Automated discovery of mobile users locations with improved K-means clustering
PBN-AR
Instytucja
Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej (Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie)
Książka
Tytuł książki
Artificial Intelligence and Soft Computing. 14th International Conference, ICAISC 2015 : Zakopane, Poland, June 14–18, 2015 : proceedings
Data publikacji
2015
ISBN
978-3-319-19368-7
Wydawca
Springer
Publikacja
Główny język publikacji
EN
Tytuł rozdziału
Automated discovery of mobile users locations with improved K-means clustering
Rok publikacji
2015
Strony (od-do)
565--577
Numer rozdziału
Link do pełnego tekstu
Identyfikator DOI
Liczba arkuszy
0.85
Hasło encyklopedyczne
Autorzy
(liczba autorów: 3)
Pozostali autorzy
+ 1
Słowa kluczowe
EN
mobile devices
clustering
context-awareness
localisation
Konferencja
Indeksowana w Scopus
tak
Indeksowana w Web of Science Core Collection
tak
Liczba cytowań z Web of Science Core Collection
Nazwa konferencji (skrócona)
ICAISC 2015
Nazwa konferencji
14th International Conference on Artificial Intelligence and Soft Computing
Początek konferencji
2015-06-14
Koniec konferencji
2015-06-18
Lokalizacja konferencji
Zakopane
Kraj konferencji
PL
Lista innych baz czasopism i abstraktów w których była indeksowana
INSPEC
Streszczenia
Język
EN
Treść
Location is one of the most commonly used contextual information in mobile context-aware systems. It can be considered on many different levels of granularity, varying from geolocation that is based on GPS systems, up to microlocation that uses Bluetooth Low Energy devices and WiFi access points for locating users inside buildings. Most common use of location is navigation, however recently it is more often considered also as an important component of the user profile. One of the biggest challenges in location-based context-aware systems is the discovery of patterns in user transportation traces and extraction of the most often visited places. In this paper we presented and evaluated a method that allows for automatic extraction of clusters from user location traces. These clusters represents user points of interest like home, work, favourite restaurants, but also transportation routines. The original contribution of this work is a proposal of an approach based on the K-means clustering algorithm equipped with a module for automatic discovery of number of clusters and density-based cluster merging. This method allows for online, adaptable discovery of user points of interests, and transportation routines in mobile systems.
Cechy publikacji
chapter-in-a-book
peer-reviewed
Inne
System-identifier
idp:090230
CrossrefMetadata from Crossref logo
Cytowania
Liczba prac cytujących tę pracę
Brak danych
Referencje
Liczba prac cytowanych przez tę pracę
Brak danych