diff --git a/graphics/img/1_An_Ontology.png b/graphics/img/1_An_Ontology.png new file mode 100755 index 0000000000000000000000000000000000000000..7e769d886ddc215091107c1e90e3ff28836ea1f7 Binary files /dev/null and b/graphics/img/1_An_Ontology.png differ diff --git a/graphics/img/2_Expert_Group.png b/graphics/img/2_Expert_Group.png new file mode 100755 index 0000000000000000000000000000000000000000..a9f1079c7d7b687e406843316eb963203ad8b279 Binary files /dev/null and b/graphics/img/2_Expert_Group.png differ diff --git a/graphics/img/3_Forming.png b/graphics/img/3_Forming.png new file mode 100755 index 0000000000000000000000000000000000000000..37a1b8221736d027dea6df656230d8f19dad0d13 Binary files /dev/null and b/graphics/img/3_Forming.png differ diff --git a/graphics/img/4_Context-Driven.png b/graphics/img/4_Context-Driven.png new file mode 100755 index 0000000000000000000000000000000000000000..de282ffcd8d3bbf0cb61376478a51f107cf723bf Binary files /dev/null and b/graphics/img/4_Context-Driven.png differ diff --git a/graphics/img/5_The_Concept.png b/graphics/img/5_The_Concept.png new file mode 100755 index 0000000000000000000000000000000000000000..9867784c59446c08f4879fad43884eadafb3f5b5 Binary files /dev/null and b/graphics/img/5_The_Concept.png differ diff --git a/graphics/img/architecture.jpg b/graphics/img/architecture.jpg old mode 100644 new mode 100755 diff --git a/graphics/img/classification_nn_graph.png b/graphics/img/classification_nn_graph.png old mode 100644 new mode 100755 diff --git a/graphics/img/clusterization_result.png b/graphics/img/clusterization_result.png old mode 100644 new mode 100755 diff --git a/graphics/img/cmpt_1.png b/graphics/img/cmpt_1.png old mode 100644 new mode 100755 diff --git a/graphics/img/cmpt_2.png b/graphics/img/cmpt_2.png old mode 100644 new mode 100755 diff --git a/graphics/img/di_front_1.png b/graphics/img/di_front_1.png old mode 100644 new mode 100755 diff --git a/graphics/img/di_front_2.png b/graphics/img/di_front_2.png old mode 100644 new mode 100755 diff --git a/graphics/img/recommendations_1.png b/graphics/img/recommendations_1.png old mode 100644 new mode 100755 diff --git a/graphics/img/recommendations_2.png b/graphics/img/recommendations_2.png old mode 100644 new mode 100755 diff --git a/graphics/img/scenario_model.png b/graphics/img/scenario_model.png old mode 100644 new mode 100755 diff --git a/tex/12-intro.tex b/tex/12-intro.tex index 3143b7e5dfc592e8c32f99d2c479dc721c2bc3d0..0902156a520335668189787895f95027425dfd83 100644 --- a/tex/12-intro.tex +++ b/tex/12-intro.tex @@ -2,9 +2,9 @@ В отчетном периоде (сентябрь 2018 – август 2019) были разработаны методы обеспечения информационной поддержки мобильности населения в цифровом пространстве умного города с использованием семантических приложений. Под семантическими приложениями в настоящем проекте понимаются приложения и сервисы использующие семантику проблемной области для предоставления поддержки в принятии решений при обеспечении мобильноси жителей умного города. -В настоящее время развитие сетей мобильной связи и сенсоров позволило собирать и накапливать большое количество информации об объектах и явлениях физического мира. Также, наблюдается активное внедрение методов и технологий извлечения, интерпретации и использования открытых источников информации для управления умным городом и планирования его развития. Такими источниками являются муниципальные и федеральные органы власти, а также устройства, оснащенные сенсорами для сбора данных, входящие в состав умного города и объединенные в городской интернет вещей (IoT). Использование накопленной информации для обеспечения персонифицированной мобильности жителей умного города также возможно при формировании цифровой личности жителя, включающей в себя основную информацию о нем. +В настоящее время развитие сетей мобильной связи и сенсоров позволило собирать и накапливать большое количество информации об объектах и явлениях физического мира. Также, наблюдается активное внедрение методов и технологий извлечения, интерпретации и использования открытых источников