survey paper

論文名稱:
Extracting Places and Activities from GPS Traces Using Hierarchical Conditional Random Fields
此篇作者是Lin Liao, Dieter Fox, Henry Kautz
發表處:The International Journal of Robotics Research, Vol. 26, No. 1, 119-134 (2007)
論文中主要是利用GPS資料來作為分析和探討人的行為和此使用者所去的地方的關連，譬如去餐廳可能的行為就是用餐，或者是買飲料，等，本篇論文以階層式的行為架構為基礎，以隱藏式的馬可夫模型為方法去實行這個研究，他們的研究成果可以透過收集其他人的行為資料來預測某位使用者的下個動作和想去的地方。
此篇文章所使用的方法:ourapproach uses one consistent framework for both low-levelinference and the extraction of a person’s significant places.This is done by iteratively constructing a hierarchical conditionalrandom field, where the upper level is generated basedon MAP inference on the lower level. Once a complete modelis constructed, we perform joint inference in the completeCRF. Discriminative learning using pseudo-likelihood and inferenceusing loopy belief propagation can be performed extremelyefficiently in our model: The analysis of a GPS tracecollected over a week takes approximately one minute on astandard desktop PC.

研究的目的:Our experiments based on traces of GPS data showthat oursystem significantly outperforms existing approaches. In additionto being able to learn a person’s significant locations, it can infer low-level activities such as walking, working, or gettinginto a bus.We demonstrate that the model can be trained from a group of persons and then applied successfully to a different person, achieving more than 85% accuracy in determininglow-level activities and above 90% accuracy in detectingand labeling significant places. Our model achievesvirtually identical accuracy both with and without a streetmap. The output of our system can also be used to generatetextual summaries of a person’s daily activities.
我覺得這篇研究貢獻最大的地方就是可以透過學習一開始的使用者的模式，來提供接下來的使用者使用。

論文名稱Building Personal Maps from GPS Data
作者:Lin Liao, Donald J. Patterson, Dieter Fox, Henry Kautz
發表處:Volume 1093 Progress in Convergence: Technologies for Human Wellbeing Page 249-265, December 2006
此篇論文主要在利用GPS原始的資料，系統將這些收集來的資料學習起來之後，根據這些統計好的資料繪製成一個地圖，並訂做給每一個使用者，以提供他每天該做的事和行為，在這個任務中這個系統使用的模型有辨別能力的和有生產力。此研究利用馬可夫網路可辨別關係的能力來將收集到的地點資訊，辨別出哪些位置對此位使用者來說是有意義的地點，且將這些地點標記下來。一個有生產力的辨識網路被用作學習日常交通的習慣,，並提供目的地和使用者在第一時間可能會發生的淺在的錯誤。在這篇論文中，我們著重在模型的基礎的架構和清楚的討論影響和學習技巧。實驗結果呈現我們的系統可以正確的得到和標記地點，預測使用者的目標,，並辨別使用者在什麼情況發生錯誤。(e.g., taking a wrong bus)

論文名稱:Bayesian models of human action understanding
作者:Chris L. Baker, Joshua B. Tenenbaum & Rebecca R. Saxe
發表處:Advances in Neural Information Processing Systems, 2006
此篇論文內容是使用貝氏定理來理解人的行為，並預測使用者的動作的目的的原因，根據可觀測到的行為。 理解行為是一種問題在在轉化的機率有生產力的模型，這個假設趨向於行動合理爲了達到目標在他們的環境中給約束。在這個詭異的空間，我們呈現此模型如何根據原因提供目標並預測這個動機會如何行動在新奇的情況或是當環境強制改變。這個模型提供一個質的利益在很多推理的方式在動前兒童(嬰兒) 表現出來的行為上, 並且實驗關於成人突然昏厥的量化預測，在一個新的實驗中可獲得的.

(4)論文名稱:Hierarchical conditional random fields for GPS-based activity recognition (2007)
作者:Lin Liao, Dieter Fox, and Henry KautzUniversity of Washington, Department of Computer Science & Engineering, Seattle, WA
發表處:The International Journal of Robotics Research, Vol. 26, No. 1, 119-134 (2007)
此篇論文內容同第一篇，差別在於內容的增刪，第一篇論文20頁，此篇論文長度十七頁

(5)論文名稱:Predestination: Inferring Destinations from Partial Trajectories
作者:John Krumm and Eric Horvitz
出處:UbiComp 2006: The Eighth International Conference on Ubiquitous Computing,
September 17-21, Orange County, CA, USA September 17-21, Orange County, CA, USA
我們描述一個方法稱作"Predestination"(事先預測終點) 是使用駕駛人的終點的歷史，隨著的是駕駛習慣的資料，去預測哪裡有一個駕駛人會當作一個旅程而前往。駕駛的習慣包含終點的形式，駕駛的效率，旅程的時間。根據考慮之前參觀過的終點，Predestination 手段變成熟在一個打開世界的模擬方法，考慮使用者之前參觀的位置資訊無法取得的可能性 還要考慮地點背景的特性。這允許我們的演算法可流暢的運作在“out of the box”之間在沒有測試資料或是在沒有增加獲得更完整的資料數時。在分析上多樣的組成的成分利用貝氏定理來推斷並產生一個關於終點機率的地圖。我們的演算法被測試和試驗在給予的資料上 是根據資料庫中在駕駛時所獲取的GPS的資料來畫出的，這些資料是收集169個不同的人，他們有超過7,335不同的旅程。