III. NGÀY HOÀN THÀNH NHI 烏M 影: 21/06/2013 È ÈÈÈÈÈÈ0
N 浦I DUG
5.2.2. Th詠c nghi羽m v噂i các th運i kho違ng b医t kì
Trong nh英ng th詠c nghi羽m này, cách ch丑n th運i kho違ng Ät 8逢嬰c vjc{"8鰻i 8吋 xem xét 違pj"j逢荏ng c栄c"ej¿pi"8嘘i v噂k"rj逢挨pi"rjƒr"mô hình hóa khôngÎth運k"ikcp"8逢嬰c 8隠 xu医t. Pj逢" x壱y, thay vì chia th運i gian thành nh英ng bu鰻k" e„" #" pij c"chi ph嘘i thói quen c栄a eqp"pi逢運i."8隠 tài th穎 chia 24 gi運 trong ngày thành 4 th運i kho違ng b医t kì có 8瓜 dài b茨ng nhau (6 gi運+"pj逢"ucw<
‚ T瑛 00:00 CO"8院n 06:00 AM
‚ T瑛28<22"CO"8院n 12:00 PM
‚ T瑛34<22"RO"8院n 06:00 PM
BＶng 5.3. Kｘt quＶ thばc nghiうm vずi các thぜi khoＶng bＸt kì. Cじt (a), (b), (c) và (d), (e), (f) lＺp"n⇔ぢt biあu diいn tえ lう nhｆn diうp"8¿pi"cてa eƒe"rj⇔￢pi"rjƒr"SpatioRes, SpatioSeq, SpatioHMM, và SpatioTempRes, SpatioTempSeq, SpatioTempHMM0"N⇔w"#"tｊng kｘt quＶ
cてa các rj⇔￢pi"rjƒr"SpatioRes, SpatioSeq và SpatioHMM mj»pi"vjc{"8ごi so vずi kｘt quＶ
trình bày trong bＶng 5.2, x "8⇔ぢc liうt kê trong bＶng này chえ nhｊm mつe"8 ej"vjco"mjＶo và so sánh Giai 8q衣p Ätraining Giai 8q衣p Äevaluation Spatio Res (a) Spatio Seq (b) Spatio HMM (c) SpatioTemp Res (d) SpatioTemp Seq (e) SpatioTemp HMM (f) 09/2004 10/2004 10% 59% 32% 13% 61% 32% 10/2004 11/2004 29% 62% 41% 29% 62% 44% 11/2004 12/2004 27% 77% 53% 27% 78% 58% 12/2004 01/2005 41% 74% 58% 44% 75% 58% 01/2005 02/2005 49% 67% 58% 51% 67% 65% 02/2005 03/2005 58% 80% 60% 65% 78% 60% 03/2005 04/2005 34% 76% 62% 38% 76% 59%
Pj逢"m院t qu違 trình bày trong b違ng 5.3."eƒe"rj逢挨pi"rjƒr"pj壱n di羽n th詠c hi羽n trên mô hình khôngÎth運i gian v磯n cho k院t qu違 t嘘v"j挨p0"Vw{"pjk‒p."x噂i vi羽c phân chia th運i gian thành các th運i kho違ng b医v"m·"pj逢"vt‒p."jk羽u su医t nh壱n di羽n c栄a các rj逢挨pi"rjƒr"mj»piÎth運i gian không ecq"j挨p 8ƒpi"m吋 so v噂k"eƒe"rj逢挨pi"rjƒr"vt‒p" mô hình không có y院u t嘘 th運i gian0"Ak隠u này cho th医y 違pj"j逢荏ng c栄a cách phân chia th運i kho違pi"8嘘i v噂k"v pj"8員e"vt逢pi"e栄a mô hình. Có th吋 gi違i thích s詠 khác nhau v隠 k院t qu違 pj逢"ucw<"o厩k"8嘘k"v逢嬰ng có ki吋u m磯u di chuy吋p"8員e"vt逢pi"vjgq"eƒe"dw鰻i c映 th吋 trong ngày, n院u chia th運i kho違ng trùng các bu鰻i trong ngày s胤 giúp t嘘k"8c"j„c" 8逢嬰e"eƒe"8員e"vt逢pi"pày. Pi逢嬰c l衣k."eƒe"8員e"vt逢pi"p {"u胤 b鵜 m運 8k"mjk"f́pi"eƒe"vj運i kho違ng b医v"m·."fq"8„"n o"ik違m kh違p<pi nh壱n di羽n c栄a mô hình.
