Resumen

La detección móvil colaborativa es un nuevo paradigma que puede utilizar teléfonos inteligentes omnipresentes para recopilar y analizar datos en beneficio de los usuarios. Sin embargo, los datos sensoriales recopilados por el teléfono inteligente suelen implicar diferentes tipos de datos debido a diferentes granularidades y múltiples fuentes de sensores. Además, los datos también están etiquetados en el tiempo. Los datos heterogéneos y secuenciales en el tiempo plantean nuevos desafíos para el análisis de datos. Algunas soluciones existentes intentan aprender cada tipo de datos uno por uno y analizarlos por separado sin considerar la información temporal. Además, los métodos tradicionales también deben determinar la orientación del teléfono porque algunos sensores equipados en el teléfono inteligente están relacionados con la orientación. En este documento, creemos que una combinación de múltiples sensores puede representar una característica invariante para un contexto de detección colaborativa. Por lo tanto, proponemos un nuevo método de aprendizaje de representación de datos heterogéneos con etiquetas de tiempo para extraer características típicas utilizando aprendizaje profundo. Evaluamos que nuestro método propuesto puede adaptarse eficazmente a los datos generados por diferentes orientaciones. Además, evaluamos el rendimiento del método propuesto al reconocer dos actividades móviles en grupo, caminar/ciclismo y conducir/en autobús con sensores de teléfonos inteligentes. Logra precisiones de X e Y al distinguir el ciclismo de la caminata y el autobús de la conducción, respectivamente.

• Materias:Algoritmo dinámico Redes Inalámbricas Redes de Comunicación Sistema de colas Teoría de juegos
• Subjects:Dynamic Algorithm Wireless Networks Communication networks Queuing systems Game theory
• Palabras claves:Móvil; Crowdsensing; Datos; Sensores; Aprendizaje profundo; Smartphone
• Keywords:Mobile; Crowdsensing; Data; Sensors; Deep learning; Smartphone