{pt_PT=Semantic Classification of Locations in Human Trajectories Using Hidden Markov Models} {} EVALUATED

Detalhes: {pt=Com o aparecimento de cada vez mais informação georreferenciada, devido à massificação da utilização de aparelhos que combinam receptores GPS com o acesso a serviços e redes sociais baseados em localização, assistimos a um crescente interesse na análise de históricos de localização referentes à mobilidade de atores humanos. Na minha tese de mestrado, comparei diferentes abordagens para a classificação de locais visitados em trajetórias humanas. Mais especificamente, as abordagens que utilizei para classificar os locais visitados através de categorias semânticas são baseadas em heurísticas e em modelos de Markov com variáveis ocultas (HMMs), sendo que estes últimos foram construídos com abordagens que consideram diferentes tipos de aprendizagem, nomeadamente supervisionada ou não supervisionada. Os modelos HMM consideram as características dos locais visitados como contexto não observável e relacionam esta informação num processo sequencial, que neste caso corresponde às trajetórias. Para a condução de uma série de experiências, construí um conjunto de dados que combina a informação previamente disponibilizada pelo conjunto de trajetórias GeoLife, com informação recolhida na rede social Foursquare. Os resultados mostram que uma eficácia de 56.5% na classificação de locais pode ser atingida ao utilizar um HMM supervisionado, quando consideradas observações para o HMM correspondendo a regiões com áreas compreendidas entre 740m2 e 1534m2, para a modelação dos locais existentes nas trajetórias., en=With the increasing availability of geopositioning information, due to the massification of devices combining GPS receivers with the access to location-based services and social networks, we are also witnessing a growing interest in the analysis of human location histories. In my MSc thesis, I compared different approaches for the classification of visited locations within human trajectories, according to semantic categories. I specifically experimented with an approach based on heuristics, and with two other approaches based on Hidden Markov Models (HMMs), relying on either a supervised or an unsupervised training setting. HMMs can take into account the location characteristics as unobservable context, relating this information beneath a time process, in our case corresponding to the trajectories. For conducting a series of experiments with the aforementioned methods, I built a dataset that combines the previously available GeoLife trajectory data with information collected from the Foursquare location-based social network. Results show that a classification accuracy of 56.5% can be achieved with the supervised HMM, when considering discrete observations that correspond to regions approximately with areas from 740 to 1534m2, in the modeling of the trajectories.}

Discussão: junho 5, 2015, 13:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

AUTOR

Rúben da Costa Raposo (ist157624)

ORIENTADOR

Bruno Emanuel Da Graça Martins

Departamento de Engenharia Informática (DEI)

Professor Auxiliar