[論文レビュー] Mobility Prediction Using Non-Parametric Bayesian Model.

Jaeseong Jeong, Mathieu Leconte+1 more|arXiv (Cornell University)|Jul 12, 2015

Human Mobility and Location-Based Analysis参考文献 14被引用数 2

ひとこと要約

本稿では、非パラメトリックベイズ手法を用いて、ユーザー間の移動パターンの類似性を特定・活用することで、位置予測の精度を向上させるクラスタ支援型モビリティ予測手法CAMPを提案する。ユーザーの共有された移動行動に基づいて動的にクラスタリングを行うことで、個人の軌跡のみに依存する予測手法に比べ、特にユーザー固有のデータが限られる状況でも顕著に高い精度を達成する。

ABSTRACT

Predicting the future location of users in wireless net- works has numerous applications, and can help service providers to improve the quality of service perceived by their clients. The location predictors proposed so far estimate the next location of a specific user by inspecting the past individual trajectories of this user. As a consequence, when the training data collected for a given user is limited, the resulting prediction is inaccurate. In this paper, we develop cluster-aided predictors that exploit past trajectories collected from all users to predict the next location of a given user. These predictors rely on clustering techniques and extract from the training data similarities among the mobility patterns of the various users to improve the prediction accuracy. Specifically, we present CAMP (Cluster-Aided Mobility Predictor), a cluster-aided predictor whose design is based on recent non-parametric bayesian statistical tools. CAMP is robust and adaptive in the sense that it exploits similarities in users' mobility only if such similarities are really present in the training data. We analytically prove the consistency of the predictions provided by CAMP, and investigate its performance using two large-scale datasets. CAMP significantly outperforms existing predictors, and in particular those that only exploit individual past trajectories.

研究の動機と目的

• 個人の軌跡データが乏しい状況における不正確なモビリティ予測の課題に対処すること。
• 個々の履歴に依存せず、すべてのユーザーからの集団的モビリティパターンを活用することで、予測精度を向上させること。
• 統計的に有意な類似性がある場合にのみそれを活用する、頑健で適応可能な予測モデルの開発。
• 非パラメトリックベイズ手法を用いた解析的証明により、予測の理論的整合性を保証すること。
• 実世界の大規模モビリティデータセットを用いて、本手法の有効性を実証すること。

提案手法

• 移動軌跡の類似性に基づいてユーザーをクラスタリングする目的で、非パラメトリックベイズモデル（特にディリクレ過程混合）を採用する。
• 事前にクラスタ数を指定せずに、データ構造に適応してクラスタ数を動的に決定する。
• 個人のデータが限られる状況において、クラスタ固有の移動パターンを用いて、ターゲットユーザーの次なる位置を推定する。
• 階層ベイズフレームワークを用いて、ユーザー固有情報とクラスタレベルの情報の統合により、個人学習と集団学習のバランスを取る。
• 訓練データが増加するにつれて予測が真のモビリティ分布に収束することを保証するための整合性証明を適用する。
• 現実の条件を反映した大規模な実世界データセットを活用して、モデルの学習と検証を実施する。

実験結果

リサーチクエスチョン

• RQ1 個人のユーザーデータが乏しい状況において、ユーザー間の集団的モビリティパターンは、予測精度の向上に寄与するか？
• RQ2 過学習を避けるために、ユーザーの移動行動に有意義な類似性を動的に同定・活用する方法は何か？
• RQ3 非パラメトリックベイズクラスタリング手法は、個々の軌跡モデルに比べ、より一貫性があり頑健な予測を可能にするか？
• RQ4 CAMPは、多様なモビリティパターンにわたって、既存の予測モデルに比べてどれほど精度と適応性に優れているか？

主な発見

• CAMPは、個人の軌跡に依存する従来の予測手法に比べ、特にデータが乏しい状況で顕著に優れた性能を示す。
• モデルは、ユーザー間で共有される移動パターンを効果的に同定・活用することで、高い予測精度を達成する。
• 非パラメトリックベイズ設計により、事前の仮定なしに最適なクラスタ数を自動的に特定できる。
• CAMPの予測は解析的に一貫性が保証されており、訓練データが増加するにつれて真のモビリティ分布に収束することが示された。
• 2つの大規模データセットを用いた実証的評価により、CAMPの頑健性と多様なモビリティシナリオへの適応性が確認された。
• クラスタリングの活用により一般化性能が向上し、ユーザー固有データが乏しい状況でも過学習が抑えられ、性能が向上した。