информации для управления умным городом и планирования его развития. Такими источниками являются муниципальные и федеральные органы власти, а также устройства, оснащенные сенсорами для сбора данных, входящие в состав умного города и объединенные в городской интернет вещей (IoT) \cite{Dustdar2017, Aggarwal2013}. Использование накопленной информации для обеспечения персонифицированной мобильности жителей умного города также возможно при формировании цифровой личности жителя, включающей в себя основную информацию о нем. -В данной работе основное внимание уделено разработке методов, анализа и обработки данных для формирования групп жителей умного города, а также методов рекомендацияя существующих сервисов на основе цировой личности жителя и группы, к которой он принадлежит для обеспечения мобильности. Концепция цифровой личности включает в себя набор сведений в электронном виде, идентифицирующих объект, обладающий определенными атрибутами, описывающими предпочтения и характерные особенности, достаточные для проведения транзакций (операций). Атрибуты приобретаются и содержат информацию о субъекте, такую как медицинская карта, история совершения покупок, баланс банковского счета, возраст и т.д. Предпочтения отражают варианты выбора, такие, как например любимый бренд обуви или предпочитаемая валюта для сбережений. Также можно отметить, что согласно стандарту ISO/IEC 24760-1, цифровую личность можно определить как “набор атрибутов, которые относятся к сущности” [2]. Информация, содержащаяся в цифровой личности, позволяет оценивать и аутентифицировать пользователя, взаимодействующего с системами в Интернете, без участия операторов-людей. +В данной работе основное внимание уделено разработке методов, анализа и обработки данных для формирования групп жителей умного города, а также методов рекомендацияя существующих сервисов на основе цировой личности жителя и группы, к которой он принадлежит для обеспечения мобильности. Концепция цифровой личности включает в себя набор сведений в электронном виде, идентифицирующих объект, обладающий определенными атрибутами, описывающими предпочтения и характерные особенности, достаточные для проведения транзакций (операций). Атрибуты приобретаются и содержат информацию о субъекте, такую как медицинская карта, история совершения покупок, баланс банковского счета, возраст и т.д. Предпочтения отражают варианты выбора, такие, как например любимый бренд обуви или предпочитаемая валюта для сбережений. Также можно отметить, что согласно стандарту ISO/IEC 24760-1, цифровую личность можно определить как ``набор атрибутов, которые относятся к сущности'' \cite{ISO_IEC2011}. Информация, содержащаяся в цифровой личности, позволяет оценивать и аутентифицировать пользователя, взаимодействующего с системами в Интернете, без участия операторов-людей. При выделении групп пользователей на основе их характеристик в настоящей работе используются методы кластерного анализа. Рассматриваются методы, обеспечивающие разделение пользователей на основе вычисления сходства между параметрами, таие как K-средних, иерархическая кластеризация, DBSCAN, учитывающий возмоные выбросы по значению параметров. Для рассморенных методов проводится сравнение с целью определить метод, наиболее подходящий для выделения групп пользователей при решении задачи обеспечения мобильности. Поскольку цифровая личность включает в себя большое количество параметров, описывающих жителя умного города, необходимо выделить из них те, которые вносят максимальный вклад в разделение пользователей по группам. Для снижения размерности первоначально проводится статистический анализ параметров цифровой личности, целью которого является выявление таких параметров. diff --git a/tex/20-scenarios.tex b/tex/20-scenarios.tex index 13297442cfdac5c33c7cb31572c798134cb33065..ffc52eb8a75248db4d1ecd07fb13d342b16fb3f2 100644 --- a/tex/20-scenarios.tex +++ b/tex/20-scenarios.tex @@ -3,18 +3,18 @@ \chapter{Анализ взаимодействия жителей с систе \section{Метод анализа истории взаимодействия жителей с системой умного города} -При взаимодействии жителя