[論文レビュー] Scalable Mining of Daily Behavioral Patterns in Context Sensing Life-Log Data

Reza Rawassizadeh, Momeni, Elaheh+1 more|arXiv (Cornell University)|Nov 18, 2014

Human Mobility and Location-Based Analysis参考文献 43被引用数 3

ひとこと要約

本稿では、スマートフォンの複数のセンサーを用いて現実世界のライフログデータから日常的行動モチーフをスケーラブルに抽出する、センサーに依存しないフレームワークを提案する。データの不確実性にもかかわらず、人間の時間認識に合わせた時間分解能を適用することで、パターン検出の正確性を向上させる。この手法は、モチーフ同定に55%の信頼度を達成し、スライディングウィンドウによるスケーラビリティの向上を実現しており、1時間の時間分解能が最も高い正確性を示した。

ABSTRACT

Despite the advent of wearable devices and the proliferation of smartphones, there still is no ideal platform that can continuously sense and precisely collect all available contextual information. Ideally, mobile sensing data collection approaches should deal with uncertainty and data loss originating from software and hardware restrictions. We have conducted life logging data collection experiments from 35 users and created a rich dataset (9.26 million records) to represent the real-world deployment issues of mobile sensing systems. We create a novel set of algorithms to identify human behavioral motifs while considering the uncertainty of collected data objects. Our work benefits from combinations of sensors available on a device and identifies behavioral patterns with a temporal granularity similar to human time perception. Employing a combination of sensors rather than focusing on only one sensor can handle uncertainty by neglecting sensor data that is not available and focusing instead on available data. Moreover, by experimenting on two real, large datasets, we demonstrate that using a sliding window significantly improves the scalability of our algorithms, which can be used by applications for small devices, such as smartphones and wearables.

研究の動機と目的

• ハードウェア、ソフトウェア、バッテリーの制限による実世界のモバイルセンシングにおけるデータの不確実性と欠損の課題に対処する。
• 理想化されたハードウェアではなく、実際のスマートフォンから得られる多様なセンサーデータを用いて、スケーラブルで汎用的な方法で人間の行動モチーフを検出する。
• 人間の時間認識に合わせた時間分解能を整えることで、行動パターン検出の正確性を向上させる。本稿では、時間分解能変換の新規手法を提案する。
• スマートフォンやウェアラブルデバイスなどのリソース制限のあるデバイス上での応用を可能にする、正確な行動プロファイリングを実現する。

提案手法

• GPS、WiFi、Bluetooth、通話ログなど、スマートフォンの複合センサーを活用してユーザー行動を推定する。欠損したセンサーデータは無視し、利用可能なデータに焦点を当てる。
• 時間分解能変換を適用し、生のタイムスタンプを人間が認識しやすい時間帯（例：15:00–16:00）に変換することで、自然な時間認識に一致させる。
• スライディングウィンドウ機構を導入することで、大規模なライフログデータに対するアルゴリズムのスケーラビリティを向上させ、実行時間を短縮する。
• 行動モチーフを、タイムスタンプが付与され、信頼度スコアが付与されたセンサーデータの組み合わせ（例：静止状態＋通話）として定義することで、多様なデータソースからのパターンマイニングを可能にする。
• センサーの冗長性に依存することで単一センサーに依存しないようにする、マルチソース統合戦略を採用し、不確実性を低減する。
• 今後の研究で、モチーフの平均持続時間に基づいて重み付けを行うダムプドウィンドウアプローチを適用し、モチーフの関連性を評価する。

実験結果

リサーチクエスチョン

• RQ1 実世界のモバイルセンシングデータに内在する不確実性とデータ損失に対処しながら、行動モチーフを信頼性高く検出する方法は何か？
• RQ2 人間の時間認識に最も適合し、モチーフ同定の正確性を最大化する時間分解能は何か？
• RQ3 スライディングウィンドウを適用することで、大規模なライフログデータにおけるモチーフ検出アルゴリズムのスケーラビリティはどの程度向上するか？
• RQ4 マルチセンサー統合手法は、単一センサーメソッドと比較して、行動パターンマイニングにおける不確実性の低減と耐障害性の向上にどの程度寄与するか？
• RQ5 ユーザーの行動モチーフ分布はどのように変動し、適応的システム行動を実現するための意味的なクラスタリングが可能か？

主な発見

• 提案手法は、実世界のライフログデータにおいて、55%の信頼度でモチーフ同定を達成し、センサーデータの不確実性に対しても高い耐性を示した。
• 1時間の時間分解能間隔が、粗いまたは細かい分解能よりも高い正確性を示し、最も優れた性能を発揮した。
• スライディングウィンドウ機構の適用により、実行時間が顕著に短縮され、モバイルデバイスへの展開に向けたスケーラビリティが大幅に向上した。
• システムは、ユーザーの時間的モチーフ分布に基づき、3つの明確な行動クラスタに分類でき、パーソナライズド適応が可能になった。
• 35名の実ユーザー（多様なスマートフォンブランド）から収集された926万件の記録を含む本データセットは、現時点で最も現実的で、実世界の展開課題を反映したライフログデータセットである。
• マルチセンサー統合手法により、特定の1つのセンサーに依存する構造が軽減され、データ損失やハードウェアのばらつきに対しても耐性が向上した。