Learning and Inferring Transportation Routines摘要

此篇論文主軸在於利用GPS的資訊，以非監控的方式，去建構一個關於使用者日常生活的機率的模型。而此篇論文所建置的模型是使用hierarchical Markov model(等級制的馬可夫模型)，此模型透過社會大眾去學習和推測使用者日常的活動。
此篇論文作者使用多層的抽象過程，爲了解決有限制的GPS感測器的量測和高難度的資訊(像是使用者交通的基本模式或是她的目的地)，作者應用Rao-Blackwellised particle filters在有效的推理上，在低等級或是高難度的等級都可以使用，此模型並且以動態的Bayesian網路呈現。有意義的位置就像是目的地或是指定的地區，對於那些地方使用者經常更換他們的交通模式都會經由GPS資訊而紀錄，不需要要求標記在手冊上。在此篇論文中也會秀出如何去偵測不正常的行為(搭錯巴士)，是透過立即的追蹤此使用者的一連串的行為，和先前的模型，研究結果顯示出此作者的模型可以正確地預測使用者的目的地和辨識狀況，當使用者做出ㄧ些不知道的行為時，而階層式的馬可夫模型是由其他人所提出，此篇作者主要的工作和貢獻在於，(一)將階層式的模型和會學習剛好的交通的模型組合在一起，(二)他們可以在使用者選擇模型時就可去偵測一開始發生的原因在推測使用者在例行工作上的錯誤和誤差。
此模型可允許的功能有:

• 推測使用者平常目的地的位置，像是家或是工作地點。
• 推測使用者交通的基本模式，像是走路或是搭乘汽車，或是巴士，並預測在什麼時候或是在哪個位置這位使用者會轉換他的行為模式。
• 預測使用者未來的行動，不論是在比較短的距離(譬如:下個路口會不會左轉)或是長的距離(譬如:會不會去工作地點)
• 推測當使用者沒有依照他日常的例行工作去行動時，表示他有可能已經出錯，譬如:他沒有搭上他平常會搭的那班公車回家。
• 就算是在失去全部的GPS資訊和其他雜訊的干擾，仍可以追蹤和預測。

此篇論文跟其他的研究相比之下，他們可以從使用者移動的GPS資訊(從一個有意義的地點到另一個有意義的地點)中推測你的目的地，此外，粗糙的表現也無法去偵測到使用者潛在的錯誤。在此作者之前的研究中他們使用一個"flat"的模型，這個模型對於有意義的位置沒有任何概念，所以也無法預測高難度的使用者的目的地。所以他們重新去研究，而這個等級式的模型就可以學習更多人類特殊意義的動作，有些還可以偵測到使用者的錯誤。