умного города с сервисами, обеспечивающими мобильность накапливается большое количество информации, которая может быть использована для дополнительного профилирования жителя. Телеметрия использования сервисов может включать в себя длительность использования, интервалы для, в течение которых используется сервис, контект использования (местоположение, погодные условия, окружение пользователя). Анализ телеметрии и ее использование для класеризации жителей умного города обеспечивает повышение точности рекомендаций сервисов умного города для выделенных групп жителей умного города в разных контекстах. Результаты анализа сохраняются в модели цифровой личности жителя умного города, предложенной на предыдущем тапе проекта. +При взаимодействии жителя умного города с сервисами, обеспечивающими мобильность накапливается большое количество информации, которая может быть использована для дополнительного профилирования жителя \cite{Dilawar2018}. Телеметрия использования сервисов может включать в себя длительность использования, интервалы для, в течение которых используется сервис, контект использования (местоположение, погодные условия, окружение пользователя). Анализ телеметрии и ее использование для кластеризации жителей умного города обеспечивает повышение точности рекомендаций сервисов умного города для выделенных групп жителей умного города в разных контекстах. Результаты анализа сохраняются в модели цифровой личности жителя умного города, предложенной на предыдущем тапе проекта. Для анализа истории взаимодействия жителя умного города с его сервисами предлагается метод, включающий в себя следующие этапы: \begin{enumerate} -\item Осуществляется анализ профиля и сообщений жителя в сервисах умного города (отзывов о местах из Google Knowledge Graph и открытых сообщений в социальных сетях). Темы в тематической модели соответствуют интересам жителей умного города. -\item По истории использования сервисов умного города оценивается частота и длительность пользования ими, а также эмоциональный отклик при возможности анализа лица пользователя в момент использования сервиса. +\item Осуществляется анализ профиля и сообщений жителя в сервисах умного города (отзывов о местах из Google Knowledge Graph и открытых сообщений в социальных сетях). Темы в тематической модели соответствуют интересам жителей умного города \cite{Abali2018}. +\item По истории использования сервисов умного города оценивается частота и длительность пользования ими, а также эмоциональный отклик при возможности анализа лица пользователя в момент использования сервиса \cite{Aggarwal2013}. \item Производится анализ контекста в котором находился пользователь при использовании сервисов умного города. В качестве контекста рассматриваются поля цифровой личности, относящиеся к окружению пользователя. Анализ контекста на примере рассмотрен в разделе \ref{subsubsec:context}. \item Устанавливается связь использования определённых сервисов для выделенных групп пользователей в разных контекстах. Для этого используются методы кластеризации, позволяющие выделить группы пользователей на основании частоты использования сервисов и контекста (см. раздел \ref{subsubsec:clasterization}), а также методы рекомендации для групп пользователей, обеспечивающие рекомендацию сервисов на основании текущего контекста и использования сервисов другими пользователями в группе в том же контексте (см. раздел \ref{subsec:recommendation}). \end{enumerate} \subsection{Анализ профилей пользователей в социальной сети ВКонтакте} -Основным источником данных для агрегации цифровой личности выступает социальная сеть vk.com. +Основным источником данных для агрегации цифровой личности выступает социальная сеть ВКонтакте\footnote{https://vk.com}. Выбор данной сети были сделан исходя из-за ее распространенности и наличием API для получения информации о пользователях. API предоставляет возможность получать информацию как о одном пользователе, так и о его ``друзьях'', формируя, тем самым, социальный граф. В качестве информации о пользователи можно запросить его личную информацию (ФИО, возраст, пол, родной город и т.