AVTOMATSKO DOLOČANJE KONTEKSTA MOBILNEGA UPORABNIKAVidmar, Luka (Avtor) Pogačnik, Matevž (Mentor) mobilna omrežjasenzorjilokacijske storitvezavedanje uporabniškega kontekstakontekstni modeliuporabniške potipomembne uporabniške lokacijepozicioniranjeKomercialno dostopni pametni telefoni vsebujejo čedalje več komunikacijskih tehnologij, kot so Wi-Fi, IR (angl. infrared), bluetooth, radiofrekvenčna identifikacija (angl. radio-frequency identification - RFID) in sistem globalnega pozicioniranja (angl. global positioning system - GPS), ter senzorskih modulov, kot so pospeškometer, kompas, mikrofon in fotografski aparat. Hkrati mobilni telefoni postajajo ključni potrošniki in ustvarjalci večpredstavnostnih vsebin. V veliki množici informacij, aplikacij in storitev je zato potrebno izluščiti tiste, ki so za uporabnika resnično relevantne. Za ugotavljanje njihove primernosti se poleg personalizacije vedno pogosteje uporablja tudi zavedanje uporabniškega konteksta (angl. context-awareness). To omogoča, da se vsebine in obnašanje sistema prilagodijo okoliščinam uporabnika in mobilnega telefona, tj. kontekstu. Uporabniški kontekst se lahko določi ročno, kar ni prijazno do uporabnika, ali samodejno z analizo podatkov različnih senzorjev na mobilnem telefonu. Poleg izbire ustreznih senzorjev in obdelave njihovih podatkov je za samodejno določitev konteksta pomembna tudi izbira kontekstnega modela, kar med drugim vključuje določitev namena modela ter opredelitev nabora vrednosti in načina sklepanja. V disertaciji smo si zamislili kontekstni model uporabniških aktivnosti. Te so opredeljene z več kontekstnimi parametri skupaj. Med njimi so poglavitni: lokacija, čas, uporabniški profil in fizična aktivnost. Vsi so bili uporabljeni tudi pri našem delu. Za parameter lokacija smo najprej (A) predlagali in ovrednotili hibridno metodo za pozicioniranje ter razvili metodo, ki omogoča ocenjevanje različnih metod za pozicioniranje v semantičnem prostoru, tj. prostoru s semantičnimi lokacijami, kot na primer poštnimi naslovi in točkami zanimanja (angl. point of interest - POI). (B) Nadalje smo v kontekstnem modelu definirali nabor vrednosti, tj. uporabniške vsakodnevne aktivnosti, kot na primer doma, delo, nakupovanje in tek. (C) Nazadnje smo za samodejno določanje teh vrednosti nadgradili metodo za analizo uporabniških poti, določenih z uporabljenimi senzorji, ter uporabili različne metode za sklepanje o uporabniškem kontekstu. Ad A: Predlagana hibridna metoda za pozicioniranje uporablja podatke GPS, servisno (angl. serving) mobilno celico in moč sprejetega signala ter številne podrobnosti o mobilnem omrežju, kot na primer frekvenco mobilnega kanala, tip mobilne bazne postaje in višino oddajnega stolpa. Glede na vir podatkov loči tri poti za oceno pozicije: (i) privzame lokacijo bazne postaje kot oceno pozicije uporabnika, ko je mobilni telefon priključen na notranjo bazno postajo; (ii) privzame pozicijo, ko je določena s podatki GPS; (iii) v vseh ostalih primerih pozicijo izračuna z najustreznejšim modelom razširjanja radijskih valov. Poleg ocene pozicije poda tudi oceno točnosti predlagane pozicije, za kar smo ovrednotili številne faktorje, ki bi lahko vplivali na netočnost meritve, kot na primer število satelitov, sprejeto moč in razne podatke o gostoti mobilnega omrežja, in iskali korelacijo z napako metode. S podatki terenskih meritev na 167 naključnih točkah smo optimizirali delovanje predlagane metode in ovrednotili faktorje za oceno