MÉTODO PARA LA DETECCIÓN Y ETIQUETADO AUTOMÁTICO DE PUNTOS DE INTERÉS DE USUARIO.

Método para la detección y etiquetado automático de puntos de interés de usuario.

El método comprende adquirir información de señales intercambiadas entre dispositivos móviles de un usuario y una pluralidad de estaciones de transceptor base, o BTS, analizar dicha información adquirida para determinar, durante un periodo de tiempo, las ubicaciones de dicho dispositivo móvil del usuario y deducir a través de un modelo estadístico los puntos de interés, identificando y etiquetando al menos parte de dichas ubicaciones determinadas por dicho dispositivo móvil del usuario como puntos de interés.

MÉTODO PARA LA DETECCIÓN Y ETIQUETADO AUTOMÁTICO DE PUNTOS DE

Campo de la técnica La presente invención se refiere, en general, a un método para detectar y etiquetar automáticamente uno o más puntos de interés (PoI) de un usuario de servicios telefónicos móviles, basándose dicho método exclusivamente en información de uso telefónico geolocalizada y sin interacción del cliente. Basándose en los eventos de uso geolocalizados generados en la red de operador de telecomunicaciones y usando métodos estadísticos, la invención permite la identificación, a partir de todas las ubicaciones visitadas por el usuario, de las ubicaciones más relevantes para él: sus PoI. Además, la invención asigna automáticamente etiquetas a los PoI detectados, aportando así un significado a tales ubicaciones.

Antecedentes de la invención El estudio de patrones de movilidad humana ha recibido una atención creciente en los últimos años, especialmente debido al aumento en la disponibilidad de datos de ubicación procedentes tanto de sistemas de posicionamiento global (GPS) como del uso del teléfono móvil, que deja registros geolocalizados en las redes del operador.

Entender cómo y cuando tienen lugar movimientos humanos por poblaciones, ciudades o países es de interés en muchas áreas, tales como gestión de tráfico, diseño de redes de transporte o control de propagación de enfermedades. Sin embargo, no sólo es de interés una vista global de flujos de población, sino también los patrones de movilidad individual de un usuario, en varios campos. El conocimiento de qué ubicaciones visita un usuario periódicamente, durante qué periodo, con qué frecuencia, qué días de la semana y en qué momentos del día, etc. pueden aprovecharse para proporcionar servicios contextuales, publicidad relevante, ofertas controladas para afrontar las necesidades de movilidad particulares del usuario, planificación de itinerariosº En general, conocer las ubicaciones relevantes para un usuario puede permitir la personalización de interacciones de servicios y comunicaciones comerciales y mejorar su relevancia.

Con el fin de estimar PoI es necesario suponer que los movimientos humanos siguen algún patrón y, por tanto, la ubicación de un usuario es en cierta medida previsible. En este sentido, varios autores han trabajado recientemente en la previsibilidad de patrones de movilidad humana intentando hallar los límites de tal previsibilidad. Basándose en el estudio de la trayectoria de 100.000 usuarios de teléfono móvil anónimos cuya posición fue objeto de seguimiento durante un periodo de seis meses, se halló en [1] que las trayectorias humanas muestran un alto grado de regularidad espacial y temporal, estando cada individuo caracterizado por una distancia de desplazamiento característica independiente del tiempo y una probabilidad significativa de volver a algunas pocas ubicaciones altamente frecuentadas.

La referencia [2] intenta contestar a la pregunta de “Hasta qué punto es previsible el comportamiento humano?” estudiando los patrones de movilidad de usuarios de teléfono móvil anónimos. Los autores midieron la entropía de la trayectoria de cada individuo, y hallaron un 93% de previsibilidad potencial en la movilidad de usuario por toda la base de usuario. También hallaron una falta considerable de variabilidad en la previsibilidad, en gran parte independiente de la distancia que los usuarios cubren de manera regular.

Los modelos de predicción de ubicación desarrollados en los últimos años tienen en cuenta comportamientos individuales y colectivos. Como por ejemplo en [3] , en el que un modelo se basa en la trayectoria pasada de la persona y las características geográficas de la zona en la que se mueve la colectividad, tanto en términos de ocupación del suelo, puntos de interés y distancia de los viajes.

El método de predicción puede afrontarse de diferentes formas, [4] por ejemplo, presenta una predicción de ubicación y permanencia usando estimación de densidad de núcleo (KDE, Kernel Density Estimation) basándose en información de comunicación, proximidad, ubicación y actividad de los sujetos.

El comportamiento de comunicación colectivo también se ha usado para detectar la aparición de eventos anómalos como en [5] donde se estudia cómo pueden describirse anomalías espaciotemporales usando herramientas de la teoría de percolación convencional.

Los patrones de movilidad humana también se han deducido a partir de registros de GPS [6] donde se propone un método de agrupamiento para extraer los principales puntos de interés, denominados geolocalizaciones, a partir de datos de GPS. Partiendo de geolocalizaciones proponen una definición de comunidad, la geocomunidad, que capta la relación entre una descripción espacial de movimientos humanos y el contexto social en el que viven los usuarios. Un análisis estadístico de las principales características de los trayectos humanos proporciona las distribuciones adecuadas de las distancias cubiertas por personas dentro de una geolocalización y entre geolocalizaciones y tiempo de descanso. También analizan factores que influyen en las personas cuando eligen ubicaciones sucesivas en su movimiento.

