WiFiMod：基于Transformer利用被动感知的室内人体移动建模
网络与互联网体系结构
2021-07-13 v3 计算机与社会
信号处理
摘要
人体移动建模具有从城市规划到疾病传播模拟的广泛应用。众所周知，人类80%的时间在室内度过，但室内人体移动建模因三个主要原因而具挑战性：(i) 缺乏易获取、可靠、低成本的室内移动数据集，(ii) 频繁室内移动建模中的高预测空间，以及 (iii) 移动中的多尺度周期性与相关性。为应对所有这些挑战，我们提出WiFiMod，一种基于Transformer的数据驱动方法，利用WiFi系统日志在多空间尺度上建模室内人体移动。WiFiMod以企业WiFi系统日志为输入，从智能手机数字轨迹中提取人体移动轨迹。接着，对每个提取的轨迹，我们在宏观与微观等多空间尺度上识别移动特征，以设计多模态嵌入Transformer，预测用户跨多空间粒度数小时至整天的移动。多模态嵌入捕获各尺度的移动周期性与相关性，而Transformer捕获长期移动依赖以提升模型预测性能。该方法通过先预测宏观移动，再在估计的宏观移动分布条件下建模室内尺度移动与微观移动，从而利用宏观尺度的拓扑约束，显著缩减预测空间。实验结果表明，WiFiMod的预测准确率至少比当前最先进模型高10个百分点。此外，我们展示了WiFiMod的3个真实应用——(i) 预测高密度热点区域以辅助COVID19或ILI的政策制定决策，(ii) 生成逼真的室内移动模拟，(iii) 设计个人助理。
引用
@article{arxiv.2104.09835,
title = {WiFiMod: Transformer-based Indoor Human Mobility Modeling using Passive Sensing},
author = {Amee Trivedi and Kate Silverstein and Emma Strubell and Mohit Iyyer and Prashant Shenoy},
journal= {arXiv preprint arXiv:2104.09835},
year = {2021}
}
备注
18 pages