[論文レビュー] Deep Learning for Human Mobility: a Survey on Data and Models.

Massimiliano Luca, Gianni Barlacchi+2 more|arXiv (Cornell University)|Dec 4, 2020

Human Mobility and Location-Based Analysis参考文献 172被引用数 21

ひとこと要約

本調査は、次なる場所予測、混雑状況の予測、および軌跡生成を焦点として、深層学習のヒューマンモビリティへの応用について包括的な概要を提供する。データソース、モデル、未解決の課題を統合的に整理し、深層学習およびモビリティ科学分野の研究者・実務家向けの統一的なガイドを提供する。

ABSTRACT

The study of human mobility is crucial due to its impact on several aspects of our society, such as disease spreading, urban planning, well-being, pollution, and more. The proliferation of digital mobility data, such as phone records, GPS traces, and social media posts, combined with the outstanding predictive power of artificial intelligence, triggered the application of deep learning to human mobility. In particular, the literature is focusing on three tasks: next-location prediction, i.e., predicting an individual's future locations; crowd flow prediction, i.e., forecasting flows on a geographic region; and trajectory generation, i.e., generating realistic individual trajectories. Existing surveys focus on single tasks, data sources, mechanistic or traditional machine learning approaches, while a comprehensive description of deep learning solutions is missing. This survey provides: (i) basic notions on mobility and deep learning; (ii) a review of data sources and public datasets; (iii) a description of deep learning models and (iv) a discussion about relevant open challenges. Our survey is a guide to the leading deep learning solutions to next-location prediction, crowd flow prediction, and trajectory generation. At the same time, it helps deep learning scientists and practitioners understand the fundamental concepts and the open challenges of the study of human mobility.

研究の動機と目的

• 既存の調査におけるギャップを埋めるために、複数のヒューマンモビリティタスクにわたる深層学習ソリューションを統一的にレビューすること。
• 研究者および実務家向けにモビリティおよび深層学習の基礎的知識を提供すること。
• ヒューマンモビリティ研究で使用される公開データセットおよびデータソースをリスト化すること。
• 次なる場所予測、混雑状況予測、および軌跡生成のための深層学習アーキテクチャを分析・比較すること。
• ヒューマンモビリティにおける深層学習分野の主な未解決の課題を特定し、議論すること。

提案手法

• 本論文は、ヒューマンモビリティに応用された深層学習モデルについて、3つのコアタスクに焦点を当てた体系的レビューを実施する：次なる場所予測、混雑状況予測、および軌跡生成。
• RNN、LSTM、GRU、CNN、およびアテンションベースのモデルを含む、モビリティモデリングに用いられるさまざまな深層学習アーキテクチャを分類・記述する。
• モバイルフォン記録、GPSトレース、ソーシャルメディアデータなどのデータソースを評価し、その特徴と入手可能性を強調する。
• 文献で使用されるモデル評価指標およびベンチマークデータセットについて説明し、パフォーマンス評価を検討する。
• タスク固有の設計、入力表現、アーキテクチャ選択に基づいて、モデルを整理・比較する。
• 一般化の限界、プライバシー上の懸念、データ不足といった制限要因や未解決の課題を特定する。

実験結果

リサーチクエスチョン

• RQ1 ヒューマンモビリティにおける次なる場所予測、混雑状況予測、および軌跡生成に用いられる主な深層学習モデルは何か？
• RQ2 GPS、モバイルフォン記録、ソーシャルメディアなどの異なるデータソースは、モデルのパフォーマンスおよび適用性にどのように影響を与えるか？
• RQ3 ヒューマンモビリティのパターンをモデリングする際、最も効果的な深層学習アーキテクチャおよびコンponents（例：アテンション、RNN）は何か？
• RQ4 スケールにのっとったヒューマンモビリティにおける深層学習の導入に際しての主な未解決の課題は何か？
• RQ5 現在のモデルは、異なる地理的地域およびモビリティ行動の文脈において、どのように一般化するか？

主な発見

• 本調査では、RNNベースのモデル、特にLSTMおよびGRUが、その逐次的モデリングの強みから、次なる場所予測において広く使用されていることが明らかになった。
• 長距離依存性および空間的関係を捉えるために、アテンション機構およびグラフニューラルネットワークが、混雑状況予測においてますます採用されている。
• 軌跡生成モデルは、多様で現実的な移動パターンを生成するために、しばしば変分オートエンコーダーとRNNを組み合わせる。
• GPSトレース（モバイルアプリから得たもの）や匿名化された通話記録（CDR）といった公開データセットが主なデータソースであるが、その入手可能性と品質には顕著な差が見られる。
• 強力な予測性能を発揮する一方で、モデルは一般化性、プライバシー準拠、解釈可能性の面で、多様な都市的文脈において課題に直面している。
• 本調査では、標準化されたベンチマークおよび評価プロトコルの欠如が、分野の進展を妨げる主要な障壁であると強調した。