与时空粒度的人类移动性实用预测
网络与互联网体系结构
2019-03-05 v1
摘要
理解和预测移动性对于未来移动边缘缓存和网络的设计与评估至关重要。因此，在过去十年中，关于人类移动性预测的研究引起了广泛关注。早期研究采用信息论概念和机器学习方法，证明了人类行为具有高度可预测性的证据。尽管已有大量研究，但仍需进一步调查以捕捉限制可预测性的内在移动性特征，并探索更多维度（例如设备类型）和时空粒度，尤其是在人类行为和技术发生变化的背景下。我们分析了具有精细空间粒度（AP 级别）且涵盖 16 个月的广泛纵向数据集。该研究揭示了设备类型是影响可预测性的一个重要因素。智能手机等超便携设备具有“移动中”的使用模式（因此被称为“Flutes”），而笔记本电脑则是“坐下使用”（被称为“Cellos”）。本研究的目的是探究实用的预测机制，以将可预测性量化为人类移动性建模的一个方面，并跨越时间、空间和设备类型进行分析。我们将我们的系统分析应用于大型大学校园的无线追踪数据。我们针对这两种模式的设备（Flutes 与 Cellos），使用不同程度的时空粒度比较了多种算法。通过我们的分析，我们量化了 Flutes 的移动性为何比 Cellos 的移动性更不可预测。此外，这种模式在各种时空粒度下以及对于不同方法（马尔可夫链、神经网络/深度学习、基于熵的估计器）都是一致的。这项工作证实了可预测性作为人类移动性基本方面的重要性，在预测性缓存、用户行为建模和移动性仿真中具有直接应用。
引用
@article{arxiv.1903.00951,
title = {Practical Prediction of Human Movements Across Device Types and Spatiotemporal Granularities},
author = {Babak Alipour and Leonardo Tonetto and Roozbeh Ketabi and Aaron Yi Ding and Jörg Ott and Ahmed Helmy},
journal= {arXiv preprint arXiv:1903.00951},
year = {2019}
}