ВСТРАИВАНИЕ МОБИЛЬНОСТИ ИЗ ЗАПИСИ ДАННЫХ О ВЫЗОВАХ С ИСПОЛЬЗОВАНИЕМ WORD2VEC ДЛЯ ПОДДЕРЖКИ СЕТИ С БЕСПИЛОТНЫМ ЛЕТАТЕЛЬНЫМ АППАРАТОМ

Записи сведений о вызовах (CDR) – это записи, содержащие информацию о телефонных разговорах и текстовых сообщениях. Некоторые исследования доказали, что данные CDR дают полезную информацию о моделях мобильности людей и связях с точными временными и географическими характеристиками. В данной статье предлагается встраивать трассировки, записанные в CDR, для извлечения значимой информации. Трассировки предоставляют информацию о местоположении, для которого может потребоваться поддержка для покрытия или восстановления сети. После внедрения траекторий пользователей мы используем обработанные результаты, для того чтобы рекомендовать антенны с координатами и запросом на поддержку, необходимые для парка беспилотных летательных аппаратов. В данной статье мы столкнулись с проблемой маршрутизации транспортных средств с вместимостью, которую мы решили с помощью программного обеспечения Google с открытым исходным кодом под названием OR-Tools.

1. Association C. T. (2017, July). How mobile phones are changing the developing world. Retrieved from https://www.cta.tech/News/Blog/Articles/2015/July/How-Mobile-Phones-Are-Changing-the-Developing-Worl.aspx.

2. Bianchi F. M., Scardapane, S., Uncini, A., Rizzi, A., & Sadeghian, A. (2015). Prediction of telephone calls load using Echo State Network with exogenous variables. Neural Networks, 71, 204–213. https://doi.org/https://doi.org/10.1016/j.neunet.2015.08.010.

3. Bradley P.S., Bennett K.P. & Demiriz A. (2000). Constrained k-means clustering. Microsoft Research, Redmond, 20(0), 0.

4. Crivellari A. & Beinat E. (2019). From motion activity to geo-embeddings: Generating and exploring vector representations of locations, traces and visitors through large-scale mobility data. ISPRS International Journal of Geo-Information, 8(3), 134.

5. Cuzzocrea A., Ferri F. & Grifoni P. (2018). Intelligent Sensor Data Fusion for Supporting Advanced Smart Health Processes. In L. Barolli & O. Terzo (Eds.), Complex, Intelligent, and Software Intensive Systems (Vol. 611, pp. 361–370). https://doi.org/10.1007/978-3-319-61566-0_33

6. OR-tools. Retrieved from https://developers.google.com/optimization

7. Gore R., Wozny P., Dignum F. P. M., Shults F. L. van Burken C. B. & Royakkers, L. (2019). A Value Sensitive ABM of the Refugee Crisis in the Netherlands. Proceeding 2019 Spring Simulation Conference (SpringSim), 1–12.

8. Louail T., Lenormand M., Ros O.G. C., Picornell M., Herranz R., Frias-Martinez E., … Barthelemy M. (2015). From mobile phone data to the spatial structure of cities. Scientific Reports, 4. https://doi.org/https://doi.org/10.1038/srep05276.

9. Mikolov T., Chen K., Corrado G. & Dean J. (2013). Efficient estimation of word representations in vector space. ArXiv Preprint ArXiv:1301.3781.

10. Mobile policy handbook: an insider’s guide to the issues. (2017). Retrieved from https://www.gsma.com/mena/wp-content/uploads/2018/10/Mobile_Policy_Handbook_2017_EN.pdf

11. Solomon A., Bar A., Yanai C., Shapira B. & Rokach, L. (2018). Predict demographic information using word2vec on spatial trajectories. Proceedings of the 26th Conference on User Modeling, Adaptation and Personalization, 331–339.

12. Tian C., Zhang Y. & Weng Z. (2021). Learning Large-scale Location Embedding From Human Mobility Trajectories with Graphs. CoRR, abs/2103.00483. Retrieved from https://arxiv.org/abs/2103.00483

13. Zhou N., Zhao W. X., Zhang X., Wen J.-R. & Wang S. (2016). A general multi-context embedding model for mining human trajectory data. IEEE Transactions on Knowledge and Data Engineering, 28(8), 1945–1958.

14. Zhu M., Chen W., Xia J., Ma Y., Zhang Y., Luo Y. … Liu L. (2019). Location2vec: a situation-aware representation for visual exploration of urban locations. IEEE Transactions on Intelligent Transportation Systems, 20(10), 3981–3990.