Vi羽e"vjc{"8鰻i tham s嘘 8亥u vào b茨ng cách ch丑n nhi隠w"j挨p"6"vj運i kho違ng Ät là không hi羽u qu違, vì th運i gian tính toán s胤 v<pi"ecq0"Ik違 s穎 có n th運i kho違ng, thì s嘘 n逢嬰ng các tr衣ng thái trong chu厩i Markov có th吋 v<pi"n‒p"8院n n l亥p"vtqpi"vt逢運ng h嬰p x医u nh医v."n o"v<pi"vj運i gian x穎 lý tính toán trên mô hình. Rõ ràpi"8ây là m瓜v"pj逢嬰c 8k吋m c栄c"rj逢挨pi"rjƒr"m院t h嬰p y院u t嘘 th運i gian vào mô hình. Trong th詠c t院, c亥n
ph違i cân b茨ng gi英a hi羽u qu違 c栄a vi羽c x穎 lý và chi phí (v隠 th運i gian x穎 l#+"8吋 8衣t 8逢嬰c nh英ng hi羽u qu違 8„0"A隠 tài ch雨 t壱p trung vào vi羽c nâng cao hi羽u qu違 c栄a bài toán nh壱n di羽n, nên gi違 s穎 r茨ng th運i gian tính toán không ph違i là m瓜t v医p"8隠 khi xem xét hi羽u qu違 c栄c"rj逢挨pi"rjƒr"8隠 ra (xem pj逢"ejk"rj "v pj"vqƒp"v<pi"荏 m瓜t m泳c 8瓜 có th吋 ch医p nh壱p"8逢嬰c). Tóm l衣i, vi羽c nh壱n di羽p"8¿pi"d鵜 違pj"j逢荏ng b荏i 3 y院u t嘘: mô hình s穎 d映pi."rj逢挨pi"rjƒr"uq"uƒpj"x "d違n ch医t c栄a d英 li羽u. Pj逢"x壱y, t雨 l羽 nh壱n di羽p"8¿pi"c栄a m丑k"rj逢挨pi"rjƒr"s胤 có m瓜v" pi逢叡ng ch員n trên ph映 thu瓜c vào b違n ch医t c栄a d英 li羽u.
M瓜v"n逢w"#"p英a là, nh英ng th詠c nghi羽o"vt·pj"d {"vtqpi"8隠 v k"8逢嬰c ti院n hành trên t壱p d英 li羽u Reality Mining c栄a MIT. D英 li羽u c栄a t壱r"p {"v逢挨pi"8嘘i thô và nhi宇u do chu厩i v鵜 trí vjw"8逢嬰c c栄a pi逢運k"f́pi"8k羽n tho衣i không ph違i 荏 d衣ng v鵜 trí tuy羽v"8嘘i (ví d映 pj逢"v鵜 trí vjgq"mkpj"8瓜/x "8瓜+0"Piq k"tc."fq"8員e"vt逢pi"e栄a m衣ng GSM, v鵜 trí vjw"8逢嬰c c栄a m瓜v"pi逢運i có th吋 b鵜 nhi宇w"vtqpi"vt逢運ng h嬰r"pi逢運k"8„"n茨m trong ph衣m vi ph栄 sóng ch欝ng l医n c栄a nhi隠u tr衣o" vjw1rjƒv" u„pi" *egnn" queknncvkqp+0" Pj逢" x壱y, trong quá trình di chuy吋n c栄c"o·pj."pi逢運k"8„"e„"vj吋 荏 cùng m瓜v"x "vt ."pj逢pi"x鵜 trí vjw"8逢嬰c (v鵜 trí c栄a các ph衣o"vjw1rjƒv"u„pi"v逢挨pi"泳ng) l衣i khác nhau 荏 nh英ng th運i 8k吋m khác nhau. Hay th壱m chí khi m瓜v"8嘘k"v逢嬰ng 荏 yên m瓜t v鵜 vt "pj逢pi"vjk院t b鵜 di 8瓜ng l衣i liên t映c ghi nh壱n nh英ng tjc{"8鰻i v隠 v鵜 trí do 8嘘k"v逢嬰ng n茨m trong ph衣m vi ph栄 sóng c栄a nhi隠u tr衣m thu/phát sóng. Hình d‒p"f逢噂i minh h丑a hi羽p"v逢嬰ng nhi宇u này.
