Identifying Meaningful Places

Abstract

Place identification refers to the process of analyzing sensor data in order to detect places, i.e., spatial areas that are linked with activities and associated with meanings. Place information can be used, e.g., to provide awareness cues in applications that support social interactions, to provide personalized and location-sensitive information to the user, and to support mobile user studies by providing cues about the situations the study participant has encountered. Regularities in human movement patterns make it possible to detect personally meaningful places by analyzing location traces of a user. This thesis focuses on providing system level support for place identification, as well as on algorithmic issues related to the place identification process.

The move from location to place requires interactions between location sensing technologies (e.g., GPS or GSM positioning), algorithms that identify places from location data and applications and services that utilize place information. These interactions can be facilitated using a mobile platform, i.e., an application or framework that runs on a mobile phone. For the purposes of this thesis, mobile platforms automate data capture and processing and provide means for disseminating data to applications and other system components. The first contribution of the thesis is BeTelGeuse, a freely available, open source mobile platform that supports multiple runtime environments.

The actual place identification process can be understood as a data analysis task where the goal is to analyze (location) measurements and to identify areas that are meaningful to the user. The second contribution of the thesis is the Dirichlet Process Clustering (DPCluster) algorithm, a novel place identification algorithm. The performance of the DPCluster algorithm is evaluated using twelve different datasets that have been collected by different users, at different locations and over different periods of time. As part of the evaluation we compare the DPCluster algorithm against other state-of-the-art place identification algorithms. The results indicate that the DPCluster algorithm provides improved generalization performance against spatial and temporal variations in location measurements.

Paikkatietoiset sovellukset hyödyntävät paikkatietoa tarjotakseen hyödyllistä ja mielenkiintoista tietoa käyttäjille. Paikkatietoiset sovellukset pohjautuvat pääsääntöisesti koordinaattipohjaiseen paikkatietoon (esimerkiksi longitudi ja latitudi), vaikkakin ihmiset arkielämän tilanteissa kommunikoivat paikkatietoa käyttäen merkityksellisiä paikkanimiä (esimerkiksi kotona tai työpaikalla). Merkityksellisten paikkojen tunnistaminen hyödyntää säännönmukaisuuksia ihmisten arkielämässä tunnistaakseen paikkatiedosta alueita, jotka ovat käyttäjille henkilökohtaisesti mielenkiintoisia. Tunnistettuja merkityksellisiä paikkoja voidaan hyödyntää esimerkiksi tarjoamalla personoitua ja paikkariippuvaista tietoa käyttäjälle, tai mobiileissa sosiaalisen verkoston sovelluksissa tarjoamaan käyttäjän ystäville tietoa käyttäjän sen hetkisestä tilanteesta. Tietoa merkityksellisistä paikoista voidaan myös hyödyntää käyttäjätutkimuksessa tarkastelemaan missä käyttäjä on käyttänyt sovellusta. Väitöskirjatyössäni tarkastelen merkityksellisten paikkojen tunnistamiseen liittyviä haasteita järjestelmä- ja algoritmitasolla.

Järjestelmätasolla merkityksellisten paikkojen hyödyntäminen vaatii yhteistoimintaa paikannusjärjestelmien (esimerkiksi GPS- tai GSM-pohjainen paikannus), merkityksellisten paikkojen tunnistamisalgoritmien ja sovellusten välillä. Eri järjestelmäkomponenttien välistä yhteistoimintaa voidaan helpottaa hyödyntämällä mobiilia sovellusalustaa, joka muun muassa tarjoaa toimintoja sensoridatan keräämisen sekä tiedon levittämisen helpottamiseksi. Väitöskirjan ensimmäisenä kontribuutiona esitellään BeTelGeuse, vapaasti saatavilla oleva vapaan lähdekoodin sovellusalusta, joka tukee useita eri käyttöjärjestelmiä ja sovellusympäristöjä.

Merkityksellisten paikkojen tunnistamisprosessi voidaan tulkita tiedonlouhintaongelmana, jossa analysoidaan käyttäjän paikkatietoa ja pyritään tunnistamaan siitä alueita, jotka ovat käyttäjälle mielenkiintoisia. Väitöskirjan toisena kontribuutiona esitellään uusi merkityksellisten paikkojen tunnistamisalgoritmi, joka pohjautuu Dirichlet-prosessien sekoitemalleihin. Väitöskirjassa vertaillaan algoritmin yleistyvyyskykyä aikaisemmin esitettyihin merkityksellisten paikkojen tunnistamisalgoritmeihin. Tulokset osoittavat että uusi algoritmi pystyy paremmin tunnistamaan merkityksellisiä paikkoja ja yleistyy paremmin paikkatiedossa esiintyville variaatioille.