Contribution to improve mobility uses through context-awareness

e-Archivo Repository

Show simple item record

dc.contributor.advisor Campo Vázquez, María Celeste
dc.contributor.author Yndurain Gil, Elena
dc.date.accessioned 2013-01-16T08:33:09Z
dc.date.available 2013-01-16T08:33:09Z
dc.date.issued 2012
dc.date.submitted 2012-12-21
dc.identifier.uri http://hdl.handle.net/10016/16131
dc.description.abstract Dey, in his paper “Towards a Better Understanding of Context and Context-Awareness”, argues that context-awareness is important in applications in which the user’s context changes rapidly, such as in mobile environments for ubiquitous computing. In his paper, Dey defines context as “any information that can be used to characterize the situation of an entity”. In mobile environments, the entity is the mobile device itself. The device is both pervasive and person-­centric; it can continuously capture information about its users and their context through its sensors. The use of context has gained importance in ubiquitous computing since the 1990s, and the technique has recently been used in mobile devices to improve their uses and applications. For mobile context-awareness to become a reality, further research is required, particularly in the field of context prediction, which can expand the possibilities of context-awareness applications by expanding the applications’ situation awareness. In this PhD dissertation, we focus on the use of data obtained through mobile device sensors and user behavior to derive and predict context to improve mobility for both the users’ experience and for the applications’ functionality. We contribute to context-­aware mobile computing by showing how mobile devices can automatically learn from the user’s context and can adapt to improve the mobile experience. We begin our work with a state-­‐of-­‐the-­‐art analysis of “context-awareness” proposals for mobile systems and applications and of the current tools used to infer context from the existing environmental variables. In this dissertation, we analyze the existing gaps in mobile environments and propose solutions to resolve these issues. We first define “context-­awareness” and propose an architecture to predict context from a mobility perspective. Numerous definitions of context, context-­awareness and architectures exist, but few focus exclusively on mobility. Moreover, all of the definitions are oriented towards context inference rather than towards a prediction of future context. We develop a model that captures, processes and unifies variables from heterogeneous sources for use by a machine-­learning algorithm that infers and predicts the context. We also test and benchmark several machine-­learning algorithms in our architecture so that we can recommend those algorithms that we consider most appropriate for inferring context in mobility environments. We propose the combination of on-­‐line prediction algorithms and classifier algorithms to enhance context derivation with future context prediction. We evaluate our proposal utilizing real data from the Reality Mining project, which captures data from the daily mobile usage of c.100 Nokia smart phones during an academic year. We conclude with an example of how to apply our proposed architecture and model, and we demonstrate its enrichment of the search experience with a mobile device by including a “context-awareness” module in mobile search engines. We use Bing as the search engine for all of our search examples. ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
dc.description.abstract Describe Dey, en su artículo “Towards a Better Understanding of Context and Context-Awareness” cómo la percepción del contexto (context-awareness) cobra importancia en las aplicaciones en las que el contexto del usuario cambia con rapidez, como es el caso en los entornos móviles de la computación ubicua. Dey, en su artículo, define contexto como “cualquier información que pueda usarse para caracterizar la situación de una entidad”. En entornos móviles, dicha entidad es el dispositivo móvil en sí mismo. Este aparato, al ser ubicuo y centrado en las personas, puede captar continuamente información tanto de los usuarios como de su contexto a través de sus sensores. El uso del contexto ha cobrado importancia en entornos de computación ubicua desde la década de los 90, y esta técnica se ha empleado en dispositivos móviles para mejorar su utilización y aplicación. Para que el área de percepción de contexto se convierta en una realidad, se necesita más investigación, sobre todo en el área de predicción de contexto que amplíe las posibilidades de las aplicaciones que usan información de su contexto. En esta tesis doctoral, nos centramos en el uso de los datos obtenidos de los sensores del móvil y en el comportamiento del usuario, para deducir el contexto presente predecir el contexto futuro, mejorando así la usabilidad del móvil y las funcionalidades de sus aplicaciones. Contribuimos a la computación de percepción del contexto móvil demostrando cómo los dispositivos móviles pueden aprender automáticamente sobre el contexto en el que está el usuario y adaptarse al mismo para mejorar la experiencia de movilidad. Comenzamos nuestro trabajo realizando un estudio del estado del arte de propuestas de percepción de contexto para sistemas y aplicaciones móviles, así como de las herramientas para intuir el contexto a partir de variables existentes del entorno. Analizamos las carencias que tienen en su aplicación al área de la movilidad y hacemos propuestas de cómo resolverlas a lo largo de la tesis. Primero sentamos las bases de la tesis definiendo el concepto de percepción de contexto (“context-awarenes”) y realizamos una propuesta de arquitectura de derivación del contexto actual y predicción del contexto futuro desde un punto de vista de un entorno móvil. Existen muchas definiciones de contexto, percepción de contexto y arquitecturas, pero hay pocas orientadas exclusivamente a movilidad. Además todas se centran en la derivación del contexto actual en vez de hacerlo en la predicción del contexto futuro. Desarrollamos un modelo que nos permite captar, procesar y unificar variables de fuentes heterogéneas para que puedan ser utilizadas por el algoritmo de aprendizaje automático para intuir y predecir contexto. También probamos y referenciamos varios algoritmos de aprendizaje automático para poder recomendar los algoritmos que consideramos más apropiados para intuir contexto en entornos de movilidad. Hacemos una propuesta de mejora en la que combinamos los algoritmos de predicción en línea con los algoritmos de clasificación para poder así predecir el contexto futuro además del contexto actual intuido por el clasificador. Evaluamos nuestra propuesta con datos reales de uso del móvil disponibles en el proyecto “Reality Mining”, en el cual se captan datos de uso diario de móviles de aproximadamente 100 Smartphones Nokia usados por estudiantes universitarios durante un año académico. Finalmente concluimos dando un ejemplo de cómo aplicar nuestra arquitectura y el modelo propuesto demostrando como enriquece la experiencia de búsqueda en un dispositivo móvil el hecho de incluir un módulo de percepción de contexto en los buscadores móviles. Usamos el buscador Bing para todos los ejemplos de búsquedas.
dc.format.mimetype application/pdf
dc.language.iso eng
dc.rights Atribución-NoComercial-SinDerivadas 3.0 España
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/es/
dc.subject.other Context-­awareness
dc.subject.other Ubiquitous computing
dc.subject.other Context prediction
dc.subject.other Mobile device sensors
dc.subject.other Automatically learn
dc.subject.other Machine learning
dc.subject.other Algorithms
dc.title Contribution to improve mobility uses through context-awareness
dc.type doctoralThesis
dc.type.review PeerReviewed
dc.subject.eciencia Telecomunicaciones
dc.rights.accessRights openAccess
dc.contributor.departamento Universidad Carlos III de Madrid. Departamento de Ingeniería Telemática
 Find Full text

Files in this item

*Click on file's image for preview. (Embargoed files's preview is not supported)


The following license files are associated with this item:

This item appears in the following Collection(s)

Show simple item record