A Unified Graph-Based framework for Mobility Prediction and Recommendation

Abstract

In ad hoc vehicle networks (VANETs), predicting human mobility is very important for a wide range of location-based applications. Vehicle nodes constantly move and exchange data that contains movement context such as vehicle location, speed, etc. The amount of available data is directly proportional to the accuracy of predicting future behaviour of mobile nodes and their movements. In literature, machine learning (ML) based prediction models such as Markov-based and data mining based models have been leveraged and have proven their efficiency through intelligent and adaptive data-driven methods to boost the prediction accuracy. Many of the existing models are Markov-based or data mining based prediction models. These models perform short-term forecasting to predict the next few potential locations that the user would visit (i.e. location prediction) or may be interested in visiting in the near future (location recommendation). Yet, most of the existing models often investigated location prediction and location recommendation in an isolated manner. Therefore, we have designed a unified framework, called MyLoc, for route in VANET and location recommendation for Location-Based Social Networks (LBSN). Our proposed framework adopts a graph-based probabilistic representation to predict mobility in both prediction ranges (short and long term). MyLoc exploits vehicle communications to collect mobility data and considers the sequential recommendation influence factor. In our work, two experiments conducted to compare our model with the well-known pre-Markov model have shown the superiority of our proposal in terms of prediction accuracy and coverage.

عد التنبؤ بالتنقل البشري أمرًا مهمًا للغاية لمجموعة واسعة من التطبيقات القائمة ، (VANETs) في شبكات المركبات المخصصة على الموقع. تتحرك عُقد السيارة باستمرار وتتبادل البيانات التي تحتوي على سياق الحركة مثل موقع السيارة والسرعة وما إلى ذلك. يتناسب مقدار البيانات المتاحة بشكل مباشر مع دقة التنبؤ بالسلوك المستقبلي للعقد المتنقلة وتحركاتها. في الأدبيات ، تم تعزيز والنماذج القائمة على التنقيب في البيانات حيث Markov مثل النماذج المستندة إلى (ML) نماذج التنبؤ القائمة على التعلم الآلي أثبتت كفاءتها من خلال طرق ذكية وقائمة على البيانات للتكيف وتعزيز دقة التنبؤ. العديد من النماذج الحالية هي نماذج تنبؤ قائمة على أساس ماركوف أو تنقيب في البيانات. تؤدي هذه النماذج تنبؤًا قصير المدى للتنبؤ بالمواقع القليلة المحتملة التالية التي سيزورها المستخدم (أي توقع الموقع) أو قد يكون مهتمًا بزيارتها في المستقبل القريب (توصية الموقع). ومع ذلك ، فإن معظم النماذج الحالية للتوجيه ، MyLoc غالبًا ما تحقق في التنبؤ بالموقع وتوصية الموقع بطريقة منعزلة. لذلك ، قمنا بتصميم إطار عمل موحد يسمى يتبنى إطار العمل المقترح تمثيلًا احتماليًا قائمًا (LBSN). وتوصية الموقع للشبكات الاجتماعية القائمة على الموقع VANET في اتصالات السيارة لجمع بيانات MyLoc على الرسم البياني للتنبؤ بالتنقل في كلا نطاقي التنبؤ (على المد ى القصير والطويل). يستغل التنقل ويأخذ في الاعتبار عامل تأثير التوصية المتسلسل. في عملنا ، أظهرت تجربتان أجريتا لمقارنة نموذجنا مع نموذج ماركوف المعروف تفوق اقتراحنا من حيث دقة التنبؤ والتغطية.