기존에는 다양한 종류의 스마트폰 센서 정보에서 상위 개념의 사용자 문맥을 파악하기 위하여 위계적 모델이 흔히 사용되었다. 그러나 이러한 위계적 모델들은 추론을 하는 데 많은 계산 비용이 소모되며, 그 추론 결과 역시 정확하지 않다는 단점을 가지고 있었다. 이러한 제약을 극복하기 위해 본 논문에서는 일반적인 은닉 마코프 모델을 확장한 다중스위치 은닉 마코프 모델(mHMM)을 제안한다. mHMM은 이전 관측치와 현재 관측치에 동적 패턴에 따라 전이 행렬과 관측 행렬을 결정하는 다중스위치를 가진다. 본 논문에서는 응용의 예로, mHMM을 이동 경로 및 도착지 학습 문제에 적용하였다. 다양한 모바일 센서를 성공적으로 전처리하고 mHMM으로 관측치를 깔끔하게 표현함으로써, 주어진 문제를 위계적이지 않은 확률 그래프 모델로 간단하게 표현할 수 있었다. 본 논문에서는 제안된 모델과 다른 모델을 비교하여, 제안된 모델이 실제 문제를 해결하는 데 유용함을 보이고자 하였다.
Hierarchical models are effective for inferring high-level context from low-level sensory data from mobile-phone users. However, hierarchical models in previous studies are hard to capture abrupt changes in sequential observations immediately and exactly. Here we propose a hidden Markov model that is augmented with multiple switches to capture and control the mode of the dynamical-system model based on the change types of states. In contrast to hierarchical models, the flat structure of this multiswitch HMM (mHMM) makes exact inference possible and achieves high prediction performance within the limitation of real-time computation. This compact representation could well work as we exploit heterogeneous mobile data successfully. On a small-scale yet real-life smartphone experiments, we demonstrate the successful use of mHMM for predicting the points of interest (POIs) of the mobile users and compare its performance to the standard HMM and the abstract HMM.