točnosti posamezne meritve. Z istimi meritvami smo primerjali delovanje optimizirane metode za pozicioniranje z obstoječo metodo pri opazovanem mobilnem operaterju in z nekaterimi komercialnimi rešitvami: navigacijsko napravo GPS, Googlom in Foursquarom. Delovanje metode smo ovrednotili na dva načina: s povprečnimi vrednostmi napak in z novo metodo za primerjanje metod za pozicioniranje v semantičnem prostoru. Slednja je ocenila pravilnost pretvorbe pozicij v poštne naslove in pomembne kategorije POI-jev. Optimizirana predlagana metoda je imela povprečno napako 85,9 m in 67. kvantil 86,9 m. Analiza je pokazala smiselnost treh vrednosti za oceno točnosti: 33, 270 in 377 m. Za pozicije določene z GPS-om nismo našli faktorja, ki bi koreliral z napakami meritev, zato smo za oceno točnosti vzeli eno vrednost, tj. 33 m. Za pozicije, določene na podlagi servisne celice, ki niso bile notranje, smo med faktorji izbrali povprečno razdaljo med ocenjeno pozicijo in prvima najbližjima sosednjima celicama. Na podlagi tega faktorja smo razporedili meritve v dve kategoriji točnosti, tj. 270 in 377 m. Predlagana metoda je sicer delovala bolje od obstoječe metode pri opazovanem mobilnem operaterju, a precej slabše od navigacijske naprave, ki je imela z našimi meritvami najboljše rezultate. Pozicioniranju navigacijske naprave se je najbolj približala Googlova storitev pozicioniranja. Ko je predlagana metoda pozicijo določila na podlagi podatkov GPS ali notranje bazne postaje, je bila ocenjena pozicija točna, vendar je njena točnost zelo upadla v vseh ostalih slučajih. Razlike med opazovanimi metodami za pozicioniranje so bile pri vrednotenju pretvorjenih pozicij v semantični prostor manjše. Med vsemi opazovanimi metodami pa se je predlagana metoda najbolje izkazala pri oceni točnosti, saj je bila njena ocena največkrat pravilna. Metodo odlikuje praktična uporabnost na vseh pametnih telefonih in komplementarna uporaba dveh tehnologij, ki zagotavljata dostopnost storitve pozicioniranja skoraj povsod. Vendar je pozicioniranje samo na osnovi servisne celice premalo točno za avtomatsko določanje uporabniškega konteksta. Kot rešitev bi bilo mogoče narediti dvoslojno prepoznavo konteksta: ko bi bila ocenjena pozicija točna, bi skušali prepoznati podroben uporabniški kontekst; v nasprotnih primerih bi se zadovoljili s prepoznavo splošnega konteksta. Po izkušnjah s terenskih meritev bi se morali v večini primerov zadovoljiti s prepoznavo splošnega konteksta, zato smo opustili idejo o uporabi predlagane metode za pozicioniranje za nadaljnje delo. Ad B: Nato smo v disertaciji predlagali hierarhični kontekstni model, ki smo ga zgradili na podlagi pregleda relevantne literature. Sestavljajo ga statične in tudi dinamične aktivnosti, ki zapolnjujejo vsakdan uporabnikov. Model vsebuje štiri splošne uporabniške kontekste: doma, delo, prosti čas in tranzit. Nekateri od teh so razdeljeni v podskupine in med njimi nekateri še v nadaljnje podskupine. Hierarhična struktura predlaganega modela omogoča, da se prepozna kontekst do potrebnega nivoja oziroma do tistega nivoja, ki ga je z razpoložljivimi senzorskimi podatki v danem trenutku mogoče prepoznati. Hkrati taka struktura omogoča, da se nanjo lahko navežejo bolj specifični, ožje-domenski modeli. Izvedli smo terenski preskus z desetimi uporabniki tekom enega meseca in preverili, kako se predlagani model obnese v praksi ter katere aktivnosti se najpogosteje in najdlje odvijajo v vsakdanu uporabnika. Medtem ko