Prueba

Estimating human trajectories and hotspots through mobile phone data
(http://senseable.mit.edu/papers/pdf/201402-EstimatingTrajectories.pdf)
Abstract
Hoy en día, la gran penetración de telefonía móvil en todo el mundo se está volviendo cada vez más la red de telefonía móvil en una gigantesca plataforma de sensores ubicuos, que permite el análisis y aplicaciones a gran escala. Recientemente,la investigación basada en datos móviles llegó a conclusiones importantes acerca de diversos aspectos de los patrones de movilidad humana. Pero, ¿cómo exactamente qué estas conclusiones reflejan la realidad? Para evaluar la diferencia entre los métodos de la realidad y de aproximación, se estudia en este trabajo el error entre la trayectoria humana real y la que se obtiene a través de datos delteléfono móvil utilizando diferentes métodos de interpolación (lineal, cúbicos, interpolaciones más cercanas), debiendo tenerse en cuenta la movilidad. Por otra parte, se evalúa el error entre la carga real y estimado utilizando los métodos de interpolación propuestas. Desde extensas evaluaciones sobre la base de los datos de actividad de red celulares reales del estado de Massachusetts, que muestranque, con respecto a las trayectorias humanas, la interpolación lineal ofrece la mejor estimación para las personas sedentarias, mientras que la cúbico uno para los viajeros. Otro hallazgo experimental importante es que los métodos de estimación de trayectoria muestran diferentes regímenes de error si se utiliza dentro o fuera de la '' territorio '' del usuario definido por el radio de giro. Encuanto al error de estimación de carga, se muestra que mediante el uso de métodos de interpolación lineal y cúbica, podemos encontrar las posiciones de las regiones más pobladas ('' hotspots '') con una mediana de error inferior al 7%.

Introduction
La movilidad humana y el análisis de patrón de comportamiento ha sido durante mucho tiempo un tema de investigación importante para los científicossociales, urbanistas, geógrafos, transporte y telecomunicaciones investigadores, pero la pertinencia de los resultados hasta el momento se ha limitado por la disponibilidad de datos de calidad y técnicas de minería de datos adecuados. Hoy en día, la gran penetración de telefonía móvil en todo el mundo se está volviendo cada vez más la red de telefonía móvil en una gigantesca plataforma de sensoresubicuos, que permite el análisis y aplicaciones a gran escala.
En los últimos años, la investigación basada en datos móviles llega a conclusiones importantes sobre diversos aspectos de las características humanas, como la movilidad humana y los patrones de llamadas [1-3], virus propagación [4,5], las redes sociales [6-8], el consumo de contenidos cartografía [9], la planificación urbana y deltransporte [10,11], diseño de la red [12]. Sin embargo, en tales datos de muestreo de desplazamiento usuario, un alto grado de incertidumbre está relacionada con los movimientos de los usuarios, ya que las muestras disponibles dependen fuertemente de la frecuencia de la interacción del usuario-red. Por ejemplo, los registros de llamadas de datos por sí solos no proporcionan una suficientegranularidad fina y precisión, mostrando una gran incertidumbre sobre los períodos en los que el usuario no está activo, es decir, no se comunica. Esto representa un problema para las aplicaciones o análisis asumiendo la capacidad del usuario de seguimiento ubicua y continua.
Se han propuesto algunas técnicas de modelado en la literatura para predecir el movimiento del usuario entre dos lugares. Autores en[13,14] inferir las rutas top-k atraviesan una secuencia lugar determinado dentro de un tiempo de viaje especificada de trayectorias inciertas; que utilizan conjuntos de datos de salida desde applications.1 social móvil Sus métodos propuestos permiten identificar las rutas de viaje más populares en una ciudad, pero ellos no permiten la construcción de rutas sensibles al tiempo. Autores en [15]...