д.), общую информацию о родных и друзьях, @@ -22,7 +22,7 @@ \subsection{Анализ профилей пользователей в соци Однако, интересы, предоставляемые при помощи API, записаны в виде обычных строк, без разделения на объекты, в отличии, например, от социальной сети Facebook, в которой добавление интересов происходит путем добавления страницы-объекта. -Вдобавок, vk.com не регламентирует запись интересов, оставляя право пользователям в свободной форме описывать данные. +Вдобавок, Вконтакте не регламентирует запись интересов, оставляя право пользователям в свободной форме описывать данные. Таким образом, использовать данные по интересам в “сыром” виде не представляется возможным. Поэтому, для корректного составления цифровой личности необходимо программно обработать интересы, выделив необходимые объекты и приведя их к единому виду. Из доступных интересов были выбраны следующие категории: \emph{``книги''} (books), \emph{``игры''} (games), @@ -33,7 +33,7 @@ \subsection{Агрегация данных из открытых источни Для решения поставленной задачи было решено использовать доступные в открытом доступе базы знаний (knowledge bases). Одним из достоинств подобных баз знаний - структурированное хранение большого количество информации, касаемой той или иной области. В качестве источников данных были выбраны такие проекты как Google Knowledge Graph \footnote{https://developers.google.com/knowledge-graph/} -и wikidata \footnote{https://www.wikidata.org/wiki/Wikidata:Main\_Page}. +и Wikidata \footnote{https://www.wikidata.org/wiki/Wikidata:Main\_Page}. Оба эти проекта хранят в себе информацию о концептах и объектах реального мира, которые можно использовать для идентификации сущностей в интересах пользователей. Принцип работы с обеими базами знаниями одинаков~---~интересы пользователя разбиваются на токены (отдельный интерес), @@ -55,12 +55,12 @@ \subsection{Агрегация данных из открытых источни % Это нормально (!), что в figure listing нет самого кода, иначе он не будет разбиваться постранично \inputminted[frame=lines, linenos, breaklines]{python}{../src/kg_mapping.py} \begin{listing}[H] - \caption{Соотношение концептов vk.com API и Google Knowledge Graph} + \caption{Соотношение концептов API ВКонтакте и Google Knowledge Graph} \label{lst:vk_kg} \end{listing} Запрос к базе знаний KG производится при помощи GET-запроса представлен в листинге~\ref{lst:kg_searching}. -В query передается токен`---`очищенное название интереса пользователя vk.com. +В query передается токен`---`очищенное название интереса пользователя Вконтакте. \inputminted[frame=lines, linenos, breaklines]{python}{../src/kg_searching.py} \begin{listing}[H] @@ -74,19 +74,19 @@ \subsection{Агрегация данных из открытых источни В качестве ответа Wikidata возвращает список найденных концептов, однако решение о включении самого происходящего результата должен делать конечный пользователь, например, на основе совпадения строк запрашиваемых данных и итогового результата. -Соотношение концептов интересов vk.com и wikidata представлено в листинге~\ref{lst:vk_wiki}. -Итоговая SPARQL-конструкция, которая используется для запросов представлена в листинге~\ref{}. +Соотношение концептов интересов ВКонтакте и Wikidata представлено в листинге~\ref{lst:vk_wiki}. +Итоговая SPARQL-конструкция, которая используется для запросов представлена в листинге~\ref{lst:vk_wiki_sparql}. \inputminted[frame=lines, linenos, breaklines]{python}{../src/wikidata_mapping.py} \begin{listing}[H] - \caption{Соотношение концептов vk.com API и Wikidata} + \caption{Соотношение концептов API ВКонтакте и Wikidata} \label{lst:vk_wiki} \end{listing} \inputminted[frame=lines, linenos, breaklines]{python}{../src/wikidata_sparql.py} \begin{listing}[H] \caption{SPARQL-запрос к информации Wikidata} - \label{lst:vk_wiki} + \label{lst:vk_wiki_sparql} \end{listing} diff --git a/tex/30-digital_identity.tex b/tex/30-digital_identity.tex index 59d91fa9171e31c3ed33bcf7b1110ae10ba240b3..7bf690b116f77f9bad3a716d7581f98188ae044c 100644 --- a/tex/30-digital_identity.tex +++ b/tex/30-digital_identity.tex @@ -2,9 +2,9 @@ \chapter{Анализ параметров цифровой личности ж \label{cha:digital_identity} -\subsection{Спецификация параметров цифровой личности, применимых для кластерного анализа} +\section{Спецификация параметров цифровой личности, применимых для кластерного анализа} -\subsubsection*{\textbf{Исходные данные для кластеризации}} +\subsection*{\textbf{Исходные данные для кластеризации}} В качестве исходных данных для кластерного анализа использовались данные открытых профилей реальных пользователей социальной сети Вконтакте, представленные в виде файла в формате json, содержащего сто тридцать пять тысяч открытых профилей реальных пользователей Вконтакте. @@ -22,7 +22,7 @@ \subsubsection*{\textbf{Исходные данные для кластериз \label{lst:vk_user} \end{listing} -\subsubsection*{\textbf{Обработка исходных профилей пользователей}} +\subsection*{\textbf{Обработка исходных профилей пользователей}} Далее каждый профиль пользователя преобразовывался таким образом, чтобы получить удобные для работы, возможно, сгенерированные признаки. Большинство признаков заполнялись на основе данных, полученных из исходных профилей реальных пользователей Вконтакте: diff --git a/tex/40-service_analysis.tex b/tex/40-service_analysis.tex index a0e1c1e9c89b005ac7d0a450629c25448c45b20d..39ba986f8cf9f9dc1f5ed9caf780497af89664e0 100644 --- a/tex/40-service_analysis.tex +++ b/tex/40-service_analysis.tex @@ -239,8 +239,8 @@ \subsection{Поиск по контексту (рекомендация сер \subsection{Коллаборативная фильтрация} Классическая коллаборативная фильтрация подразумевает формирование матрицы рекомендации, в которой строки и столбцы соответствуют пользователям и сервисам. -При коллаборативной фильтрации, учитывающей контекст, данная матрица становится многомерной, измерения в которой соответствуют свойствам каждого пользователя. -Свойства формируются на основе динамического контекста пользователя и каждый срез многомерной матрицы позволяет получить коэффициенты рекомендации в определенном контексте. +При коллаборативной фильтрации, учитывающей контекст, данная матрица становится многомерной, измерения в которой соответствуют свойствам каждого пользователя~\cite{liu2010personalized}. +Свойства формируются на основе динамического контекста пользователя и каждый срез многомерной матрицы позволяет получить коэффициенты рекомендации в определенном контексте~\cite{das2007google}. В рамках прототипа были выбраны следующие динамические свойства пользователей, вычисляемые на основе контекста и используемые для его описания: \begin{enumerate} @@ -255,9 +255,9 @@ \subsection{Коллаборативная фильтрация} поэтому возникает необходимость уменьшения размерности матрицы. Распространенным решением является матричная факторизация\footnote{https://datajobs.com/data-science-repo/Recommender-Systems-[Netflix].pdf}, при которой исходная матрица рекомендаций разбивается на две меньшего размера, и актуальность сервиса для пользователя воспринимается -как актуальность для пользователя набора факторов и степень соответствия сервису каждого фактора. -В рамках данной работы был использован алгоритм Weighted alternating least squares (WALS)\footnote{http://cs229.stanford.edu/proj2017/final-posters/5147271.pdf}. -Для построения модели рекомендации был использован фреймворк Tensorflow и реализация WALS алгоритма\footnote{https://cloud.google.com/solutions/machine-learning/recommendation-system-tensorflow-overview}. Функция потерь, на основе которой происходило обучение модели, представлена формулой~\ref{eq:1}: +как актуальность для пользователя набора факторов и степень соответствия сервису каждого фактора \cite{koren2009matrix}. +В рамках данной работы был использован алгоритм Weighted alternating least squares (WALS)\cite{drew_2017}. +Для построения модели рекомендации был использован фреймворк Tensorflow и реализация WALS алгоритма\cite{tensorflow_2019}. Функция потерь, на основе которой происходило обучение модели, представлена формулой~\ref{eq:1}: \begin{equation} \label{eq:1} diff --git a/tex/81-biblio.tex b/tex/81-biblio.tex index 405eb3e78820eed7d8f7ced90122b6d9c7f1401e..5e9676c73b5d7d854a12432fe44ed25bdde6a687 