Hình 5.2. Minh hがa sば chげng lＸn phＴm vi phて sóng cてa các trＴm thu/phát sóng. Các khu vばc (a), (c) và (d) nｊm trong phＴm vi phて sóng cてa 2 trＴm thu/phát sóng khác nhau, và (b) nｊm trong phＴm vi phて sóng cてa 3 trＴm thu/phát sóng khác nhau0"Fq"8„."f́"mじv"8ぐk"v⇔ぢng
ぞ cùng mじt vおvt "pj⇔pi"thiｘt bおfk"8じng vｄn có thあvjw"8⇔ぢc các vお trí khác nhau
(a)
(b) (c)
Vi羽c lo衣i nhi宇u, b茨pi"rj逢挨pi"rjƒr"iqo"pj„o"*enwuvgtkpi+"pjk隠u v鵜 trí thành m瓜t v鵜 trí duy nh医t, có th吋 giúp xây d詠pi"8逢嬰e"o»"j·pj"ocpi"v pj"8員e"vt逢pi"ej pj" zƒe" j挨p0"Nghiên c泳u [1] 8« 8逢c" tc" eƒe" rj逢挨pi" ik違m 違pj" j逢荏ng c栄a hi羽p" v逢嬰ng ch欝ng l医n ph衣m vi ph栄 sóng: lo衣i b臼 nh英ng v鵜 trí không quan tr丑ng b茨ng cách xác 8鵜nh m瓜t kho違ng th運i gian t嘘i thi吋u tmin và lo衣i b臼 nh英ng v鵜 vt "o "8嘘k"v逢嬰pi"n逢w"n衣i v噂i kho違ng th運i gian nh臼 j挨p"tmin. Tuy nhiên vi羽c ti隠n x穎 lý d英 li羽u 8亥u vào này không n茨m trong ph衣m vi nghiên c泳u c栄c"8隠 tài. Nh英ng th詠c nghi羽m vtqpi"8隠 tài nh茨m m映e"8 ej"8ƒpj"ikƒ"jk羽u su医t nh壱n di羽n gi英a các mô hình không có y院u t嘘 th運i gian và các mô hình khôngÎth運i gian.
Hình 5.3. Mじt ví dつ vｚ gom nhóm các ô mＴng (cell tower clustering) sぬ dつng giＶi thuｆt k- mean, trích trong [1] . Tâm cてa các cluster là các vお trí mà hiうp"v⇔ぢng chげng lＸn phＴm vi phて sóng xＶy ra nhiｚu nhＸt. Các vお trí liên quan sｖ8⇔ぢc gom nhóm vずk"pjcw"8あ tＴo thành
mじt phＺn tぬ duy nhＸt trên chuざi vお trí
5.2.3. H衣n ch院 c栄c"eƒe"rj逢挨pi"rjƒr"pj壱n di羽n
Nh逸c l衣i m瓜t trong nh英pi"8k隠u ki羽p"dcp"8亥u c栄c"eƒe"rj逢挨pi"rjƒr"pj壱n di羽p"8隠 c壱p vtqpi"8隠 tài là: mô hình di chuy吋p"e„" v pj" 8員e"vt逢pi"fw{" pj医v0" Ak隠u ki羽p"p {" 8«" 8逢嬰c ch泳ng minh trong các công trình khác ([4] và [5]) e pi"pj逢"vtqpi"8隠 tài này: :2'"vt逢運ng h嬰p có th吋 nh壱n di羽p"8逢嬰c thông qua mô hình di chuy吋n.
