Characterizing signatures of mobile traffic via non-matrix factorization based model

We are moving into an era when telecommunication data analysis becomes extremely important. The mobile traffic data collected in urban areas tends to have repetitive patterns with spatio-temporal variations. Analyzing the relationship between the repetitive patterns of traffic and the urban area can play a vital role in traffic engineering, network design and urban planning. In this work, we investigated the research field of pattern recognition to derive an effective method to extract signatures from the mobile traffic data-set, then to cluster the signatures based on their profiles. The signature proposed in this work shows enhancement in clustering mobile traffic, in comparison with the state of the art methods. The signature extraction was based on non-negative matrix factorization, where we factorize the dimension of two months of mobile traffic in 24 hours that reflects working days and weekends. By applying clustering based on our model, we obtained better coverage and entropy of land-usage inside the classes that represent a specific traffic profile behaviour.

Stiamo entrando in un'era in cui l'analisi dei dati delle telecomunicazioni diventa estremamente importante. I dati sul traffico mobile raccolti nelle aree urbane tendono ad avere schemi ripetitivi con variazioni spazio-temporali. L'analisi della relazione tra i modelli ripetitivi del traffico e l'area urbana può svolgere un ruolo vitale nella progettazione del traffico, nella progettazione della rete e nella pianificazione urbana.  In questo lavoro, abbiamo studiato il campo di ricerca del riconoscimento di modelli derivare un metodo efficace per estrarre le firme dal set di dati sul traffico mobile, quindi per raggruppare le firme in base ai loro profili.  La firma proposta in questo lavoro mostra un miglioramento nel traffico di clustering mobile, in confronto con i metodi all'avanguardia. L'estrazione della firma si basava su una fattorizzazione a matrice non negativa, in cui viene calcolata la dimensione di due mesi di traffico mobile in 24 ore che riflette i giorni lavorativi e i fine settimana. Applicando il clustering basato sul nostro modello, abbiamo ottenuto una migliore copertura e entropia dell'utilizzo del territorio all'interno delle classi che rappresentano un comportamento specifico del profilo del traffico.