Titulo Estágio
Previsão do Próximo Destino com Base no Histórico do Utilizador
Área Tecnológica
Sistemas Móvies e Ubíquos
Local do Estágio
DEI
Enquadramento
Pretende-se estudar os vários algoritmos actualmente existentes para a inferência do próximo destino, tendo como objectivo a sua utilização na distribuição oportunística de conteúdos relevantes para o utilizador.
Por distribuição oportunística entende-se o lançamento de um conteúdo em antecipação a uma deslocação do utilizador a um determinado local.
O motor de previsão de comportamento analisa logs para extrair conhecimento sobre os processos que modelam o comportamento dinâmico dos utilizadores usando relações temporais, como sejam "antes", "depois", "durante", "enquanto" [1].
Na inferência do próximo destino têm sido utilizadas várias soluções - "distorted network graphs", geração de árvores de decisão, redes Bayesianas, cadeias de markov, "support vector machines" e "condition random fields" - com resultados que nos indicam que as pessoas são muito mais previsíveis do que se poderia pensar [2].
[1] Maintaining knowledge about temporal intervals, James F. Allen, Communications of the ACM, Volume 26 Issue 11, Nov. 1983.
[2] Marta C. Gonzalez, Cesar A. Hidalgo, Albert-Laszlo Barabasi. Understanding individual human mobility patterns. Nature, Vol 453 5 June 2008.
Objetivo
Pretende-se fazer a previsão do próximo local de um utilizador tendo em conta logs de interacção e traces GPS, recolhidos por um smartphone.
A informação gerada sobre o próximo destino vai ser utilizada para selecção de conteúdos (ex.: o utilizador com elevada probabilidade vai daqui a 30mn deslocar-se do local de trabalho para casa do amigo João Ramos onde com alguma regularidade jogam umas partidas de poker. O sistema avisa que o João Ramos para não se esquecer de antes passar pela loja onde ficou reservada uma lembrança para o amigo).
Para inferência do próximo destino com base no histórico de traces GPS do utilizador vão ser usadas duas abordagens de predição estatística: (1) geração de árvores de decisão em conjunto com uma rede de Markov para aprendizagem de "sequências prováveis" de destinos, (2) conditional random fields com definição de hierarquias para aprendizagem de probabilidades entre sequências de estados, com hierarquização destes mesmos estados. As duas abordagens vão ser testadas e comparadas no contexto do use-case definido. A análise detalhada destas duas abordagens, que actualmente já produzem resultados publicados na ordem dos 80% de acerto [3] [4], para deslocações no espaço urbano de vivência do utilizador, espera-se que possam ainda ser melhoradas ao longo deste trabalho.
Como use-case vai ser construida uma aplicação de distribuição oportunística e individualizada de conteúdos ao utilizador.
[3] Francisco C Pereira. Trajectory Prediction for AIDA One to many routing in a distorted graph. MIT Senseable City Lab, 2009.
[4] Lin Liao, Donald J. Patterson, Dieter Fox, and Henry Kautz. Building Personal Maps from GPS Data. Annals of the New York Academy of Sciences (December 2006), pp. 249-265.
Plano de Trabalhos - Semestre 1
Aprofundamento de conhecimentos: Set-Out 2012
Recolha e análise de traces GPS: Nov 2012
Análise dos resultados obtidos com preditores já utilizados: Dez-Jan 2013
Escrita do relatório intercalar e preparação defesa: Jan 2013
Plano de Trabalhos - Semestre 2
Melhoramento dos métodos de predição: Fev-Maio 2013
Análise de resultados: Mar – Maio 2013
Escrita do relatório e preparação defesa: Maio – Jun 2013
Condições
Frequência com aproveitamento na disciplina de Sistemas Ubíquos.
É factor preferencial alunos que tenham desenvolvido nesta disciplina um projecto relacionado com a temática do estágio.
Observações
Este estágio pode ser remunerado. Remuneração sujeita a concurso de bolsa de investigação de acordo com as normas da FCT.
Orientador
Carlos Bento (UC); Francisco C. Pereira (MIT Singapore)
bento@dei.uc.pt 📩