V pj"8員e"vt逢pi"e栄a quá trình di chuy吋p"8逢嬰e"8吋 hi羽n qua các chuy吋n 8鰻i tr衣ng thái 8員e"vt逢pi"vtqpi"ejw厩i Markov (g丑i t逸t là m磯w"8員e"vt逢pi+0"Vw{"pjk‒p."fq"8瓜 m鵜n hay thô c栄a d英 li羽w." vj逢運ng t欝n t衣i nh英ng lo衣i chuy吋n 8鰻i tr衣ng thái ph鰻 bi院n (common state transition pattern Î g丑i t逸t là m磯u ph鰻 bi院n) xu医t hi羽n 荏 nhi隠u quá trình di chuy吋p."8»k"mjk"pj英ng m磯u ph鰻 bi院n này xu医t hi羽n v噂i t亥n su医t l噂p"j挨p"e違
các m磯u 8員e"vt逢pi"e栄a m瓜v"8嘘k"v逢嬰pi0"J挨p"p英a, trong th詠c t院, s胤e„"vt逢運ng h嬰p m磯u 8員e"vt逢pi"ejq"m瓜t 8嘘k"v逢嬰ng có t亥n su医t xu医t hi羽n r医t th医p. Các y院u t嘘 trên có th吋 違pj"j逢荏pi"8院n kh違p<pi"pj壱n di羽n c栄a mô hình. Ví d映:
BＶng 5.4. Các mｄw"8ｐe"vt⇔pi"x "vＺn suＸv"v⇔￢pi"とng
U1 U2 U3
L1s L2 (0.001) L1s L2 (0.004) L1s L2 (0.250) L1s L3 (0.215) L2s L8 (0.350) L3s"L9 (0.120)
Pj逢" vtqpi" x " f映 trên, các 8嘘k" v逢嬰ng U1, U2 và U3 l亥p" n逢嬰t có các m磯u 8員c vt逢pi"n "L1sL3, L2sL8 và L3sL9. Ngoài ra, mô hình di chuy吋n c栄a 3 8嘘k"v逢嬰ng vt‒p"e pi"ej泳a các m磯u ph鰻 bi院n L1sL2. Tuy nhiên, t亥n su医t xu医t hi羽n c栄a L1sL2 trong mô hình di chuy吋n c栄a U3 r医t cao (0.250), làm gi違m 違pj"j逢荏ng c栄a các m磯u 8員e"vt逢pi"L3sL90"Fq"8„."U3 r医t có kh違 p<pi b鵜 nh壱n di羽n nh亥m v噂i m瓜v"8嘘k"v逢嬰ng mjƒe"e pi"ch泳a m磯u ph鰻 bi院n L1sL2. Gi違 s穎, cho m瓜v"8嘘k"v逢嬰ng Ux v噂i m磯u L1sL2 có t亥n su医t r医t l噂n so v噂i các chuy吋n 8鰻i tr衣ng thái khác, tính ch雨 s嘘v逢挨pi"8欝ng c栄a Ux v噂i U1, U2, U3 vjgq"rj逢挨pi"rjƒr"trình bày trong ph亥n 2.2.1.1 thì k院t qu違 l亥p"n逢嬰t là: iden1 = デ陳 鶏怠岫詣珍 詣沈岻" 怠岫詣沈岻 茅 鶏掴岫詣珍 詣沈岻" 掴岫詣沈岻" 沈 珍退怠 Ã鶏怠岫詣態 詣怠岻" 怠岫詣怠岻 茅 鶏掴岫詣態 詣怠岻" 掴岫詣怠岻 iden2 = デ陳 鶏態岫詣珍 詣沈岻" 態岫詣沈岻 茅 鶏掴岫詣珍 詣沈岻" 掴岫詣沈岻" 沈 珍退怠 Ã鶏態岫詣態 詣怠岻" 態岫詣怠岻 茅 鶏掴岫詣態 詣怠岻" 掴岫詣怠岻 iden3 = デ陳沈 珍退怠鶏戴岫詣珍 詣沈岻" 戴岫詣沈岻 茅 鶏掴岫詣珍 詣沈岻" 掴岫詣沈岻" Ã"鶏戴岫詣態 詣怠岻" 戴岫詣怠岻 茅 鶏掴岫詣態 詣怠岻" 掴岫詣怠岻
