Understanding factors that impact Individual mobility prediction with federated learning

Abstract

Os padrões de mobilidade são inerentemente vinculados à natureza humana (por exemplo: variabilidade individual, dinâmica temporal, fatores comportamentais, curiosidade, interação social), tornando a previsão de mobilidade um problema multifacetado e desafiador, que requer modelos sofisticados e dados abrangentes. Os modelos de aprendizado de máquina se destacam na previsão da localização em que uma pessoa estará no próximo intervalo de tempo, mas geralmente levantam preocupações relacionadas à privacidade. Para abordar essas questões de privacidade, mantendo os benefícios dos modelos de aprendizado de máquina, o Aprendizado Federado oferece uma estrutura distribuída que permite o treinamento colaborativo de modelos de previsão de mobilidade humana, sem exigir o compartilhamento de dados de localização dos usuários, que são altamente confidenciais. No entanto, no domínio do Aprendizado Federado para previsão de mobilidade individual, trabalhos anteriores carecem de uma compreensão completa dos diversos fatores que podem impactar o desempenho dos modelos de previsão baseados no Aprendizado Federado. Nesta dissertação, fornecemos um estudo abrangente do impacto de vários aspectos relacionados ao comportamento humano, características dos dados, soluções algorítmicas de aprendizado de máquina e estruturação arquitetônica do Aprendizado Federado. Além disso, quantificamos o impacto desses fatores na eficácia (acurácia) e na eficiência (tempo de execução, consumo de memória e de energia) da previsão, revelando que ignorar esses fatores resulta em interpretações errôneas dos resultados, e acata-los auxilia a obtenção de melhores resultados de eficácia e eficiência.