1

Supporting Serendipitous Social InteractionUsing Human Mobility Prediction

Zhiwen Yu, IEEE TRANSACTIONS ON HUMAN-MACHINE SYSTEMS, 2015

윤상훈Intelligent Database Systems Laboratory

16.04.04

제목과 동일

논리 구조

이슈• Serendipitous

Social Inter-action

문제• Serendipitous

Interaction Op-portunity 를 capture 하기 힘들다

원인• Serendipitous

Interaction Op-portunity 는 시간의 제약이 있다

해결•Mobility Prediction•GPS trajectory 에서 spa-tial & temporal regularity를 찾는다 .

•Supervised learning 을 이용해서 training 하고 mobility prediction 한다 .

제목과 동일 2

Serendipitous Social Interaction

• 의도치 않게 우연히 생기는 사회적 interaction• Mobile peer-to-peer environment 에서 두 개의

device 가 가까이 있을 때 일어나는 interaction• Serendipitous social interaction 의 특징

– Unplanned– Not affecting users’ schedules– Bringing convenience– Creating positive emotion (happiness)

• Mobile sensor 와 Portable device 의 인기가 높아지면서 ” serendipitous” social interaction 이 뜨고 있다 .

제목과 동일 3

Motivation• 실제 세계에서 사람들의 사회적 관계를

향상시키기 위해• Use-case (application)–두 친구가 가끔씩 같은 시간에 도서관을

가는데 서로 그것을 모른다 .–룸메이트가 마트를 지나갈 때 뭐 좀 사오라고

할 수 있다 .

제목과 동일 4

Related Work• Similarity(interest)-based friend

recommendation in social networks– Learning, date, travel

• Face-to-face human interaction– Bluetooth 를 이용한 주변의 친구 찾기– 지역 기반 데이팅– 특별한 배지를 착용한 사람들끼리 교류– Information sharing & social interaction 을

통한 serendipitous interaction opportunity capturing

제목과 동일 5

Problem Definition• Serendipitous social interaction

opportunity 의 시간적 제약이 크다– Device detection 을 통한 capturing 은

이미 너무 늦어서 opportunity 가 실제 interaction 으로 이어지기 힘들다 .

제목과 동일 6

Proposed Scheme• Approach–Mobility prediction

• Framework– Data layer–Mobility prediction layer– Application layer

• Experiment

제목과 동일 7

Approach• Opportunity capturing 의 시간적

제약을 완화하기 위해 prediction 이 필요하다

• Mobility prediction!– GPS trajectory 가 가지고 있는 strong

spatial and temporal regularity 를 이용한다

– Supervised learning algorithm 으로 regularity 를 extract 한다 .

제목과 동일 8

Data Layer

제목과 동일 9

• GPS 데이터를 수집• 각각의 GPS point 는

여러 spatial & temporal attribute를 가진다– Date, time, latitude,

longitude, velocity• Data denoising 후에

GPS dataset 을 구성한다

Mobility Prediction Layer

제목과 동일 10

• Feature extraction– GPS Dataset 에서

mobility feature 를 extract 한다

– Historical mobility instance 를 생성

• Prediction– Individual level

• Next venue• Arrival time

– Crowd level• User encounter

Mobility FeaturesFeatures Description Example

CMF(Current Mobility Features)

@WE Weekday or week-end

Weekday/weekend

@Time Current time 18:06:08@LatLng Latitude & longi-

tude<34.0356,108.7600>

@Di (Direction) N(north)/S(south)/E(east)/W(west)

<N, E>

@Sp (Speed) Discretized into 4 levels, separated 2, 5 and 10 (km/h)

Stroll(0–2)/Walk(2-5)/Scurry(5-10)/Trot(>10)

FMF(Future Mobility Features)

@NV Next venue Library@AT Arrival time of next

venue18:14:34

@UE Who, where and when will meet

< Tom, Restaurant, 11:56:32 >

제목과 동일 11

Mobility Prediction Procedure

제목과 동일 12

Predicting Next Venue• Supervised classification algorithm– Input: CMF– Output: next venue

• Candidate inference model– Decision tree– Random forest– kNN– BayesNet

제목과 동일 13

Predicting Arrival Time• Supervised classification algorithm– Input: CMF– Output: arrival time

• Candidate inference model–Model tree– Linear regression

제목과 동일 14

Predicting User En-counter

제목과 동일 15

Application Layer

제목과 동일 16

• Mobility prediction layer 로부터 받은 FMF 를 이용해서 serendipitous interaction 을 용이하게 하는 application 을 개발

