[論文レビュー] Activity recognition for a smartphone and web based travel survey

Youngsung Kim, Francisco C. Pereira+4 more|arXiv (Cornell University)|Feb 12, 2015

Human Mobility and Location-Based Analysis参考文献 23被引用数 6

ひとこと要約

本稿では、ウェブベースの移動調査におけるスマートフォンで得られる移動データから、人間の行動タイプを推定するアンサンブル学習モデルを提案する。空間的・時間的特徴、ポイント・オブ・インタレスト（POI）、および他ユーザー間およびユーザー固有の社会的・人口統計的データを活用する。複数の異なるユーザー集団で訓練された分類器を統合し、段階的に個々のユーザー履歴を組み込むことで、一般化性能と精度が向上し、特に未観測ユーザーに対して顕著な効果を示す。学習データが蓄積されるに従い、性能が向上する。

ABSTRACT

In transport modeling and prediction, trip purposes play an important role since mobility choices (e.g. modes, routes, departure times) are made in order to carry out specific activities. Activity based models, which have been gaining popularity in recent years, are built from a large number of observed trips and their purposes. However, data acquired through traditional interview-based travel surveys lack the accuracy and quantity required by such models. Smartphones and interactive web interfaces have emerged as an attractive alternative to conventional travel surveys. A smartphone-based travel survey, Future Mobility Survey (FMS), was developed and field-tested in Singapore and collected travel data from more than 1000 participants for multiple days. To provide a more intelligent interface, inferring the activities of a user at a certain location is a crucial challenge. This paper presents a learning model that infers the most likely activity associated to a certain visited place. The data collected in FMS contain errors or noise due to various reasons, so a robust approach via ensemble learning is used to improve generalization performance. Our model takes advantage of cross-user historical data as well as user-specific information, including socio-demographics. Our empirical results using FMS data demonstrate that the proposed method contributes significantly to our travel survey application.

研究の動機と目的

• 伝統的なインタビュー式移動調査には、データ品質の低さと行動ベースのモデリングに不十分なサンプルサイズという限界があるため、これを是正すること。
• インタラクティブな移動調査におけるユーザーの負担を軽減するため、機械学習を用いて行動ラベルの自動化を実現すること。
• 空間的・時間的・文脈的特徴を統合することで、現実世界のノイズの多いデータにおける行動認識の精度を向上させること。
• ユーザー内およびユーザー間のデータ統合（社会的・人口統計的特徴を含む）により、モデルの一般化性能を向上させること。
• 蓄積される学習データの影響が、既知のユーザーおよび未知のユーザーの両方のモデル性能に与える影響を評価すること。

提案手法

• GPSノイズや現実データにおける空間的不確実性に対処するため、ボロノイ図による空間量子化を用いる。
• 時間帯、移動状況（例：移動手段）、環境的文脈（例：ポイント・オブ・インタレスト）から予測特徴量を抽出する。
• 異なるユーザー集団およびユーザー固有のデータで訓練された複数のベース分類器を統合するアンサンブル学習フレームワークを採用し、耐性を高める。
• 他ユーザーの履歴データとユーザー固有のデータの予測を統合し、社会的・人口統計的情報を個人化のための主要な入力として使用する。
• 逐次学習アプローチを採用し、新しいデータが到着する度にモデル性能を評価する。これにより、学習データの逐次的インジェストを模擬した実世界の展開を再現する。
• ポイントワイズ分類（各停止位置ごとの分類）をサポートするとともに、将来の拡張としてHMMやCRFのような系列ベースのモデルへの対応も可能にする。

実験結果

リサーチクエスチョン

• RQ1 他ユーザーの履歴データとユーザー固有の情報の統合が、行動認識の精度に与える影響はいかほどか？
• RQ2 他ユーザーのデータのみを用いる場合と比較して、ユーザー自身の履歴データから学習することで、分類性能はどの程度向上するか？
• RQ3 ユーザーごとに学習日数が増加するにつれて、モデル性能はどのように変化するか？
• RQ4 空間量子化手法がGPSノイズや位置の不確実性をどのように扱うかに与える影響は？
• RQ5 社会的・人口統計的特徴の組み込みが、異なるユーザータイプにわたるモデルの一般化能力に与える影響は？

主な発見

• 訓練データとして他ユーザーと社会的・人口統計的データを用いた場合、訓練済みユーザーに対しては顕著に高い分類精度を達成しており、特に未観測ユーザーに対して顕著な向上が見られた。
• 未観測ユーザーでは、ユーザー固有の学習日数が増えるにつれてテスト精度が顕著に向上し、パーソナライゼーションの価値が裏付けられた。
• 未観測ユーザーの平均分類精度は、ユーザー固有の学習日数が増えるに従い滑らかに上昇し、学習データの蓄積に伴い顕著な改善が観察された。
• テスト精度曲線に5日目で性能低下が見られたのは、1ユーザーあたりのテストサンプル数の比率が高くなったことが原因であり、珍しいまたはレアな行動パターンがより多く含まれたためと考察された。
• 異なるユーザー集団で訓練された複数の分類器を統合することで、一般化性能が向上し、個々の分類器の学習を上回る性能を示した。
• 結果から、ユーザー固有の学習が精度向上に寄与することが確認され、モデルの性能は逐次的なデータインジェストに対しても頑健でスケーラブルであることが示された。