[论文解读] DTNC: A New Server-side Data Cleansing Framework for Cellular Trajectory Services

Jian Dai, Fei He+3 more|arXiv (Cornell University)|Mar 1, 2017

Human Mobility and Location-Based Analysis参考文献 26被引用 3

一句话总结

DTNC 提出了一种面向蜂窝轨迹服务的服务器端数据清洗框架，利用动态交通网络（DTN）与概率旅行时间分布，结合一种旅行时间感知的隐半马尔可夫模型（TT-HsMM），从噪声大、易出错且不完整的蜂窝定位数据中推断出准确且完整的轨迹。该方法在40%的定位点中将空间误差降低至50米以内，且在准确性和对缺失数据的鲁棒性方面优于六种最先进的方法。

ABSTRACT

It is essential for the cellular network operators to provide cellular location services to meet the needs of their users and mobile applications. However, cellular locations, estimated by network-based methods at the server-side, bear with {\it high spatial errors} and {\it arbitrary missing locations}. Moreover, auxiliary sensor data at the client-side are not available to the operators. In this paper, we study the {\em cellular trajectory cleansing problem} and propose an innovative data cleansing framework, namely \underline{D}ynamic \underline{T}ransportation \underline{N}etwork based \underline{C}leansing (DTNC) to improve the quality of cellular locations delivered in online cellular trajectory services. We maintain a dynamic transportation network (DTN), which associates a network edge with a probabilistic distribution of travel times updated continuously. In addition, we devise an object motion model, namely, {\em travel-time-aware hidden semi-Markov model} ({\em TT-HsMM}), which is used to infer the most probable traveled edge sequences on DTN. To validate our ideas, we conduct a comprehensive evaluation using real-world cellular data provided by a major cellular network operator and a GPS dataset collected by smartphones as the ground truth. In the experiments, DTNC displays significant advantages over six state-of-the-art techniques.

研究动机与目标

• 解决实时定位服务中因高空间误差和任意缺失定位点导致的蜂窝轨迹数据质量低下这一关键挑战。
• 仅利用服务器端的蜂窝数据，无需客户端传感器数据，实现对移动对象的准确且完整的轨迹重建。
• 设计一种可扩展、高效且鲁棒的框架，将实时交通感知建模集成到城市出行应用的轨迹清洗中。
• 提升蜂窝轨迹服务在交通管理、城市规划和位置相关应用中的可靠性。

提出的方法

• 构建一个动态交通网络（DTN），在每条边上传递概率旅行时间分布，并通过实时交通数据持续更新。
• 设计一种旅行时间感知的隐半马尔可夫模型（TT-HsMM），通过推断在DTN上最可能经过的边序列来建模对象运动。
• 使用基于粒子的模拟方法，从每个蜂窝定位点传播位置候选点，其过程受交通感知边分布导出的自适应转移概率和发射概率引导。
• 应用扩散策略，根据与后续蜂窝定位点的方向一致性，将粒子分布在候选边片段上，从而提升推断准确性。
• 仅选择似然度最高的粒子路径作为最终清洗后的物理位置，确保对噪声和缺失数据的鲁棒性。
• 利用智能手机的真值GPS数据，通过主要网络运营商的真实蜂窝数据对框架进行验证与校准。

实验结果

研究问题

• RQ1 在无法访问客户端传感器数据的前提下，如何有效降低服务器端蜂窝定位估计中的高空间误差？
• RQ2 具备实时旅行时间分布的动态交通网络在多大程度上能提升轨迹清洗的准确性？
• RQ3 TT-HsMM 模型在处理不规则采样下的复杂移动模式时，为何优于传统HMM与OHMM？
• RQ4 该框架在保持高精度的同时，能否稳健处理轨迹中任意缺失的定位点？
• RQ5 不同扩散策略（均匀与方向性）在时间间隔变化时，对轨迹推断性能有何影响？

主要发现

• DTNC 在40%的蜂窝定位点中将空间误差降低至50米以内，与原始蜂窝数据相比显著提升了准确性。
• 该框架在准确性和对缺失数据的鲁棒性方面，优于六种最先进的方法——PF、HMM、OHMM、STRS、SnapNet 和 CTrack。
• 当时间间隔长达110秒时，DTNC 仍能保持欧氏偏差的稳定分布，表明其对缺失定位序列具有强韧性。
• 高质量定位率（空间误差 <50米）仅从47%下降至41%，当缺失定位长度从20秒增至110秒时，显示出极强的鲁棒性。
• 方向性扩散策略在短时间间隔下表现更优，但因与简单均匀策略性能相近且计算复杂度更低，故默认采用均匀策略。
• 在粒子数 |𝒜| = 15 时，概率差异比率趋于稳定，表明该值在准确率与计算成本之间实现了最佳权衡。