Rõ ràng iden3 là l噂n nh医t do P3(L2|L1) l噂p"j挨p"P2(L2|L1) hay P1(L2|L1) (gi違 s穎 r茨ng các tham s嘘 khác c栄a các hàm tính iden không chênh l羽ej"8ƒpi"m吋), hay Ux 8逢嬰c nh壱n di羽n chính là U30"A¤{"n "vt逢運ng h嬰p không mong mu嘘n vì Ux không ch泳a các chuy吋p"8鰻i tr衣ng thái 8員e"vt逢pi"e栄a U3 pj逢pi"x磯n b鵜 nh壱n di羽n là U30"Pj逢"x壱y ta có th吋 th医y cách tính ch雨 s嘘 v逢挨pi" 8欝ng d詠a trên xác su医t là không chính xác trong m瓜t s嘘vt逢運ng h嬰r"pj逢"x瑛a nêu trên. V噂i d英 li羽u càng thô, s胤 càng xu医t hi羽n nhi隠u các m磯u ph鰻 bi院p"pj逢"x壱y, x "fq"8„"t雨 l羽 nh壱n di羽p"8¿pi"e pi"vj医p. S穎 d映ng y院u t嘘 th運k"ikcp"e pi"mj»pi"d違q"8違m lo衣i tr瑛 h院v"8逢嬰c nh英ng m磯u ph鰻 bi院n này.
Ucw" 8¤{" n " m院t qu違 rút trích t瑛 th詠c nghi羽m v噂k" eƒe" ikck" 8q衣n Ätraining và Äevaluation là tháng 11/2004 và tháng 12/2004, rj逢挨pi"rjƒr"SpatioRes.
BＶng 5.5. Mじt phＺn kｘt quＶ thばc nghiうm cてc"rj⇔￢pi"rjƒr"SpatioRes vずk"eƒe"ikck"8qＴn
Ätraining và Äevaluation là tháng 11/2004 và tháng 12/2004. Cじt 1 thあ hiうn mã sぐ cてa mじv"8ぐi
v⇔ぢpi"ej⇔c"dkｘt Uxぞikck"8qＴn Äevaluation và cじt 2 là mã sぐ8ぐk"v⇔ぢpi"8«"dkｘt Ukvtqpi"e￢"uぞ
dの liうu nhｆn diうn mà chえ sぐv⇔￢pi"8げng vずi Ux là lずn nhＸt. Chえ sぐv⇔￢pi"8げng idenxk này thあ hiうn ぞ cじv"50"Pj⇔"xｆy, nｘu giá trお cじt 1 bｊng giá trお cじt 2 thì kｘt quＶ nhｆn diうp"n "8¿pi
Ux Uk idenxk 49 49 0.0304490091623254 50 62 0.0304820462194257 51 0 0 52 88 0.0148447537787083 53 30 0.0298413592038347 54 42 0.0297952068261062 55 30 0.0280092078275676 56 30 0.0333271431549051 57 30 0.0222903934265600 58 30 0.0113417761603700 59 0 0