100644 --- a/tex/81-biblio.tex +++ b/tex/81-biblio.tex @@ -5,7 +5,7 @@ % bibtex rpz % pdflatex rpz -\bibliographystyle{ugost2008} +\bibliographystyle{ugost2008s} \bibliography{rpz} %%% Local Variables: diff --git a/tex/90-appendix1.tex b/tex/90-appendix1.tex index 02ff9c2bceda66be62093b331e53c53f4e645e41..92046af5f819df618e27499f069d163cd5baca42 100644 --- a/tex/90-appendix1.tex +++ b/tex/90-appendix1.tex @@ -3,12 +3,12 @@ \chapter{Приложение А. Публикации по результата К настоящему времени по результатам НИР опубликовано 5 работ в изданиях, индексируемых Web Of Science / SCOPUS. Список работ приведен ниже. Копии первых страниц опубликованных работ приведены в Приложении Б. -\begin{enumerate} +l\begin{enumerate} \item Mikhailov S., Kashevnik A. An Ontology for Service Semantic Interoperability in the Smartphone-Based Tourist Trip Planning System. Proceedings of the 23rd Conference of Open Innovations Association FRUCT, Bologna, 13-16 November 2018. P. 239–245 ISSN: 2305-7254. (Scopus, WoS). DOI: 10.23919/FRUCT.2018.8588027 \item Petrov M., Kashevnik A. Expert Group Formation for Task Performing: Competence-Based Method and Implementation . Proceedings of the 23rd Conference of Open Innovations Association FRUCT, Bologna, 13-16 November 2018, P. 315–320. ISSN: 2305-7254 (Scopus, WoS). DOI: 10.23919/FRUCT.2018.8588099 \item Teslya N., Ryabchikov I. Mikhailov S. Forming of Smart City Resident Digital Identity Based On the City Sources Analysis. IEEE BlackSeaCom 2019. IEEE Xplore DL (Scopus)(В печати) \item Smirnov A., Kashevnik A., Mikhailov S., Shilov N., Orlova D., Gusikhin O., Martinez H. Context-Driven Tourist Trip Planning Support System: An Approach and OpenStreetMap-Based Attraction Database Formation. IF\&GIS 2019, LNG\&C, Springer (Scopus) (В печати). - \item Teslya N. Ryabchikov I., Lipkin E. The concept of the deviant behavior detection system via surveillance cameras. In: Misra S. et al. (eds) Computational Science and Its Applications – ICCSA 2019. ICCSA 2019. Lecture Notes in Computer Science, vol 11624. Springer, Cham, pp 169-183. + \item Teslya N., Ryabchikov I., Lipkin E. The concept of the deviant behavior detection system via surveillance cameras. In: Misra S. et al. (eds) Computational Science and Its Applications – ICCSA 2019. ICCSA 2019. Lecture Notes in Computer Science, vol 11624. Springer, Cham, pp 169-183. \end{enumerate} diff --git a/tex/91-appendix2.tex b/tex/91-appendix2.tex index cd1653feae53053809b796e8ada9489af46bb116..72d95ed41a2705552f6fb55de3bb2a7a678ad61b 100644 --- a/tex/91-appendix2.tex +++ b/tex/91-appendix2.tex @@ -3,10 +3,30 @@ \chapter{Приложение Б. Копии первых страниц опу \begin{enumerate} \item Mikhailov S., Kashevnik A. An Ontology for Service Semantic Interoperability in the Smartphone-Based Tourist Trip Planning System. Proceedings of the 23rd Conference of Open Innovations Association FRUCT, Bologna, 13-16 November 2018. P. 239–245 ISSN: 2305-7254. (Scopus, WoS). DOI: 10.23919/FRUCT.2018.8588027 + \begin{figure}[h!] + \centering + \includegraphics[width=0.8\textwidth, keepaspectratio]{inc/img/1_An_Ontology} + \end{figure} \item Petrov M., Kashevnik A. Expert Group Formation for Task Performing: Competence-Based Method and Implementation . Proceedings of the 23rd Conference of Open Innovations Association FRUCT, Bologna, 13-16 November 2018, P. 315–320. ISSN: 2305-7254 (Scopus, WoS). DOI: 10.23919/FRUCT.2018.8588099 + \begin{figure}[hb!] + \centering + \includegraphics[width=0.9\textwidth, keepaspectratio]{inc/img/2_Expert_Group} + \end{figure} \item Teslya N., Ryabchikov I. Mikhailov S. Forming of Smart City Resident Digital Identity Based On the City Sources Analysis. IEEE BlackSeaCom 2019. IEEE Xplore DL (Scopus)(В печати) + \begin{figure}[hb!] + \centering + \includegraphics[width=0.95\textwidth, keepaspectratio]{inc/img/3_Forming} + \end{figure} \item Smirnov A., Kashevnik A., Mikhailov S., Shilov N., Orlova D., Gusikhin O., Martinez H. Context-Driven Tourist Trip Planning Support System: An Approach and