講演の流れ センサネットワーク センサネットワークが抱える センサ

講演の流れ
スマートフォンによるモバイルセンシング
モバイルセンシングによるパーソナルデータの
収集
アプリ作成事例とその課題
ソーシャルメデイアを利⽤した⾏動履歴をセンシ
ングの可能性
スマートフォンで広がるICT
スマートフォンで広がる
スマ
トフォンで広がるICTの世界
トフォンで広がるICT
の世界
〜 発展の背景と研究事例 〜
パーソナルデータを利⽤した⼈間⾏動マイニン
グの研究事例
パーソナルデータ取得における現状と課題
まとめ
⽯塚宏紀
東京⼤学
⼤学院 情報理⼯学系研究科
Research Intern, Bell labs, Alcatel-lucent
センサネットワーク
センサネットワークが抱える課題
センサネットワークが抱える
課題
学術系でよくある定義
「おびただしい数のセンサノードが相互に無線通信でつ
ながり，⾯的に情報を収集する」
この見方では，
センサネットワークの理解が限ら
れたものになってしまう...
センサデバイスの設置密度
センシングの質は，センサデバイスの設置密度に大きく依存
構築コストによってセンサデバイス数が決定
米国の研究プロジェクト
「Smart Dust」
の影響
センサネットワークの新たな定義
センサネットワ
クの新たな定義
センサの数に限らず，その規模に応じて正しくネットワー
クを設計し，実世界から情報を遍く収集する技術
- センサネットワークの最大の利点 -
いままで隠れていて見えなかったものが見えるようになる!!
ままで隠れて て見えなか たものが見えるようになる!!
設置センサデバイスのメンテナンス
センサデバイスはバッテリー駆動のため，電池交換が必要
センサデバイス管理は，現場での保守運用が必要
センサデ
イス管理は，現場での保守運用が必要
ネットワークインフラ
センサデータ収集用のネットワークインフラの整備コスト
サデ タ収集
ネ
ク
整備
無線センサデバイスによる通信の品質保証や電力消費の抑制
ヒューマンプローブの概念
センサデバイスを設置することなく，観測領域を動きまわる
サデ イ を設置する
なく，観測領域を動きまわる
“人”にセンサデバイスを装着することで観測を行う概念
Burke, J., D. Estin, Hansen, M., Parker, A., Ramanathan, N., Reddy, S., Srivastava, M. B. "Participatory
S i “ WSW'06
Sensing.“
S '06 at S
SenSys.
S Boulder:
ld AC
ACM, 2006.
2006
Campbell, A. T., Eisenman, S. B., Lane, N. D., Miluzzo, E., Peterson, R. A. "People-Centric Urban
Sensing." WICON'06: The 2nd Annual International Wireless Internnet Conference. Boston: ACM, 2006.
ヒューマンプローブの利点と⽋点
利点
センサデバイスの設置，メンテナンスが不要
データ収集のためのネットワークインフラが不要
デ
タ収集のためのネットワ クインフラが不要
センサデバイスを持ったユーザ自身のデータも利用可能
欠点
センサデバイスの密度は，センシング領域内の参加者
（分布）に依存
センシング値の精度保障が困難
各参加者が持つセンサデバイスの種類は統 できないため 精度保障不
各参加者が持つセンサデバイスの種類は統一できないため，精度保障不
可
センサデバイスを持った参加者の確保が必要
既存のセンサネットワーク
ヒューマンプローブ
ヒューマンプローブの救世主
ヒューマンプローブの問題
モバイルセンシングによる
パーソナルデータの収集事例
パ ソナルデ タの収集事例
ユーザはセンシングデバイスを持っていなければならない
収集⽬的：
集 的
Smart Phone
Phoneには
には既にたくさんの
既にたくさんのセンサデ
センサデ
バイスが搭載されている
収集データ
ヒューマンプローブの共通インフラとして活躍が期待
特にAndroid端末は扱えるセンサの幅が非常に広い
GPS受信機
温度センサ
電子コンパス
ジャイロセンサ
加速度センサ
照度(輝度)センサ
集音センサ
個々⼈の⾏動予測を⾏うための⾏動履歴を収集
Communication trails
Co
u cat o t a s
In‐coming and Out
In‐
coming and Out‐‐going Calls and going Calls and SMSs
SMSs log and Its diversity
Location trails
Location information from GPS and WiFi and Cell tower Location information from GPS and WiFi
information
i f
i
⾏動履歴収集アプリ : B2B2
After starting up
Menu of the main screen
データ収集フレームワークの概要：
B2B2 Android アプリ
⾃動的な位置情報の収集 (30
(30秒単位
秒単位))
発信・着信時での情報収集
発信 着信時での情報収集
B2B2 クラウド
Go to 4sq setting page
各アプリからの⾏動履歴情報をクライド内のデータベースで
管理
Loc and comm trails
The Internet
B2B2 app
B2B2 cloud server
Readme page
モバイルセンシングの課題
収集データ詳細
userinfo
userid
androidid
macadder
firstname
lastname
email
emailandroid1