Có th吋 th医{."8c"u嘘eƒe"vt逢運ng h嬰p nh壱n di羽p"uck"8隠u do b鵜 nh壱n di羽n nh亥m v噂i 8嘘k"v逢嬰ng có mã s嘘 520"A¤{"ej pj"n "8嘘k"v逢嬰ng có m磯u ph鰻 bi院n v噂i t亥n su医t cao pj逢"8«"vt·pj"d {"荏 ph亥n trên. B茨ng cách lo衣i b臼 m瓜t s嘘8嘘k"v逢嬰ng pj逢"x壱y, ta có th吋 c違i thi羽n t雨 l羽 nh壱n di羽p"8¿pi"ejq"rj逢挨pi"rjƒr"SpatioRes. Tuy nhiên, vi羽c c違i thi羽n hi羽u su医t c栄c"rj逢挨pi"rjƒr"pj壱n di羽n n茨m ngoài ph衣m vi c栄c"8隠 tài. Vtqpi"mjk"8„." pj逢挨pi"rjƒr khôngÎth運k"ikcp"v逢挨pi"8逢挨pi SpatioTempRes khai thác t嘘v"j挨p"{院u t嘘 8員e"vt逢pi"e栄a mô hình, v噂i t雨 l羽 nh壱n di羽n sai do thu瓜c tính ph鰻 bi院n gi違o"8ƒpi"m吋. Cƒe"8嘘k"v逢嬰ng b鵜 nh壱n di羽p"uck"vj逢運ng do b違n ch医t c栄a d英 li羽w"x " v"vt逢運ng h嬰p nh壱n di羽n sai do b鵜 nhi宇u b荏i m瓜v"8嘘k"v逢嬰ng có ch泳a m磯u ph鰻 bi院n.
BＶng 5.6. Mじt phＺn kｘt quＶ thばc nghiうm cてc"rj⇔￢pi"rjƒr"SpatioTempRes vずi các giai
8qＴn Ätraining và Äevaluation là tháng 11/2004 và tháng 12/2004. Cじt 1 thあ hiうn mã sぐ cてa mじt
8ぐk"v⇔ぢpi"ej⇔c"dkｘt Uxぞikck"8qＴn Äevaluation và cじt 2 là mã sぐ8ぐk"v⇔ぢpi"8«"dkｘt Uk trong
e￢"uぞ dの liうu nhｆn diうn mà chえ sぐv⇔￢pi"8げng vずi Ux là lずn nhＸt. Chえ sぐv⇔￢pi"8げng idenxk
này thあ hiうn ぞ cじv"50"Pj⇔"xｆy, nｘu giá trお cじt 1 bｊng giá trお cじt 2 thì kｘt quＶ nhｆn diうn là
8¿pi Ux Uk idenxk 49 0 0 50 50 0.0484844542782664 51 51 0.0459635687837622 52 78 0.0292522165950876 53 0 0 54 0 0 55 55 0.0982992002217283 56 7 0.0390356541761517 57 57 0.0197662895059807 58 58 0.0191392192073510 59 0 0
Ej逢挨pi"80 K蔭T LU一N 6.1. A„pi"i„r
A隠 v k"8«"8逢c"tc"o瓜v"rj逢挨pi"rjƒr"p¤pi"ecq"v pj"8員e"vt逢pi"e栄a mô hình di chuy吋n Markov, giúp mô hình ph違p"ƒpj"8逢嬰e"8亥{"8栄 j挨p"các tính ch医t v隠 m員t không gian và th運i gian c栄a m瓜t quá trình di chuy吋n trong th詠c t院. K院t qu違 th詠c nghi羽o"8«"ejq" th医y m瓜t mô hình e„"v pj"8員e"vt逢pi"e pi"ecq"vj·"mj違 p<pi"pj壱n d詠a trên mô hình này càng cao. Eƒe"rj逢挨pi"rjƒr"pj壱n di羽n 8衣v"8逢嬰c t雨 l羽 nh壱n di羽p"8¿pi ecq"j挨p" khi áp d映ng trên mô hình khôngÎth運i gian.
