Personalized Navigation: Context-Based Preference Mining Using TensorFlow
Authors
Klokkervoll, Joachim Højbak ; Pedersen, Mike ; Pedersen, Samuel Nygaard
Term
4. term
Education
Publication year
2017
Submitted on
2017-06-06
Pages
14
Abstract
Dagens navigationssystemer giver ofte kun standardruter og kræver manuel opsætning for at afspejle personlige ønsker. Vi præsenterer et kontekstbaseret, personligt navigationsrammeværk, der automatisk lærer en chaufførs præferencer for bestemte vejkarakteristika ud fra tidligere ture og bruger dem til at foreslå ruter. Rammeværket udleder et lille sæt særskilte kørepræferenceprofiler for hver person og bruger kontekstuel information om turen til at vælge den profil, der passer bedst i den givne situation. Det gør det muligt at generalisere på tværs af ture, lære hurtigt og skalere til mange brugere, samtidig med at der personaliseres inden for et samlet bedst-ydende præferencesæt. Træningsdata stammer fra ITS-projektet og består efter filtrering af 958.000 kørte ruter, primært i Nordjylland, fra 458 bilister. Vi bruger også et hastighedskort over Nordjylland leveret af Aalborg Universitet til at udlede hastighedsinformation på vejstrækninger. Derudover anvendes OpenStreetMap til at udtrække relevante vejegenskaber og opbygge en vejnet-graf til ruteberegning. Efter træning på dette store, virkelige datasæt kan rammeværket foreslå personlige ruter for fremtidige ture med en gennemsnitlig Jaccard-afstand på 0,48 i forhold til den faktisk foretrukne rute (et mål for rutesimilaritet, hvor lavere er bedre). Rammeværket er trænet med en kombination af klyngedannelse og klassifikation implementeret i TensorFlow, og præferencerne læres ved at sammenligne kørte ruter med alternative ruter.
Today’s navigation systems mostly offer standard routes and require manual setup to reflect individual preferences. We present a context-based, personalized navigation framework that automatically learns a driver’s preferences for certain road characteristics from past trips and uses them to suggest routes. The framework discovers a small set of distinct driving preference profiles for each person and uses contextual information about a trip to choose the profile that fits best in the current situation. This enables generalization across trips, fast learning, and scalability to many users, while still tailoring routes within an overall best-performing set of preferences. Our training data comes from the ITS project and, after filtering, includes 958,000 driven routes mainly in North Jutland, Denmark, from 458 drivers. We also use a speed map of North Jutland provided by Aalborg University to infer speed information for road segments. In addition, OpenStreetMap is used to extract relevant road features and build a road network graph for route planning. After training on this large real-world dataset, the framework can propose personal route suggestions for future trips with an average Jaccard distance of 0.48 compared with the driver’s actually chosen route (a measure of route similarity where lower is better). The framework is trained using a combination of clustering and classification implemented in TensorFlow, and preferences are learned by comparing driven routes to alternative routes.
[This abstract was generated with the help of AI]
Documents