[論文レビュー] Clustering with Temporal Constraints on Spatio-Temporal Data of Human Mobility

Yunlong Wang, Bjoern Sommer+2 more|arXiv (Cornell University)|Jul 2, 2018

Human Mobility and Location-Based Analysis参考文献 24被引用数 4

ひとこと要約

本稿では、空間的・時間的移動データに時間的制約を統合することで、グローバルかつローカルな関心地点（POI）を抽出する新しいクラスタリング手法PC-TCを提案する。空間的近接性に加え時間的パターンをモデル化することにより、従来のクラスタリング手法と比較して次回の場所予測の精度と細分化度が向上し、193人の個人を含む2つの実世界データセットで優れた性能を示した。

ABSTRACT

Extracting significant places or places of interest (POIs) using individuals' spatio-temporal data is of fundamental importance for human mobility analysis. Classical clustering methods have been used in prior work for detecting POIs, but without considering temporal constraints. Usually, the involved parameters for clustering are difficult to determine, e.g., the optimal cluster number in hierarchical clustering. Currently, researchers either choose heuristic values or use spatial distance-based optimization to determine an appropriate parameter set. We argue that existing research does not optimally address temporal information and thus leaves much room for improvement. Considering temporal constraints in human mobility, we introduce an effective clustering approach - namely POI clustering with temporal constraints (PC-TC) - to extract POIs from spatio-temporal data of human mobility. Following human mobility nature in modern society, our approach aims to extract both global POIs (e.g., workplace or university) and local POIs (e.g., library, lab, and canteen). Based on two publicly available datasets including 193 individuals, our evaluation results show that PC-TC has much potential for next place prediction in terms of granularity (i.e., the number of extracted POIs) and predictability.

研究の動機と目的

• 古典的なクラスタリング手法が時間的制約を無視し、ヒューリスティックまたは距離に基づくパrameterチューニングに依存するという限界を是正すること。
• 空間的・時間的移動データから、グローバル（例：職場）およびローカル（例：食堂）の意味のある関心地点（POI）をよりよく特定すること。
• 人間の移動に内在する時間的パターンを活用したクラスタリングフレームワークを構築し、POI抽出と次回の場所予測の精度を向上させること。
• 実世界の移動データセットを用いて、細分化度と予測可能性の観点から本手法の有効性を評価すること。

提案手法

• PC-TC手法は、時間的な訪問パターンをモデル化することで、空間クラスタリングに時間的制約を統合し、クラスタに属する点が空間的に近接しているだけでなく、時間的に整合性を持つことを保証する。
• 時間に敏感なクラスタリングアルゴリズムを用い、空間的近接性と繰り返し発生する時間的パターン（例：毎日または毎週の訪問）に基づいて移動ポイントをグループ化する。
• クラスタの割り当てを動的に決定するため、訪問頻度と時間的整合性を考慮し、クラスタ数などの事前定義パrameterに依存するのを低減する。
• 時間的シーケンスを分析するためにスライディングウインドウ手法を適用し、POIを定義する安定した訪問パターンを同定する。
• 特定の時間窓内での訪問の持続時間と繰り返し頻度を分析することで、グローバルPOIとローカルPOIを区別する。
• クラスタメンバーシップを定義するために、空間的距離と時間的相関を組み合わせたハイブリッド類似度測度を採用する。

実験結果

リサーチクエスチョン

• RQ1 時間的制約をクラスタリングに効果的に統合することで、人間の移動データにおけるPOI検出がどのように向上するか？
• RQ2 時間的パターンを組み込むことで、次回の場所予測の細分化度と予測可能性はどの程度向上するか？
• RQ3 PC-TCは、グローバルおよびローカルな関心地点を特定する点で、従来のクラスタリング手法を上回ることができるか？
• RQ4 本手法は、実世界のデータセットにおける多様な移動パターンに対してどの程度の性能を示すか？
• RQ5 時間的整合性は、クラスタの安定性とPOI同定にどのような影響を及えるか？

主な発見

• PC-TCは、ベースラインのクラスタリング手法と比較して、より細分化され意味のあるPOIのセットを抽出することで、次回の場所予測性能を顕著に向上させた。
• 時間的訪問パターンを活用することで、本手法はグローバルPOI（例：職場、大学）とローカルPOI（例：図書館、食堂）の両方を効果的に同定した。
• 193人の個人を含む2つの公開データセットを用いた評価では、PC-TCがより高い予測可能性を達成し、POIの解像度が向上した。
• 時間的整合性をクラスタリングプロセスに組み込むことで、ヒューリスティックなパrameter選択への依存度が低減された。
• 時間的制約により、頻繁に訪問されながらも空間的に近接する場所に対して、より安定的かつ意味的に明確なクラスタが得られた。
• PC-TCは、定期的通勤者から不規則な移動者に至るまで、多様な移動行動に対して高い頑健性を示した。