A隠v k"e pi"8逢c"tc"o瓜v"rj逢挨pi"rjƒr"u穎 d映ng mô hình Markov 育p"8吋 bi吋u di宇n quá trình di chuy吋n và dùng thu壱t toán Fqtyctfkpi"vt‒p"o»"j·pj"p {"8吋 gi違i bài toán nh壱n di羽n. M員c dù mô hình Markov 育p"8逢嬰e"8逢c"tc"mj»pi"v嘘k"逢w"8逢嬰c hi羽u su医t nh壱n di羽n nh逢pi"e pi"8«"ejq"vj医y hi羽u qu違 c栄a vi羽c k院t h嬰p y院u t嘘 th運i gian trên nh英ng mô hình khác nhau.
6.2. J逢噂ng phát tri吋n
A嘘i v噂i d英 li羽u d衣ng chu厩i v鵜 trí theo th運i gian, ngoài y院u t嘘 v隠 v鵜 trí và th運i kho違ng pj逢"8«"vt·pj"d {"vtqpi"8隠 tài, ta còn có th吋 khai thác thêm nhi隠w"vj»pi"vkp"8員e"vt逢pi" khác t瑛 chu厩i v鵜 trí c栄a quá trình di chuy吋n. Mô hình Octmqx"vt·pj"d {"vtqpi"8隠 tài là m瓜t quá trình Markov có th運i gian r運i r衣e."fq"8„"xk羽c chuy吋n tr衣pi"vjƒk"8逢嬰c xem pj逢"荏 t瑛pi"d逢噂c r運i r衣c; tuy nhiên, n院u quá trình di chuy吋p"8逢嬰c mô hình hóa b茨ng m瓜t quá trình Markov th運i gian liên t映e"vtqpi"8„"xk羽c chuy吋n tr衣ng thái di宇n ra 荏 m瓜t th運k"8k吋m c映 th吋 trên m瓜t tr映c th運i gian xuyên su嘘t quá trình, thì ta có th吋 b違o vq p"8逢嬰c m瓜t s嘘 y院u t嘘pj逢<"vj運k"ikcp"8嘘k"v逢嬰ng 荏 t衣i m瓜t v鵜 trí, v壱n t嘘e"8嘘k"v逢嬰ng di chuy吋n t瑛 v鵜 trí này t噂i v鵜 tr鵜 mjƒeÈ"Pj英ng y院u t嘘 này n院w"8逢嬰c khai thác m瓜t cách thích h嬰p có th吋ik¿r"v<pi"e逢運pi"j挨p"p英c"v pj"8員e"vt逢pi"ejq"o»"j·pj0
Eƒe"rj逢挨pi"rjƒr"pj壱n di羽p"8逢嬰e"8隠 c壱r"vtqpi"8隠 tài 8隠u d詠a trên vi羽c tính toán ch雨 s嘘 v逢挨pi"8欝ng trung bình gi英a hai mô hình di chuy吋n. Tuy nhiên do b違n ch医t d英 li羽u, 8»k"mjk"eƒe"v pj"ej医v"8員e"vt逢pi"e栄a m瓜t quá trình di chuy吋n b鵜 l医n át b荏i nh英ng y院u t嘘 mj»pi"8員e"vt逢pi"mjƒe. Trong nh英pi"vt逢運ng h嬰p này, vi羽c nh壱n di羽n b茨ng cách tính 8瓜 v逢挨pi"8欝ng trung bình không ph違i là cách ti院p c壱n t嘘k"逢w,
pj逢" 8«" rj¤p" v ej" vtqpi" rj亥n th詠c nghi羽m 5.2.3. M瓜v" rj逢挨pi" rjƒr" pj壱n di羽n lý v逢荏ng c亥n có kh違 p<pi"nh壱n ra 8逢嬰c nh英ng y院u t嘘 8員e"vt逢pi"pj医t và lo衣i b臼 違nh j逢荏ng c栄a nh英ng y院u t嘘mj»pi"8員e"vt逢pi trong mô hình.
