[论文解读] 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 3

一句话总结

该论文提出了一种可扩展的、与传感器无关的框架，用于从真实世界的生活日志数据中挖掘日常行为模式，通过应用类人的时间粒度来提高在数据不确定性下的模式检测准确性。该方法在行为模式识别中实现了55%的置信度，并通过滑动窗口机制提升可扩展性，其中一小时的时间粒度取得了最高准确率。

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.

研究动机与目标

• 解决由于硬件、软件和电池限制导致的真实移动传感中数据不确定性和数据丢失的挑战。
• 开发一种可扩展的通用方法，利用真实智能手机的多样化传感器数据检测人类行为模式，而非仅依赖理想化硬件。
• 通过一种新颖的时间粒度转换方法，将时间分辨率与人类对时间的感知对齐，从而提高行为模式检测的准确性。
• 为资源受限设备（如智能手机和可穿戴设备）上的应用实现准确的行为画像。

提出的方法

• 利用智能手机传感器（如GPS、WiFi、蓝牙、通话记录等）的组合来推断用户行为，重点关注可用数据，忽略缺失的传感器读数。
• 应用时间粒度转换，将原始时间戳映射为人类可感知的时间段（例如15:00–16:00），以与自然的时间感知对齐。
• 实施滑动窗口机制，以增强算法的可扩展性并减少大规模生活日志数据的执行时间。
• 将行为模式定义为带时间戳和置信度分数的传感器数据组合（例如，静止状态+通话），从而实现在多样化数据源上的模式挖掘。
• 采用多源融合策略，通过依赖传感器冗余而非单一传感器，降低不确定性。
• 在未来工作中应用加权窗口方法，根据行为模式的平均持续时间来加权其相关性。

实验结果

研究问题

• RQ1 如何在具有固有不确定性和数据丢失的真实移动传感数据中可靠地检测行为模式？
• RQ2 何种时间粒度最符合人类感知并能最大化行为模式识别的准确性？
• RQ3 在大规模生活日志数据上，使用滑动窗口在多大程度上提升了行为模式检测算法的可扩展性？
• RQ4 与单传感器方法相比，多传感器融合方法在行为模式挖掘中是否能降低不确定性并提高鲁棒性？
• RQ5 用户的行为模式分布有何差异？是否可以有意义地进行分组以支持自适应系统行为？

主要发现

• 所提出的方法在真实世界的生活日志数据中实现了55%置信度的行为模式识别准确率，证明了其对传感器不确定性的鲁棒性。
• 使用一小时时间粒度区间时，行为模式检测的准确率最高，优于更粗或更细的时间粒度。
• 应用滑动窗口机制显著减少了执行时间，提升了在移动设备上部署的可扩展性。
• 该系统成功根据用户的时间模式分布将其划分为三个显著不同的行为聚类，从而支持个性化自适应。
• 本研究收集的926万条记录数据集，来自35名具有不同智能手机品牌的用户，是迄今为止最真实的日常生活日志数据集，真实反映了实际部署中的挑战。
• 多传感器融合方法降低了对任一单一传感器的依赖，提高了对数据丢失和硬件差异的鲁棒性。