emailandroid2
email4sq
twittername
time
sex
job
Loc trails
Comm trails
Social check‐in trails
call_trail
gps_trail
celltower_trail
‐ socialcheckin_trail ‐
userid
androidid
state
number
time
userid
androidid
alt accuracy
speed
bearing
time lng
lat
userid
androidid
time cellid
lac
userid
userid_4sq
firstname
lastname
checkin time
checkin_time
checkin_unixtime
email venuename
lat
lng
catid
catname
parent1
parent2
parent3
venueid
sms_trail
userid
androidid
state
number
time network_trail
userid
androidid
time lng
lat
実験参加ユーザ数:: apx 70 users
実験参加ユーザ数
実験期間:
実験期間:
2011/09/09 – 2011/11/18
(we keep collecting still right now)
⾏動履歴の取得には，継続的な位置情報の取得
⾏動履歴の取得には，
継続的な位置情報の取得
が必須となるため，限られた電源資源を浪費す
が必須となるため 限られた電源資源を浪費す
ることになる．
実験協⼒者によるアンケート結果から
実験協⼒者によるアンケ
実験協⼒者によるアンケート結果から5
ト結果から5時間 – 8
ト結果から5
時間で電池レベルが残り1
時間で電池レベルが残り
1つになることが判明
位置情報は 各位置 意味情報を含まない
位置情報は，各位置の意味情報を含まない
位置情報は，各位置の
意味情報を含まな
既存の位置システムは屋内では機能しない..
既存の位置システムは屋内では機能しない
indoor
Just lat, lng, time
Just
at, g, t e
ソーシャルメデイアを利⽤した
⾏動履歴をセンシング
gg
q
Geo-tagged
Geotweetや
tweetやFoursquare
Foursquareなど位置情
など位置情
報を伴ったソーシャルサービスが急速に発展・
報を伴 たソ シ ルサ ビスが急速に発展
普及している．
特定の意味を持った場所にチェックインという
形である個⼈がそこに存在したことの⾜跡を残
すことができる．
すことができる
ソーシャルチェックインデータの利点
GPSで取得された位置情報より，予め精度の⾼い位置
GPSで取得された位置情報より，
予め精度の⾼い位置
情報がクライド側に登録された場所へのチェックイン
情報
がクライド側に登録された場所へのチェックイン
データの⽅が
デ タの⽅が，⾏動履歴として有効である．
⾏動履歴として有効である
チェックインデータには，その場所のセマンティック
チェックインデータには，その場所の
セマンティック
情報が含まれている．
情報
が含まれている．
ソーシャルチェックインデータ
の収集事例
30 km
ソーシャルチェックインデータは，継続的な
でデータが限
GPSによる位置情報よりも
GPS
による位置情報よりも断⽚的
断⽚的でデータが限
定される．
定される
＜課題＞
断⽚的なデータから如何に有効なデータを引き出
し，⾏動を予測するかが問題
Sample of raw check‐ins data of a single user : 2010‐11‐04 21:42:50
35.661975 139.729899
2010‐11‐05 07:52:32
35.44003284543569 139.65509176254272
2010‐11‐05 08:07:49
35.46591305255379
5
7 49
35
4 59 3 5 55379 139.622004032135
39
4 3 35
2010‐11‐05 08:10:44
35.46411077511426 139.6202740073204
2010‐11‐06 01:08:42
35.44240818472106 139.65046763420105
2010‐11‐06 13:04:43
35.44252618502922 139.6358871459961
2010‐11‐06 14:08:55
35.44568
2010 11 06 14 08 55
35 44568 139.63579
139 63579
2010‐11‐07 18:13:45
35.438409183131306 139.63568329811096
2010‐11‐07 21:40:44
35.43299 139.65719698245104
9
35.660678517911784
35
7 5 79 7 4 139.72909927368164
39 7 9 99 73
4
2010‐11‐08 10:00:29
2010‐11‐08 22:35:33
35.662014 139.730048
2010‐11‐09 09:34:50
35.661516 139.729539
2010‐11‐09 09:53:52
35.660678517911784 139.72909927368164
3
3
2
2
2
収集データ概要
実験において，
約3000
3000ユーザの
ユーザのGeotagged
ザのG
ザの
G
Geotagged
d tweets
約800
800ユーザの
ユーザの Foursquare checkcheck-ins
i T
in
Tokyo,
k
N
New Y
York,
k and
dL
London.