so kumulativni in statistični rezultati pokazali raznolike življenjske sloge testnih uporabnikov, se je model v preskusu izkazal za celovitega, a ne povsem nedvoumnega. Ad C: Na koncu smo razvili preprosto, uporabniku prijazno in avtomatsko metodo za določanje uporabniškega konteksta na podlagi prstnih odtisov Wi-Fi, podatkov GPS in pospeškometra. Metoda najprej najde uporabniške pomembne lokacije, tj. točke zadrževanja in regije zadrževanja, ter tranzite med njimi. Za iskanje točk zadrževanja smo uporabili metodo SensLoc [1], poiskali nabor nastavitev, ki bi dale najboljše rezultate na naših podatkih in predlagali pet izboljšav metode. Nato smo predlagali sedem različnih shem za inovativno združevanje najdenih točk zadrževanja, ki imajo isti semantični pomen za uporabnika, v regije zadrževanja. Na ta način smo tvorili splošnejše lokacije istega uporabniškega konteksta in pri tem ohranili podrobnosti pripadajočih točk zadrževanja. Najdenim točkam in regijam zadrževanja ter tranzitnim točkam smo z logičnimi pravili, časovno-prostorskim gručenjem, statistično obdelavo, inovativno analizo družabnih mrež, bazo točk zanimanja in matriko POI-aktivnost določili statični in dinamični uporabniški kontekst dveh nivojev. Prvi je vključeval splošne uporabniške aktivnosti, kot so doma, delo, prosti čas in tranzit, in drugi nekatere podrobne kontekste, kot na primer druženje, tek in na koncertu. Metodo za iskanje točk in regij smo optimizirali in ovrednotili na podlagi zbranih podatkov šestih uporabnikov v osmih dneh. Delovanje sklepanja o uporabniškem kontekstu pa smo ovrednotili na podlagi zbranih podatkov desetih uporabnikov v enem mesecu. Našli smo nabor nastavitev, ki so na naših podatkih mnogo bolje od prvotnih nastavitev SensLoca ločile mirovanje od gibanja in našle točke zadrževanja. Kombinacija štirih predlaganih izboljšav je nadalje izboljšala delovanje prvotne metode in pri tem ohranila bistvene podatke o uporabniških poteh. Tako izboljšana metoda je prepoznala 636 ur mirovanja od zabeleženih 690 ur s točnostjo, natančnostjo in priklicem prepoznave mirovanja večjimi od 96,5%. Pri združevanju točk v regije se je najbolje izkazala shema, ki je združevala na podlagi podobnosti prstnih odtisov dostopovnih točk in podobnosti prstnih odtisov identifikatorjev nabora storitev (angl. service set identifier - SSID). Priklic in natančnost te sheme sta bila 77%. Na koncu je metoda točno določila splošen kontekst v 95,3% časa. Za točke zadrževanja so bili konteksti doma, delo in prosti čas določeni z natančnostjo in priklicem večjima od 86%. Med podrobnimi konteksti je metoda povsem natančno določila kontekste druženje, obisk počitniške hiše in terensko delo, najslabša pa je bila natančnost za kontekst tek. Še več, pokazali smo, kako lahko sklepamo o podrobnih kontekstih posameznih točk zadrževanja znotraj regij zadrževanja, tj. obeh tipov lokacij, ki smo jih določili v predhodnih korakih naše metode. Rezultati kažejo, da je predlagana metoda robustna in se jo lahko uporablja na podatkih različnih uporabnikov in z različnih telefonov. Zaradi svojih značilnosti so lahko celotna metoda ali njeni deli uporabljeni na različnih področjih, kot na primer pri prilagajanju večpredstavnostnih aplikacij in storitev, v sistemih priporočanja in pri upravljanju s človeškimi viri ali premičninami. Glede na potrebe posameznega področja uporabe se predlagana metoda lahko nadalje prilagodi ali razširi.20152015-10-27 11:40:05Doktorska disertacija73154sl