文献阅读12

Mobile Social Data Learning for User-Centric Location Prediction with Application in Mobile Edge Service Migration（用于以用户为中心的位置预测的移动社交数据学习及其在移动边缘服务迁移中的应用）

摘要
最近，由于基于位置的服务（例如移动广告和推荐）的普及，位置预测吸引了可观的研究工作。随着微信和Twitter等移动社交网络的空前普及，我们能够使用位置服务来桥接在线和离线世界，这对于许多智能城市应用而言都具有重要意义。与现有研究不同，本文通过利用用户的本地移动社交信息而不涉及其他用户的位置隐私，提出了一种以用户为中心的位置预测方法。我们提出了一种因子图学习模型，该模型不仅可以将用户的社交和网络信息，而且可以将用户位置之间的相关性集成到一个统一的框架中。此外，我们使用ReliefF算法选择特定于用户的重要特征进行位置预测，并定义位置熵的度量，以研究位置，网络状态和社交行为之间的相似性。为了展示精确位置预测的优势，我们将其进一步应用于移动边缘计算（MEC）中的个性化服务迁移，并相应地提出了基于预测的摊销算法和惰性迁移算法，可以很好地平衡迁移成本与非迁移之间的权衡延迟以经济高效的方式。我们使用实际数据轨迹进行了广泛的实验，这表明与几种经典方法相比，我们的模型在位置预测中的性能要好得多，并且通过利用位置预测可以显着提高MEC服务质量。
索引词：位置预测，服务迁移，智慧城市，社交网络。
一、引言
SMART城市受到传感器（RFID，GPS）和移动电话等各种各样的物联网（IoT）设备的支持，有望提高现有服务的效率，并以较低的延迟和更高的质量为市民提供创新的服务。服务（QoS）。但是，随着用户不时移动，了解用户的移动性并预测用户的即将到来的位置以提供更好的服务QoS至关重要。例如，网络运营商可以改善设计，资源规划更好地了解用户的位置模式，然后开发更有效的通信协议。对于移动电话用户，如果应用程序配备了位置预测功能，则它可能能够提供精确的地理位置定位广告和其他基于位置的服务（LBS）。
现有的许多研究都集中在无线局域网（WLAN），呼叫详细记录（CDR）数据和移动流量数据中的位置预测上，并提出了几种位置预测方法，例如马尔可夫模型，基于LZ的模型和贝叶斯方法，其重点是利用时空因素。然而，还有许多其他因素影响着人类的流动方式，但仍未得到充分研究。例如，用户在线基于位置的移动社交网络的日志包含有关新维度的丰富信息，例如用户的社交行为。由于位置的维度是连接用户的在线社交世界和离线物理世界的中间连接，因此基于用户的社交行为的位置预测最近引起了极大的研究关注。许多研究认为，用户位置会受到社交相关性的影响，社交相关性是不同用户之间的一种链接，该链接通过历史社交互动信息的统计结果进行加权。但是，在实践中，通常很难甚至不可能完全量化不同用户之间的社交联系强度。而且，这种方法会涉及其他用户的位置隐私，因此对于实际部署而言是不切实际的。由于这些事实，我们采取了以用户为中心的位置预测的新方向，该预测仅涉及移动社交网络中用户的本地信息。
具体而言，通过现实的移动社交数据分析，在本文中，我们探索了用户在相邻时间段中的位置之间的相关性，以及其社交行为（例如，tweet点击频率）和网络状态（例如，WiFi或蜂窝网络使用情况）的影响）上的用户位置。为了实现准确的以用户为中心的位置预测，我们面临两个关键挑战。一种是设计一种有效的学习模型，该模型可以很好地实现各种功能（包括用户的位置，社交行为和网络状态）之间的内部关联。另一个是针对不同个人用户量身定制的相关功能。我们可以提取很多功能，但只希望选择一些对大大改善用户的位置预测性能贡献最大的重要功能。为了解决这些挑战，我们将ReliefF算法应用于特定于用户的特征选择，并设计了一个因子图学习模型来捕获特征相关性，以进行准确的特定于用户的位置预测。
我们进一步演示了如何将建议的以用户为中心的位置预测应用于移动边缘计算（MEC），研究智能城市中位置预测对提高服务质量的好处，它是许多智能城市计算密集型智能服务的关键推动力。 MEC通过将云服务迁移到网络边缘，从而提高了低延迟和平滑的用户体验，因此对于延迟敏感的应用程序（实时监控，交互等）更接近IoT设备和移动用户。具体来说，我们考虑一种个性化的边缘服务迁移方案，在这种情况下，用户的边缘虚拟机可以在跨无线无线基站的基础上动态迁移，以适应用户的位置变化，从而交付实时MEC服务。通过利用位置预测的优势，我们设计了有效的预测边缘服务迁移算法，以提高服务质量。
我们从以下几个方面总结了本文的主要贡献：
•我们定义位置熵的量度，以研究用户位置，网络状态和社交行为之间的相似性。我们进一步提出了一种因子图学习模型，该模型以整体方式整合了相邻时间片的位置之间的相关性以及位置，社会行为和网络状态之间的相关性。
•我们利用ReliefF算法来选择用户的重要特征，这些特征对位置预测很有帮助，而不是使用所有提取的特征。通过集成ReliefF算法和因子图模型，我们可以获得更好的位置预测性能，并且还揭示了这些重要功能是特定于用户的。
•作为一个应用案例，我们考虑了长期个性化边缘服务迁移问题，并基于设计预测的摊销算法和惰性迁移算法。两种算法都利用位置预测的优势，以经济高效的方式很好地平衡了迁移成本和非迁移延迟之间的权衡。
•使用真实的数据集进行了广泛的实验，这表明我们的因子图学习模型远远优于其他方法，例如，与经典SVM算法相比，预测精度提高了7％以上。有了预测的下一个位置，摊销算法和惰性迁移算法都可以显着减少总边缘服务等待时间。例如，与没有位置预测的情况相比，预测性的惰性迁移可以获得的延迟减少了13％以上。
二、相关工作

三、移动社交数据分析

四、位置预测的要素图学习

五、移动边缘服务迁移应用
为了展示用户特定位置预测的优势，我们现在考虑将其应用于移动边缘计算（MEC），它是智能城市中许多计算密集型智能服务的关键推动力。具体来说，我们考虑一种个性化的边缘服务迁移方案，其中，用户的边缘虚拟机在为用户的位置更改量身定制的不同无线基站之间动态迁移，以便交付实时MEC服务。
六、实验
在本节中，我们演示了我们提出的模型对移动用户位置预测的有效性。使用的数据集在第III-A节中进行了描述。对于每个Twidere用户，我们将前20天用作训练数据集，并将后10天用作测试数据集。
七、总结
在本文中，我们研究了以用户为中心的位置预测，这可能有助于智慧城市应用中的各种基于位置的服务。我们提出了一个因子图模型来表征网络和社交功能对位置的影响以及相邻时间片上位置之间的依赖性。而且，我们采用ReliefF算法来选择用户特定的重要功能，以提高预测性能。我们使用真实的数据集进行实验，大量的实验表明我们的模型可以实现出色的位置预测性能。此外，我们设计了两种服务迁移算法：预测性摊销算法和预测性惰性迁移算法。两者都表明，当涉及位置预测信息时，可以显着减少MEC服务等待时间。