Tesis:
Contributions to beacon-based applications in smart spaces
- Autor: METOLA MORENO, Eduardo
- Título: Contributions to beacon-based applications in smart spaces
- Fecha: 2017
- Materia: Sin materia definida
- Escuela: E.T.S. DE INGENIEROS DE TELECOMUNICACION
- Departamentos: SEÑALES, SISTEMAS Y RADIOCOMUNICACIONES
- Acceso electrónico: http://oa.upm.es/48038/
- Director/a 1º: CASAR CORREDERA, José Ramón
- Resumen: La personalización de aplicaciones y servicios hoy en día es una prueba de la importancia de conocer al usuario y su contexto por parte de los proveedores de servicios. Particularizar para cada usuario es una tarea compleja por lo que algoritmos de aprendizaje automático o machine learning se utilizan para clasificar o clusterizar usuarios en perfiles en función de factores que compartan los usuarios del mismo grupo o cuya diferencia sea mínima. De esta manera, se manejan grupos o clusters de usuarios que definen de una manera aproximada el comportamiento de cada uno de los usuarios que pertenezcan a un mismo cluster a partir de una serie de parámetros que describen un modelo. En este trabajo, puesto que la línea de investigación principal llevada a cabo anteriormente estaba centrada en la localización de usuarios en espacios interiores, se ha propuesto como objetivo modelar el comportamiento de los usuarios a partir de las trayectorias que realizan en un espacio en interiores. Este modelado se basa en modelos tanto markovianos, donde solo se tiene en cuenta el estado actual del usuario, es decir, su posición actual, para estimar la posición en el instante siguiente; como no Markovianos o con memoria, donde sí se tienen en cuenta los instantes previos al actual. Los modelos propuestos, y más en particular el model markoviano como el modelo con memoria 1, que solo tiene en cuenta el instante inmediatamente anterior y el actual para estimar la posición del usuario en el instante siguiente, se evalúan en este trabajo para ver cómo podrían representar, de manera indirecta, el comportamiento de los usuarios por grupos. La evaluación de los modelos se realiza utilizando un algoritmo de clasificación, el cual no se evalua en este trabajo, y clasificando trayectorias generadas a partir de los modelos propuestos y viendo el porcentaje de trayectorias correctamente clasificadas en función de los dos parámetros siguientes: número de trayectorias necesarias para generar los modelos propuestos y número de trayectorias utilizadas para entrenar el clasificador. Además, se pretende estimar el número de trayectorias necesario para asegurar, con un cierto grado de confianza, el perfil al que pertenece un usuario si éste es identificado y clasificado a partir de sus trayectorias. Como las trayectorias se definen como una sucesión de posiciones, se ha abordado el paradigma de la localización simbólica, que permite estimar la posición de un usuario utilizando tecnología inalámbrica, en espacios interiores. Para ello, se proponen tres algoritmos fáciles y rápidos de implementar, calibrar y configurar, que permitan desplegar un sistema de localización en entornos reales de manera práctica. Dentro de las posibles tecnologías inalámbricas, se ha decidido utilizar un sistema de balizas Bluetooth Low Energy que tienen una gran autonomía, lo que permiten tener una infraestructura estable y con poco mantenimiento, poco invasiva y fácil de desplegar; mientras que el usuario, con un dispositivo móvil una aplicación de localización puede detectar las balizas y estimar su propia posición. Los algoritmos propuestos se han diseñado, desarrollado y evaluado para valorar su utilidad en escenarios controlados de prueba y su posible instalación en escenarios reales. Además, se ha propuesto el diseño y desarrollo de una aplicación móvil de personalización a partir de la localización del usuario, donde se han implementado los algoritmos de localización propuestos a lo largo de este trabajo. Por un lado, la implementación real en un entorno controlado ha servido para su posterior despliegue tanto en un entorno demo, donde negocios de tipo banca o retail podrían ser instalados y utilizar el sistema de localización para, por ejemplo, la personalización de servicios en función de la posición del usuario a partir de sus trayectorias; como un entorno real como un supermercado real, en Niza, donde se ha desplegado una infraestructura en parte del recinto para la evaluación de la solución completa en un entorno no controlado. Por otro lado, esta aplicación ofrece herramientas de seguimiento de usuarios y construcción de trayectorias o de envío de notificaciones personalizadas en función de la posición del usuario, además de un dashboard informativo que permita conocer los datos de posición en cada zona de los distintos usuarios. ----------ABSTRACT---------- The customization of applications and services today is an example of the importance of being aware of the user, her behavior and her context by the service providers. Particularize for each user is a complex task so that machine learning algorithms are used to classify or cluster users in profiles based on parameters that users of the same group share or whose difference is minimal. In this way, there are user groups or clusters that roughly define the behavior of every user in the same cluster from a series of parameters that describe a model. In this work, since the main line of research carried out previously was focused on indoor localization, modeling the users behavior from indoor users trajectories has been proposed. This modeling is based on both Markov and non-Markov models. Markov models only take into account the current state of the user position to estimate the next position but non-Markov models are memory-aware and take into account previous states as well as the current one. Proposed models, and more particularly the Markov model and the model with memory 1, which only takes into account the immediately previous and the current states to estimate the following user position, are evaluated in this work to check how models could represent, in an indirect way, the behavior of users by groups. The evaluation of the models is done using a classification algorithm, which is not evaluated in this work, and classifying trajectories that are generated from the proposed models and evaluating the percentage of correctly classified trajectories according to the following two parameters: number of trajectories needed to generate the proposed models and number of trajectories used to train the classifier. In addition, it is intended to estimate the number of trajectories necessary to ensure, with a certain confidence degree, the profile a user belongs to if she is identified and classified from her trajectories. As trajectories are defined as a succession of positions, the symbolic location paradigm has been addressed, which allows us to estimate the user position using wireless technology when indoors. Thus, three algorithms are proposed, which are easy and quick to implement, calibrate and configure, and enable the deployment of a localization system in real environments in a practical way. Within the possible wireless technologies, we decided to use a Bluetooth Low Energy beacon-based system that have a great autonomy, what enables to have a stable infrastructure and with little maintenance, non invasive and easy to deploy; while the user carries a mobile device that runs a localization application that detects the beacons and estimate its own position. The proposed algorithms have been designed, developed and evaluated to estimate their usefulness in controlled scenarios and their possible installation in real scenarios. In addition, it has been proposed the design and development of a mobile application of personalization from the user position, where the localization algorithms proposed throughout this work have been implemented. On one hand, the actual implementation in a controlled environment has been used for its subsequent deployment in a demo environment, where banking or retail businesses could be installed and use the localization system for, for example, the personalization of services as a function of the position of the user from their trajectories; or in a real environment like a real supermarket, in Nice, where an infrastructure has been deployed in part of the enclosure for the evaluation of the complete solution in an uncontrolled environment. On the other hand, this application offers tools for user tracking and construction of paths or sending personalized notifications depending on the position of the user, as well as an informative dashboard that allows to know the position data in each zone of the different users.