[논문 리뷰] Scalable Mining of Daily Behavioral Patterns in Context Sensing Life-Log Data

Reza Rawassizadeh, Momeni, Elaheh외 1명|arXiv (Cornell University)|2014. 11. 18.

Human Mobility and Location-Based Analysis참고 문헌 43인용 수 3

한 줄 요약

이 논문은 실제 생활 로그 데이터에서 다수의 스마트폰 센서를 사용하여 일상적 행동 패턴을 추출하기 위한 확장 가능하고 센서에 종속되지 않는 프레임워크를 제안한다. 인간이 인식하는 시간의 해상도를 적용하여 데이터의 불확실성에도 불구하고 패턴 탐지 정확도를 향상시킨다. 이 방법은 패턴 식별에 대해 55%의 신뢰도를 달성하며, 슬라이딩 윈도우 기법을 통해 확장성을 향상시켰고, 1시간 간격의 시간 해상도가 가장 높은 정확도를 보였다.

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.

연구 동기 및 목표

• 하드웨어, 소프트웨어, 배터리 제약로 인한 실세계 모바일 센싱에서의 데이터 불확실성과 손실 문제를 해결한다.
• 이dealized 하드웨어가 아닌 실제 스마트폰에서 얻은 다양한 센서 데이터를 활용하여 확장 가능하고 일반적인 행동 패턴 모티프 탐지 방법을 개발한다.
• 사람이 시간을 인식하는 방식에 맞춰 시간 해상도를 조정함으로써 행동 패턴 탐지 정확도를 향상시키기 위해, 새로운 시간 해상도 변환 기법을 도입한다.
• 스마트폰과 웨어러블 기기 등 자원이 제한된 장치에서 정확한 행동 프로파일링을 가능하게 한다.

제안 방법

• GPS, WiFi, 블루투스, 통화 기록 등 다양한 스마트폰 센서를 조합하여 사용자 행동을 추론하며, 가용한 데이터에 집중하고 누락된 센서 읽기 값을 무시한다.
• 원시 타임스탬프를 인간이 인식할 수 있는 시간 구간(예: 15:00–16:00)으로 매핑하는 시간 해상도 변환 기법을 적용하여 자연스러운 시간 인식과 일치시킨다.
• 대규모 생활 로그 데이터 처리를 위해 확장성을 높이고 실행 시간을 단축하기 위해 슬라이딩 윈도우 메커니즘을 구현한다.
• 행동 모티프를 시간이 태깅된, 신뢰도 점수를 부여한 센서 데이터 조합(예: 정지 상태 + 통화)으로 정의하여 다양한 데이터 소스 간의 패턴 탐지가 가능하도록 한다.
• 단일 센서 의존도를 줄이고 불확실성을 감소시키기 위해 다중 소스 융합 전략을 사용한다.
• 미래 작업에서, 모티프 평균 수명에 따라 모티프의 중요도를 가중치를 적용하는 덤프드 윈도우 방법을 적용할 계획이다.

실험 결과

연구 질문

• RQ1 실세계 모바일 센싱 데이터에서 내재된 불확실성과 데이터 손실이 존재하는 상황에서 행동 모티프를 어떻게 신뢰성 있게 탐지할 수 있는가?
• RQ2 어느 정도의 시간 해상도가 인간의 시간 인식과 가장 잘 맞추어지고 모티프 식별 정확도를 최대화하는가?
• RQ3 슬라이딩 윈도우 기법을 적용할 경우, 대규모 생활 로그 데이터에서 행동 패턴 모티프 탐지 알고리즘의 확장성은 어느 정도 향상되는가?
• RQ4 단일 센서 방법에 비해 다중 센서 융합 접근법이 행동 패턴 탐지의 불확실성 감소와 강건성 향상에 얼마나 기여하는가?
• RQ5 사용자의 행동 모티프 분포는 어떻게 다양하며, 이를 의미 있게 군집화하여 적응형 시스템 행동을 구현할 수 있는가?

주요 결과

• 제안된 방법은 실세계 생활 로그 데이터에서 55%의 신뢰도로 모티프 식별을 달성하여 센서의 불확실성에 대해 뛰어난 강건성을 입증했다.
• 1시간 간격의 시간 해상도가 가장 높은 정확도를 보였으며, 더 넓거나 더 좁은 해상도보다 우수한 성능을 보였다.
• 슬라이딩 윈도우 메커니즘을 적용함으로써 실행 시간이 크게 단축되어 모바일 장치에의 배포를 위한 확장성 향상이 뚜렷했다.
• 사용자의 시간적 모티프 분포를 바탕으로 세 개의 명확한 행동 클러스터로 사용자를 성공적으로 군집화하여 개인 맞춤형 적응이 가능했다.
• 35명의 실제 사용자로부터 수집된 926만 건의 기록을 포함한 데이터셋은 현재까지 가장 현실적인 생활 로그 데이터셋이며, 실세계 배포 과제를 반영하고 있다.
• 다중 센서 융합 접근법을 통해 특정 센서에 대한 의존도가 감소하여 데이터 손실 및 하드웨어 변동성에 대한 내성 강화가 이루어졌다.