[论文解读] Anticipatory Mobile Computing: A Survey of the State of the Art and Research Challenges

Veljko Pejović, Mirco Musolesi|Archivio istituzionale della ricerca (Alma Mater Studiorum Università di Bologna)|Jun 10, 2013

Context-Aware Activity Recognition Systems参考文献 168被引用 150

一句话总结

本文综述了前瞻式移动计算，提出了一套利用移动传感和机器学习预测用户上下文（例如位置、活动、情绪状态）并实现主动、自适应应用的框架。它指出了在预测准确性、系统集成和用户隐私方面面临的关键挑战，同时倡导采用强化学习与潜在学习，以实现在智能手机中高效、非侵入性的决策。

ABSTRACT

Today's mobile phones are far from mere communication devices they were ten years ago. Equipped with sophisticated sensors and advanced computing hardware, phones can be used to infer users' location, activity, social setting and more. As devices become increasingly intelligent, their capabilities evolve beyond inferring context to predicting it, and then reasoning and acting upon the predicted context. This article provides an overview of the current state of the art in mobile sensing and context prediction paving the way for full-fledged anticipatory mobile computing. We present a survey of phenomena that mobile phones can infer and predict, and offer a description of machine learning techniques used for such predictions. We then discuss proactive decision making and decision delivery via the user-device feedback loop. Finally, we discuss the challenges and opportunities of anticipatory mobile computing.

研究动机与目标

• 建立前瞻式移动计算领域最新技术的全面概述，重点关注移动传感与上下文预测。
• 基于罗森的理论框架，定义并区分前瞻式计算与一般上下文感知或预测系统。
• 识别移动环境中预测准确性、系统集成和用户隐私方面的核心研究挑战。
• 探索在医疗保健、智慧城市和心理计算等实际应用中，主动系统如何提升用户体验与社会成果。
• 为构建高效、非侵入性的前瞻式移动系统提供设计指南与实现最佳实践，结合机器学习与反馈回路。

提出的方法

• 利用移动传感数据（如加速度计、GPS、音频等）推断高层次上下文，例如用户活动、位置和社交环境。
• 应用机器学习技术——包括监督学习与无监督学习——以建立和预测未来的用户状态与环境条件。
• 采用强化学习与潜在学习，实现用户干预最少的自适应、主动决策。
• 引入用户-设备反馈回路，以优化预测并适时提供上下文敏感的操作。
• 分析从原始传感器信号到特征提取，再到模型训练，最终实现高层次上下文推断的信息流。
• 提出一种框架，通过实时数据与用户反馈持续更新预测模型，实现长期适应。

实验结果

研究问题

• RQ1 何种特征使一个系统被称为‘前瞻式’，而非仅是上下文感知或预测性系统？
• RQ2 哪些移动传感模态与机器学习技术在预测用户上下文（如位置、活动、情绪状态）方面最为有效？
• RQ3 前瞻式系统如何在预测准确性与主动行为之间取得平衡，以避免产生侵扰性或错误的行为？
• RQ4 在大规模部署前瞻式移动系统时，面临的关键技术与伦理挑战是什么？
• RQ5 前瞻式计算如何整合到医疗保健、智慧城市和心理计算等现实世界应用中？

主要发现

• 前瞻式移动计算得益于智能手机丰富的传感器套件与不断提升的计算能力，使系统能够推断出超越基本上下文的复杂用户状态。
• 预测准确性至关重要——高度主动的行为只有在预测可靠时才有用，因此必须在前瞻性与准确性之间进行仔细权衡。
• 强化学习与潜在学习被识别为最小化用户干扰并实现自适应、长期系统行为的最优方法。
• 谷歌Now、苹果Siri与微软Cortana等应用体现了前瞻式移动系统日益成熟并已实现现实世界部署。
• 前瞻式系统可通过预测用户的内在状态并相应调整系统行为，支持心理计算。
• 未来的智慧城市可借助前瞻式移动计算实现交通管理、环境监测与公共安全，通过大规模、个性化的上下文预测提升整体效能。