• HelpBuy• EaTogether

HelpBuy• Next venue

prediction 을 이용

제목과 동일 17

EaTogether• User encounter

prediction 을 이용

제목과 동일 18

Evaluation• Data collection• Next venue prediction• Arrival time prediction• User encounter prediction• User study

제목과 동일 19

Data Collection• 17 개의 popular venue 를 선정

– 4 개의 categories 로 분류• Restaurant• Dormitory• Workplace• Sports

• 156 명의 학생들이 GPS logging device 를 가지고 다니면서 trajectory 를 기록

• 총 1200 시간의 trajectory, 280 만 개의 GPS points

• Preprocessing 후에 64,482 mobility instances제목과 동일 20

Next Venue Prediction

• Feature 들이 mutually independent 하기 때문에 BayesNet 의 성능은 나빴다

• Inference model의 complexity 를 고려해 decision trees 를 선택했다

제목과 동일 21

64,482 개의 mobility instance 에 tenfold cross-vali-dation 를 수행하여 각각의 prediction model 의 성능을 테스트

Next Venue Prediction

• Time 과 LatLng 은 pivotal feature 이다

• Direction, speed 는 negative effect– GPS signal noise

때문• 대학생은 평일 , 주말

스케줄이 다르기 때문에 WE 가 1% 향상시킨다

• Next venue 를 predict 하기 위한 CMF set 으로 {f1, f2, f5 } 를 선택제목과 동일 22

Feature SetsLeave Num-bers

Size of the Tree

Correct Percent-age

{f1} 497 993 35.46%{f2} 922 1843 48.59%{f1, f2} 4621 9241 89.72%{f1, f2, f3} 5405 10547 84.82%{f1, f2, f4} 5198 9849 88.64{f1, f2, f5} 4388 8775 90.62%{f1, f2, f3, f5} 5337 10415 85.62%{f1, f2, f4, f5} 4940 9397 89.64%{f1, f2, f3, f4, f5}

5775 10730 84.47%

Decision tree 를 사용해서 feature selection 을 위해 여러 feature set 의 성능을 비교한다

(f1: Time, f2: LatLng, f3: Direction, f4: Speed, f5: WE)

Arrival Time Prediction• Model tree 의

성능이 낫다• 가장 낮은

mean absolute error 는 0.0986 시간( 약 6 분 )

제목과 동일 23

Feature Sets

Correlation Coef -ficient

Mean Absolute Error (hour)

Model Tree

Linear Re-gression

Model Tree

Linear Re-gression

{f1} 0.9983 0.9982 0.1459 0.154{f2} 0.3823 0.1492 3.4134 3.8009{f1, f2} 0.9994 0.9982 0.0992 0.1519{f1, f2, f5} 0.9994 0.9982 0.0991 0.1518{f1, f2, f3, f5} 0.9994 0.9983 0.099 0.1475{f1, f2, f3, f4, f5}

0.9994 0.9983 0.0986 0.1476

𝑒𝑟𝑟𝑜𝑟 𝐴𝑇=𝑃𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑𝐴𝑇−𝑅𝑒𝑎𝑙𝐴𝑇

User Encounter Predic-tion

• 544 개의 encounter instance 를 선택• 두 사용자는 약 2 분 정도를 기다리고서

만났다 ()• 92.3%(502 / 544) 의 정확도를 보였다

제목과 동일 24

User Study• Q1: 사람들이 Henry 와 같은 상황에 놓인다면 HelpBuy 는

유용한가• Q2: 만약 가끔씩 학생 식당에서 친구와 마주친다면 같이 밥을 먹을

것이다• Q3: HelpBuy 에서 다른 사람 대신 물건을 사는 일을 할 것이다 .• Q4: EaTogether 는 생각지 못하게 친구를 만나게 하는 것을

도와준다 . 그리고 나는 다시 이용할 것이다• Q5: 앱은 잘 작동했고 성능 (prediction accuracy) 및 operating

experience 에 만족한다 .• Q6: 앱은 친구들 , 심지어 모르는 사람과의 관계를 돈독하게 한다

제목과 동일 25

Discussion• Offline social interaction– Friend recommendation 을 접목할 수 있지

않을까• System portability– In our experiments, the strong

spatiotemporal regularity in students’ life trajectories may lead to acceptable prediction performance.

– Localization tech• Privacy

제목과 동일 26

Thank you

Q & A

27제목과 동일

Reference• http://

ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=7160746&tag=1

제목과 동일 28