La referencia [7] da a conocer un estudio de la movilidad en un mapa de consciencia de actividad que describe la actividad más probable asociada con una zona de espacio específica. Esto les permite captar el patrón de actividad diaria individual y analizar las correlaciones entre el perfil de la zona de trabajo de diferentes personas. Para este fin entienden la ubicación de trabajo de cada usuario como la parada más frecuente durante las horas del día. Basándose en un gran volumen de datos de teléfono móvil de casi un millón de registros de los usuarios en la zona metropolitana central de Boston, hallaron una fuerte correlación en los patrones de actividad diaria dentro del grupo de personas que comparten un perfil de zona de trabajo común. Además, dentro del propio grupo, la similitud en los patrones de actividad disminuye a medida que sus lugares de trabajo se separan.

Algunos autores [8] se centran en modelos de movilidad centrada humana, es decir, cómo las redes sociales y los patrones de movilidad coinciden entre sí, intentando extender la movilidad de la red social a los movimientos geográficos, que denominan “redes oportunistas”.

Así, la comunidad científica está trabajando e investigando sobre la movilidad humana como tema, y varios enfoques proporcionan un mejor conocimiento de diferentes aspectos de la movilidad humana, pero desde la perspectiva de su aprovechamiento para la personalización, y lo que más nos importa es conocer cuándo y con qué fin los usuarios visitan frecuentemente determinadas ubicaciones, es decir, cuáles son los puntos de interés de los usuarios.

Diferentes invenciones se basan en el tema de los PoI para diferentes fines:

El documento US2010121803 “Predictive ephemeral Points of Interest”, a los usuarios de una aplicación inalámbrica se les proporciona la capacidad de registrar ubicaciones y recuperar mapas de ubicaciones pasadas y predecir ubicaciones futuras de interés específico. Dentro de esta invención, para predecir una ubicación, se recopilan datos acerca de ubicaciones notificadas previas, y se usa un análisis estadístico para presentar una guía visual que halle los PoI en un momento particular en el futuro.

El documento WO2011076988 “Methods and apparatus for grouping points of interest according to area names”, se proporciona un enfoque para la búsqueda y el agrupamiento en masa de puntos de interés basándose en información de mensajes de difusión de célula. Se produce, al menos en parte, la recepción de un mensaje desde un terminal móvil. El mensaje especifica información de punto de interés y un nombre de zona asociado correspondiente a una de una pluralidad de células de una red de comunicación. El mensaje se analiza sintácticamente para determinar la información de punto de interés y el nombre de zona asociado.

El documento WO2011072882, un método para evaluar un atributo de un punto de interés comprende asociar una región con el punto de interés y evaluar el atributo según una comparación de los datos de posición de una pluralidad de usuarios con datos de posición que definen la región asociada.

El documento US2011166957 “Biasing of search result clustering to ensure more effective point of interest targeting”: pueden proporcionarse resultados de servicio de directorio en respuesta a una petición de un producto o proveedor de servicios deseado basándose en una o más ubicaciones seleccionadas por el usuario....

1. Método para la detección y etiquetado automático de puntos de interés de usuario, que comprende: a) adquirir información de señales intercambiadas entre dispositivos informáticos móviles de usuario y una pluralidad de estaciones de transceptor base, o BTS; b) analizar dicha información adquirida para determinar, durante un periodo de tiempo, las ubicaciones de dicho dispositivo móvil del usuario basándose en las ubicaciones de las BTS con las que se ha producido el intercambio de dichas señales; e c) detectar y etiquetar al menos parte de las ubicaciones determinadas por dicho dispositivo móvil del usuario como puntos de interés al menos basándose en el número de veces que dicho dispositivo móvil del usuario haya estado en dichas ubicaciones determinadas durante dicho periodo de tiempo,

en el que dichas etapas b) y c) comprenden aplicar dicho análisis e identificación a través de un modelo estadístico.

2. Método según la reivindicación 1, que comprende además limitar dicha adquisición de información desde el dispositivo móvil del usuario por un umbral superior y uno inferior.

3. Método según la reivindicación 1, que comprende además filtrar cada una de dichas BTS para cada uno de dicho dispositivo móvil del usuario cuando la comunicación entre los mismos es inferior a un umbral.

4. Método según la reivindicación 1 a 3, en el que dicha adquisición de información de la etapa a) comprende además para cada par usuarioBTS relevante, un vector que contiene dichas ubicaciones para cada hora de los días de la semana.

5. Método según la reivindicación 1, en el que dicho modelo estadístico comprende además un algoritmo de agrupamiento por partición alrededor de medoides, o PAM, basándose en una distancia de Pearson.

6. Método según la reivindicación 5, en el que dicho algoritmo de agrupamiento devuelve veinte representaciones diferentes de agrupamientos.

7. Método según la reivindicación 6, en el que dichas representaciones de agrupamientos se representan mediante su curva centroide y se etiquetan

considerando hábitos sociales y características culturales de la región en estudio.

8. Método según la reivindicación 7, en el que se usa un primer conjunto de 20

etiquetas para identificar puntos de interés teniendo en cuenta dichos hábitos y 5 dichas características culturales de la región.

9. Método según la reivindicación 8, en el que a partir de dicho primer conjunto de 20 etiquetas se usa un segundo conjunto de 5 etiquetas para identificar dichos puntos de interés basándose en aplicaciones prácticas.

10. Método según la reivindicación 1, en el que dicha adquisición de información de

10  dicha etapa a) incluye el número de dicho dispositivo móvil del usuario, la fecha y hora, y la BTS asociada a dichas señales intercambiadas.

Clientes

Puntos de interés de los clientes

Figura 1

14 Puntos de interés

Figura 3

Figura 4

Figura 5