1. Probabilistic Methods for Spatio-Temporal Coverage in People-Centric Sensing Asaad Gad Elrab, Keiichi Yasumoto, Yukiko Yamauchi, Minoru Ito NAIST (Nara Institute of Science and Technology)

2. 提案概要：モバイルユーザによる指定エリアのセンシング People Centric Sensing (PCS) [1] 都市等における環境情報収集の新しいパラダイム モバイルユーザ（人，車）を移動センサとして利用 アプリケーション例: ゲリラ豪雨予測 (WeatherNews) PCSにおける指定エリアの最小コスト被覆 モバイルユーザの移動経路は制御不可 指定エリアを確率的に被覆するアルゴリズム 2

3. 発表の流れ 関連研究 問題設定 アルゴリズム 性能評価 まとめ 3

5. 発表の流れ 関連研究 問題設定 アルゴリズム 性能評価 まとめ 5

7. (α, T)-被覆の定義 ユーザ集合U’ がAoIを(α, T)-被覆 ⇔AoIのどのセンシング地点も，U’のいずれかのユーザにより，T時間以内に確率α以上で訪問される 7 AoI

8. その他の仮定 サーバ（固定ネットワーク内） ユーザからのクエリの受信・処理，センシング結果の返信 (α, T)-被覆のためのモバイルユーザの選択 クエリ（ユーザが発行） 同時に発行・処理されるのは一つのみ モバイルユーザの端末 センシング機能 長距離無線通信（A内のどの地点でもサーバと通信可能） モバイルユーザの行動 予め決められた経路を移動 システムにより選択されたら，センシング地点通過のたびにセンシングし，情報をサーバにアップロード 8

9. 発表の流れ 関連研究 問題設定 アルゴリズム 性能評価 まとめ 9

10. 基本アイデア (1) 各モバイルノードの初期位置から，AoIの各センシング地点を将来訪問する確率を予測 (2) 各地点の合計訪問確率がα以上になるまでノードをインクリメンタルに選択 10 モバイルノードu1 AoI (例) u1がT=2以内に 訪問する確率 =0.5×0.25 u2がT=2以内に訪問 する確率=0.25 モバイルノードu2

11. (1) センシング地点の訪問確率の計算 ユーザuが時刻tに地点vを訪問する確率 地点vのユーザ集合UによるT時間以内での訪問確率 1から，時刻t (1 ≦ t ≦ T)においてどのユーザもvを訪問しない確率を引いた値 11 2地点間の 1ステップでの 移動確率を表す N×N行列(既知) 初期位置の要素 のみが1で他は0 のN要素ベクトル ※Nは，Aの地点数 uの初期位置

12. (2) (α, T)-被覆する最少ノード集合の選択 AoIの各地点vについて以下を満たす，最少数のユーザ集合U’を選択したい SetProb(v, U’, T)≧α ノード選択における問題点 ランダム選択 同じ地点を将来訪問するノード群を選んでしまうと無駄が生じ，結果的に選択ノード数が多くなる なるべく，同じ地点を訪問しないノード群を選ぶべき 取りうる戦略 初期位置が一定以上離れているノード群を選ぶ 同じ地点で出会うまでの時間が長いノードを選ぶ 12

13. 相互距離の閾値 dthを基に，相互距離≧dthとなるノード群をAoI内から選択 AoI内の各地点vについて，SetProb(v, U’, T)≧αとなるまで，上の条件を満たすノードを選択し，U’に追加 相互距離に基づいたノード選択法Inter-Location-Based (ILB) 13 選択すべきノード数（対象ノード数）は， Tに反比例，α, dmaxに比例すべき  dthは，Tに比例，α , dmaxに反比例 AoI内のユーザの 初期位置間の最大

14. 遭遇時間に基づいたノード選択法Inter-Meeting-Time-Based (IMTB) 遭遇時間の閾値 mtthを基に，予測遭遇時間≧mtthとなるノード群をAoI内から選択 予測遭遇時間の計算 AoI内の各地点vについて，SetProb(v, U’, T)≧αとなるまで，上の条件を満たすノードを選択し，U’に追加 14 選択すべきノード数（対象ノード数）は， Tに反比例，α, mtmaxに比例すべき  mtthは，Tに比例，α , mtmaxに反比例 AoI内のユーザの 予測遭遇時間の最大

15. ノード選択範囲を拡張した手法eILB, eIMTB AoI内のノード数が不足するケース AoIの大きさやノード密度により，AoI内の全ノードを選択しても(α, T)-被覆が不可能なケースが存在 選択範囲を拡大したアルゴリズム: eILB, eIMTB 拡張範囲は，AoIの境界から に制限 AoIから遠いノードを選ぶと，T以内にAoIに到達しない 15 AoI 選択範囲を拡大

16. 発表の流れ 関連研究 問題設定 アルゴリズム 性能評価 まとめ 16

17. 性能評価 目的：提案アルゴリズムの被覆性能・コストの調査 評価指標： 選択ノード数 達成被覆率≧要求被覆率 α 手段：以下の設定でシミュレーション実験（5回平均） 17 被覆した地点数 達成被覆率= 全ｾﾝｼﾝｸﾞ地点数

18. (1) クエリ時間に対する性能 (小 AoI, 高 α)(AoI率=0.01, α=0.9, ノード数=100) 選択ノード数 Tが大きくなると減少．ILBが最も性能が良い 被覆率 T≧8で，全アルゴリズムがほぼ被覆率0.9以上を達成 T=2, 4の時は，要求被覆率を達成できていない 18

19. (2)クエリ時間に対する性能 (中 AoI, 中 α)(AoI率=0.5, α=0.5, ノード数=100) 選択ノード数 Tが大きくなると大きく減少，IMTBが最も性能が良い 被覆率 T≧2で，全アルゴリズムがほぼ被覆率0.5以上を達成 eILB, eIMTBは過剰にノードを選択している 19

20. (3) ノード数に対する性能 (中 AoI, 中α)(AoI率=0.5, α=0.5, クエリ時間T=8) 選択ノード数 ノード数に応じて増加，150以上では増加しない ILB/eILBより，IMTB/eIMTBが少ない 被覆率 ノード数が75以下では，ILB, IMTBは要求被覆率に達していない eILB, eIMTBはノード数に関係なく，要求被覆をほぼ達成 20

21. まとめ 提案内容 移動ユーザによる指定領域の(α, T)-被覆問題を定義 移動確率に基づいたアルゴリズムを提案 ILB (相互距離), IMTB (遭遇時間), eILB, eIMTB (AoI拡張版) シミュレーションにより性能を評価 提案アルゴリズム群は(α, T)-被覆をほぼ達成 ILBは小規模のAoIに，IMTBは中規模以上のエリアに有効 eILB, eIMTBは，AoI内のノード数が少ない時に有効 今後の課題 複数のクエリが同時に発行されるケースへの対処 現実に近いユーザモビリティを用いた性能評価 21