کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4957364 1445076 2017 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Data analysis and call prediction on dyadic data from an understudied population
ترجمه فارسی عنوان
تجزیه و تحلیل داده ها و پیش بینی تماس بر روی داده های دیودیک از جمعیت مورد مطالعه
کلمات کلیدی
ترجمه چکیده
در این مقاله، ما با استفاده از روش های یادگیری ماشین و مکان های مبتنی بر خوشه های تلفن همراه، تلفن های همراه خروجی پیش بینی می کنیم. ما تا اندازه ای تحلیل فعالیت های تماس تلفن همراه را پیش بینی می کنیم. فرضیه این است که کاربران تلفن همراه در ارتباطات خود با اکثریت مخاطبین خود، منظم زمانی را نمایش می دهند. در بستر جامعه شناختی، اغلب تعاملات اجتماعی منظم بودن منظر زمانی را دارند. اگر ما گسترش این رفتار را به تعاملات در گوشی های تلفن همراه تقلیل دهیم، انتظار داریم که تعاملات زوج نه تنها نتیجه تصادفی باشد بلکه یک الگوی زمانی است. برای این منظور، ما نه تنها رویکرد ما را بر روی یک مجموعه داده اصلی استفاده از تلفن همراه از یک کشور در حال توسعه پاکستان تست کردیم، بلکه ما همچنین از مجموعه داده معروف واقعیت معدن و مجموعه داده نوکیا (از یک کشور اروپایی) برای مقایسه با داده های ما. اطلاعات اصلی ما شامل 783 کاربر و بیش از 12000 دیودهای فعال است. نتایج ما نشان می دهد که اطلاعات موقتی در مورد تعاملات متقاطع کاربر می توانند تماس های آینده را با دقت قابل قبول پیش بینی کنند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
پیش نمایش مقاله
تجزیه و تحلیل داده ها و پیش بینی تماس بر روی داده های دیودیک از جمعیت مورد مطالعه
چکیده انگلیسی
In this paper we predict outgoing mobile phone calls using machine learning and time clusters based approaches. We analyze to which extent the calling activity of mobile phone users is predictable. The premise is that mobile phone users exhibit temporal regularity in their interactions with majority of their contacts. In the sociological context, most social interactions have fairly reliable temporal regularity. If we quantify the extension of this behavior to interactions on mobile phones we expect that pairwise interaction is not merely a result of randomness, rather it exhibits a temporal pattern. To this end, we not only tested our approach on an original mobile phone usage dataset from a developing country, Pakistan, but we also analyzed the famous Reality Mining Dataset and the Nokia Dataset (from a European country), where we found an equitable basis for comparison with our data. Our original data consists of 783 users and more than 12,000 active dyads. Our results show that temporal information about pairwise user interactions can predict future calls with reasonable accuracy.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pervasive and Mobile Computing - Volume 41, October 2017, Pages 166-178
نویسندگان
, , , , ,