THAM KH謂O
1. Bayir, M.A., Demirbas, M., Eagle, N.: Discovering Spatio-Temporal Mobility Profiles of Cellphone Users. In: Proc. of the 10th IEEE International Symposium on a World of Wireless, Mobile and Multimedia Networks, pp. 1- 9 (2009)
2. Camp, T., Boleng, J., Davies, V.: A Survey of Mobility Models for Ad-hoc Network Research. Wireless Communications & Mobile Computing: Special Issue on Mobile Ad-hoc Networking: Research, Trends and Applications, 2(5), 483-502 (2002)
3. Cvrcek, D., Kumpost, M., Matyas, V., Danezis, G.: A Study on the Value of Location Privacy. In: Proc. of the 5th ACM Workshop on Privacy in Electronic Society, pp. 109-118 (2006)
4. De Montjoye, Y.A., Hidalgo, C.A., Verleysen, M., Blondel, V.D.: Unique in the Crowd: The Privacy Bounds of Human Mobility. Scientific Reports, 3(1376) (2013)
5. De Mulder, Y., Danezis, G., Batina, L., Preneel, B.: Identification via Location-Profiling in GSM Networks. In: Proc. of the 7th ACM Workshop on Privacy in the Electronic Society, pp. 23-32 (2008)
6. Eagle, N., Pentland, A., Lazer, D.: Inferring Friendship Network Structure by Using Mobile Phone Data. Proceedings of The National Academy of Sciences, 106(36), 15274-15278 (2009)
7. Eagle, N., Quinn, J.A., Clauset, A.: Methodologies for Continuous Cellular Tower Data Analysis. In: Proc. of the 7th International Conference on Pervasive Computing, pp. 342-353 (2009)
8. Ghahramani, Z.: An Introduction to Hidden Markov Models and Bayesian Networks. International Journal of Pattern Recognition and Artificial Intelligence, 15(1), 9-42 (2002)
9. Gonzalez, M.C., Hidalgo, C.A., Barabasi, A.L.: Understanding Individual Human Mobility Patterns. Nature, 453(7196), 779-782 (2008)
10. Lane, N.D., Xie, J., Moscibroda, T., Zhao, F.: On the Feasibility of User De- Anonymization from Shared Mobile Sensor Data. In: Proc. of the 3rd International Workshop on Sensing Applications on Mobile Phones, pp. 1-5 (2012)
11. Song, C., Qu, Z., Blumm, N., Barabasi, A.L.: Limits of Predictability in Human Mobility. Science, 327(5968), 1018-1021 (2010)
12. Sundaresan, A., Chowdhury, A.K.R., Chellappa, R.: A Hidden Markov Model Based Framework for Recognition of Humans from Gait Sequences. In: Proc. of the International Conference on Image Processing, pp. 93-96 (2003)
13. Xia, J.C., Zeephongsekul, P., Packer, D.: Spatial and Temporal Modeling of Tourist Movements Using Semi-Markov Processes. Tourism Management, 32(4), 844-851 (2011)
PH井N LÝ L卯CH TRÍCH NGANG
H丑 và tên: PH萎M MINH NGH卯 Pi {."vjƒpi."p<o"ukpj<"11/04/1985 P挨k"ukpj< TP. H欝 Chí Minh
A鵜a ch雨: 1202 Nguy宇p"X<p"Swƒ, Pj逢運ng Tân Th噂i Hi羽p, Qu壱n 12, TP. HCM.
QUÁ TRÌNH AÉQ"V萎O
‚ T瑛 p<o 2003 8院p"p<o"2008: sinh viên Vt逢運ng A衣i H丑c Công Nghi羽p TP.H欝 Chí Minh, khoa Công Ngh羽 Thông Tin.
‚ T瑛 p<o"4231 8院n nay: h丑c viên cao h丑e"Vt逢運pi"A衣i H丑c Bách Khoa, chuyên ngành Khoa H丑c Máy Tính.
QUÁ TRÌNH CÔNG TÁC