스마트폰은 위치, 가속도, 소리를 측정할 수 있는 센서들을 탑재하고 있으며, 사용자가 늘 휴대하려는 기기라는 특성을 지닌다. 이러한 센서 정보들을 기록하여 만든 데이터 집합은 스마트폰 사용자의 일상적인 행동패턴을 포함하게 되며, 개인화된 모델링에 적용할 수 있다. 이에, 본 고에서는 동적 베이지안망(dynamic Bayesian network)과 Rao-Blackwellized particle filtering(RBPF)를 이용하여 관측된 센서값을 기준으로 현재 사용자가 방문하려는 장소 및 이용할 경로를 실시간으로 예측하는 방법과 모델 학습 방법을 제시하고자 한다. 이를 위하여 64일 동안 GPS, 가속도 센서, 행동 인지기 데이터를 1초 간격으로 수집하여, 주요 방문장소 및 경로를 추출하고, 예측을 시도하였다. 이로부터, 제시한 모델이 사용자의 의도를 나타내고 있음을 확인하였다.
Smartphones are equipped with a rich set of embedded sensors such as accelerometer, GPS, digital compass, microphone and camera. And most smartphone users are carrying them outdoor at all times. Sensor-logged datasets contain user-specific activity patterns, which enable modeling personalized usual lives. Here, we propose a real-time route inference and learning method using dynamic Bayesian networks(DBNs) and Rao-Blackwellized particle filtering (RBPF) given sequential observed values. For experimental verification, we gathered personal sensor data of GPS, accelerometer and action recognizer for 64 days and extracted significant places and routes from them. And we predicted traveling destinations and routes probabilistically. The experimental results showed that the proposed model represents the intention of our subject properly.