d
収集期間は，約１年半
Foursquare API
今現在 – 2010年７⽉
2010年７⽉
Server
Twitter API
ソーシャルチェックインデータの⽋点
チェックインデータの総数は，2011
チェックインデータの総数は，
年8⽉現在
チェックインデ タの総数は，2011
タの総数は，2011年
で，120000
で，
120000チェックイン
チェックイン
チェックインデータの解析
解析目的 :
チェックインの軌跡は，とても断片的であり，行動にとってノイ
ズとなるデータも含まれている．
ノイズを除去し，断片的なデータから意味のあるものを引き出
ノイズを除去し
断片的なデ タから意味のあるものを引き出
すことを目的にして処理する
チェックインデータの解析
時空間クラスタリング処理
断⽚的なデ タからより意味のあるデ タ集
断⽚的なデータからより意味のあるデータ集
合を⾒つけるためにクラスタリング処理をお
こなった
チェックインデータの解析
Data preprocessing
ほとんどチェックインしないようなユーザの⾏動予測
は到底不可能なので，週に１度はチェックインを⾏
なっているユーザを826
なっているユーザを
826⼈選出した
⼈選出した..
平⽇，週末，祝⽇，祭⽇によって⾏動がことなること
平⽇ 週末 祝⽇ 祭⽇によ て⾏動がことなること
を確認し，データを分割して処理．
チェックインデータの解析
時系列クラスタリング
時系列におけるチェックインの密度によってクラス
タリングを⾏う．
時系列クラスタリングの⼿法としてDBSCANと
時系列クラスタリングの⼿法としてDBSCAN
と
OPTICSを⽤いて⾏った
OPTICS
を⽤いて⾏った..
空間クラスタリング
時系列クラスタリング処理
空間クラスタリング処理
Spatial‐Temporal clustering
時系列クラスタリングを終えた後，各時間クラ
スタに対して空間クラスタリング処理を⾏う..
スタに対して空間クラスタリング処理を⾏う
空間クラスタリングの⼿法として，X
空間クラスタリングの⼿法として，
X-means
meansと
と
DBSCANの２つの⼿法を適応した．
DBSCAN
の２つの⼿法を適応した．
チェックインデータの解析
A sample result of a temporal clustering 20:30_20
:58
19:05_19
:19
15:13_18
:51
11:54_12
:09
21:14_23
:57
チェックインデータの解析
A sample result of a spatial clustering 0:05_0:51
1:10_1:21
12:23_14:53
15:13_18:51
20:30_20:58
21:14_23:57
8:39_9:10
11:54_12:09
19:32_20
:11
12:23_14
:53
8:39_9:
10
19:05_19:19
19:32_20:11
0:05_0:
51
1:10_1:
21
min of a day (0 ‐1440)
チェックインデータの解析
チェックインデータの解析
A result of the simple prediction based one
A result of the simple prediction based one‐‐order M k h i Markov chain Number of temporal clusters
Prediction accuracy of Apx 90% users is around 50% ‐ 55%. Prediction accuracy is still not so good.
According to the number of temporal clusters, the accuracy is going better. 最後に
パーソナルデータを利活⽤することで，まだ
まだモバイルアプリには可能性がある．
まだモバイルアプリには可能性がある
パーソナルデータを利⽤することは，決して
“悪”ではなく
ユーザに新しい体験を提供で
悪 ではなく，ユーザに新しい体験を提供で
きる新しいアプローチである．
＜パーソナルデータ利活⽤に向けた課題＞
＜パ ソナルデ タ利活⽤に向けた課題＞
⼀部の不誠実なアプリの取締．
ユ ザの情報リテラシ 向上
ユーザの情報リテラシー向上．