Sirvi Autor "Vajakas, Toivo" järgi

Nüüd näidatakse 1 - 3 3

Kiire kaardiliides mahukate vektorandmetega
(Tartu Ülikool, 2013) Timašjov, Dmitri; Leping, Vambola; Vajakas, Toivo; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituut
Tänapäeva maailmas esineb sageli vajadus kujundada ja arendada igasuguseid veebipõhiseid geograafilisi infosüsteeme (GIS), praktilistel ja teaduslikel eesmärkidel. Tihti juhtub, et geograafiliste andmete maht, mida infosüsteem peab samaaegselt kasutajale näitama ja edastama on nii suur, et veebilehitsejatel võivad tekkida probleemid andmete visualiseerimisega ja kiire esitamisega. Peamine töö eesmärk on uurida kuidas olemasolevad geoandmete visualiseerimise vahendid toetavad suuri geograafilisi andmekogumeid (rohkem kui 100000 objekte), nende kodeeringut ja kujutamist kaardil. Tähelepanu pööratakse ülevaatele, kus kirjeldatakse kõige sagedamini kasutatavad meetodit ja tehnoloogiad, mis töötavad väga suuremahuliste ja mitmedimensionaalsete andmetega ja võimaldavad määrata kuvatavate andmete hulka erinevatel suumiastmetel. Töös võrreldakse visualiseerijaid (SVG, canvas), serveri- ja kliendipoolseid klasterdamise tehnikaid ning detsimeerimise printsiipi. Lisaks uuritakse geoandmete visualiseerimise kasutusmugavust. Väga suuremahuliste andmete kuvamisel ei ole kasutajale tihtipeale arusaadav, mida on kaardile visualiseeritud. Lõpptulemusena luuakse väike GIS veebirakendus, kus rakendatakse mõningaid optimeerimis- ja visualiseerimistehnikad, et näha kuidas veebilehitsejad saavad hakkama väga suuremahuliste andmemahtudega. Rakenduse testimisel saadud tulemused korrastati ja analüüsiti, et hinnata valitud meetodite töökindlust ja jõudlust.
Passiivsete mobiilipositsiooni sündmuste tõenäosuslik asukoha hinnang
(2016) Rõõmusaare, Joosep; Vajakas, Toivo
Uurijad, kes on püüdnud mõista inimeste liikumise mustreid, korjavad andmeid mobiilivõrkudelt. Mobiilid teevad sündmuse kirjeid iga kord, kui nendega helistatakse, saadetakse SMSi või kasutatakse Interneti. Sündmuste kirjed sisaldavad informatsiooni sellest, millisesse võrgu transiiversisse mobiiltelefon oli sel hetkel ühendatud. Võrgu ühe transiiveri leviala saab kasutada, et püüda positsioneerida telefoni geograafilist asukohta. Kasutades positsioneerimiseks transiiveri leviala, siis need hinnatavad asukohad pole punktid kaardil, vaid geograafilised alad, kus telefon võib olla kui ta on transiiveriga ühendatud.\n\r Mobiilide ühendamine transiiveritega sõltub mitmest muutujast, mis tähendab, et mobiil ei ole alati ühendatud kõige tugevama signaaliga transiiveriga. See teeb mobiili asukoha hindamise keerulisemaks, sest transiiverite levialad võivad üksteisest üleulatuda.\n\rVõrguplaan kirjeldab võrgus olevate transiiverite levialasid ning seda kasutatakse, et defineerida transiiverite levialasid.\n\rSelles lõputöös hinnatakse mobiilisündmuste positsioneerimise kvaliteeti ruumilise jaotuse tihedusfunktsioonidega. Luuakse erinevad võrguplaani variandid ja erinevate võrguplaanide kvaliteeti hinnatakse Bayesi statistikaga ja kasutatakse reaalsed asukoha andmed. Erinevate võrguplaanide kvaliteeti hinnatakse suurima tõepära meetodiga.\n\rVõrreldi RSSI ja Voronoi põhjal tehtud võrguplaane ja nende modificatsioone ja leiti, et Voronoi võrguplaanide puhul paistis asukoha positsioneerimine paremini kui RSSI võrguplaanide puhul.\n\rLisaks uuriti, kuidas transiiverite levialade üleulatamisel arvestamine Bayesi metoodiga mõjutab asukoha positsioneerimise täpsust. Leiti, et Bayesi levialade üleulatamise metood tegi halvemate võrguplaanide täpsust paremaks, aga paremate võrguplaanide täpsust halvemaks.
Towards integration of mobile network data into analyzing human mobility
(2024-11-08) Vajakas, Toivo; Vainikko, Eero, juhendaja; Hadachi, Amnir, juhendaja; Loodus- ja täppisteaduste valdkond
Enamus inimestest kannab endaga kaasas mobiiltelefoni. Sisselülitatud telefoni ligikaudne trajektoor on hästi nähtav mobiilsidevõrgus, millega ta on ühendatud. Need andmed on operaatoril juba “tasuta” olemas. Inimeste liikuvuse mustrite tuvastamisel on suur väärtus mitmes mõttes. Planeerimise otsuste tegemisel on hädavajalik teada, kuidas inimesed tegelikult liiguvad – kus päeval tööl käivad, mis teid mööda liiguvad, kuidas muutub inimeste käitumine aastaajati jne. Liikumismustrite tuvastamise põhimeetod on tuvastada üksikisikute trajektoorid ja need siis agregeerida üldistatud jaotusteks, mida kasutada planeerimises. Mõnes riigis on trajektooripõhised andmed kasutusel ka asukohapõhises otsereklaamis (ingl. k. location based advertising), kus kasutajat profileeritakse individuaalselt tema asukoha või liikumismustrite alusel. Nende andmete kasutamisel on takistuseks see, et andmete täpsus jätab soovida. Mobiilsidevõrk ei ole ehitatud selleks, et jälgida pidevalt mobiilide asukohta. Töös on käsitletud järgmisi asukohainfo täpsustamise meetmeid: 1. Võrgusisese antennivahetuse statistika alusel tunnistada teatud näivad liikumised ebatõenäoliseks – kui inimene näiliselt “hüppab” mitme antenni vahel ebarealistliku kiirusega. 2. Täpsustada ülekattega antennide piirkonnas asukoha tõenäosust Bayes'i statistika meetoditega – kui mobiil on mitme antenni mõjualas, siis seal on konkreetsel ühel antennil väiksem tõenäosus ühenduda antud mobiiliga. 3. Autor pakkus kirjanduses pakutud parendusi Kalmani filtril põhinevale metoodikale, mis eristab positsioneeritava objekti paigalseisu ja liikumise episoode. 4. Statistiliselt avastada mobiilsidevõrgu kirjelduses vigu, mis moonutavad andmeid, näiteks kahe antenni andmed on võrguplaanis ära vahetatud, sellega trajektooris inimene satuks näiliselt ühe antenni alast teise antenni alasse. Muidugi on vaja garanteerida üksikisikute õigus privaatsusele vastava riigi õigusruumis. See on väljaspool selle töö skoopi.