OpenStreetMap-Based Attraction Database Formation. IF\&GIS 2019, LNG\&C, Springer (Scopus) (В печати). - \item Teslya N. Ryabchikov I., Lipkin E. The concept of the deviant behavior detection system via surveillance cameras. In: Misra S. et al. (eds) Computational Science and Its Applications – ICCSA 2019. ICCSA 2019. Lecture Notes in Computer Science, vol 11624. Springer, Cham, pp 169-183. + \begin{figure}[hb!] + \centering + \includegraphics[width=0.95\textwidth, keepaspectratio]{inc/img/4_Context-Driven} + \end{figure} + \item Teslya N., Ryabchikov I., Lipkin E. The concept of the deviant behavior detection system via surveillance cameras. In: Misra S. et al. (eds) Computational Science and Its Applications – ICCSA 2019. ICCSA 2019. Lecture Notes in Computer Science, vol 11624. Springer, Cham, pp 169-183. + \begin{figure}[hb!] + \centering + \includegraphics[width=0.85\textwidth, keepaspectratio]{inc/img/5_The_Concept} + \end{figure} \end{enumerate} %%% Local Variables: diff --git a/tex/rpz.bib b/tex/rpz.bib index c8d83b9a58564affd46deb1a3d8df27055c7b579..74ec1f286256c0929a03dd6ff74a0a2d09544b4d 100644 --- a/tex/rpz.bib +++ b/tex/rpz.bib @@ -62,7 +62,8 @@ pages={1-19}, keywords={Sensors;Deep learning;Smart cities;Data analysis;Data models;Computational intelligence;Deep learning;smart city;machine learning;data processing;internet of things}, doi={10.1109/TETCI.2019.2907718}, ISSN={2471-285X}, -month={},} +month={} +} @ARTICLE{Zhang_2000, author={G. P. {Zhang}}, @@ -75,7 +76,8 @@ pages={451-462}, keywords={neural nets;pattern classification;generalisation (artificial intelligence);learning (artificial intelligence);classification;neural networks;posterior probability estimation;neural classifiers;conventional classifiers;learning;generalization;feature variable selection;misclassification costs;Neural networks;Probability;Input variables;Costs;Medical diagnosis;Speech recognition;Network synthesis;Decision making;Humans;Medical diagnostic imaging}, doi={10.1109/5326.897072}, ISSN={1094-6977}, -month={Nov},} +month={Nov} +} @book{Gurney_1997, author = {K. {Gurney}}, @@ -83,7 +85,7 @@ month={Nov},} year = {1997}, isbn = {1857286731}, publisher = {Taylor \& Francis, Inc.}, - address = {Bristol, PA, USA}, + address = {Bristol, PA, USA} } @article{Lili_2017, @@ -220,3 +222,55 @@ organization={ACM} year={2006}, organization={Springer} } + +@article{Dilawar2018, +author = {Dilawar, Noman and Majeed, Hammad and Beg, Mirza Omer and Ejaz, Naveed and Muhammad, Khan and Mehmood, Irfan and Nam, Yunyoung}, +doi = {10.3390/app8091589}, +isbn = {8201092228}, +issn = {2076-3417}, +journal = {Applied Sciences}, +number = {9}, +pages = {1589}, +title = {{Understanding Citizen Issues through Reviews: A Step towards Data Informed Planning in Smart Cities}}, +volume = {8}, +year = {2018} +} + +@article{Abali2018, +author = {Abali, Gizem and Karaarslan, Enis and H{\"{u}}rriyetoǧlu, Ali and Dalkili{\c{c}}, Feriştah}, +doi = {10.1109/SGCF.2018.8408936}, +isbn = {9781538644782}, +journal = {Proceedings - 2018 6th International Istanbul Smart Grids and Cities Congress and Fair, ICSG 2018}, +keywords = {Data Analysis,Machine Learning,Smart Cities,Social Media Analysis,Text Mining}, +pages = {30--33}, +title = {{Detecting citizen problems and their locations using twitter data}}, +year = {2018} +} + +@book{Dustdar2017, +address = {Cham}, +author = {Dustdar, Schahram and Nasti{\'{c}}, Stefan and {\v{S}}{\'{c}}eki{\'{c}}, Ognjen}, +doi = {10.1007/978-3-319-60030-7}, +isbn = {978-3-319-60029-1}, +pages = {268}, +publisher = {Springer International Publishing}, +title = {Smart Cities}, +year = {2017} +} + +@book{Aggarwal2013, +author = {Aggarwal, Charu C.}, +isbn = {9781461463092}, +publisher = {Springer}, +title = {{Managing and mining sensor data}}, +year = {2013} +} + +@article{ISO_IEC2011, +author = {ISO/IEC}, +title = {{ISO/IEC 24760-1:2011 Information technology -- Security techniques -- A framework for identity management -- Part 1: Terminology and concepts}}, +url = {https://www.iso.org/standard/57914.html}, +year = {2011} +} + +