[論文レビュー] Developing a Spatial-Temporal Contextual and Semantic Trajectory Clustering Framework

Ivens Portugal, Paulo S. C. Alencar+1 more|arXiv (Cornell University)|Dec 8, 2017

Data Management and Algorithms参考文献 22被引用数 3

ひとこと要約

本論文は、空間的・時間的次元に加え、文脈（例：天候、交通状況）および意味的次元（例：移動目的）を統合することで、軌跡表現を向上させる、画期的な空間的・時間的文脈的・意味的軌跡クラスタリングフレームワークを提案する。点同士の関係、経路の重なり、意味的整合性に基づく新しい類似性メトリクスを導入することで、より表現力のあるクラスタリングを実現し、スケーラブルなビッグデータアーキテクチャを用いた大規模な軌跡データワークロードにおけるパターン検出および予測分析を向上させる。

ABSTRACT

This paper reports on ongoing research investigating more expressive approaches to spatial-temporal trajectory clustering. Spatial-temporal data is increasingly becoming universal as a result of widespread use of GPS and mobile devices, which makes mining and predictive analyses based on trajectories a critical activity in many domains. Trajectory analysis methods based on clustering techniques heavily often rely on a similarity definition to properly provide insights. However, although trajectories are currently described in terms of its two dimensions (space and time), their representation is limited in that it is not expressive enough to capture, in a combined way, the structure of space and time as well as the contextual and semantic trajectory properties. Moreover, the massive amounts of available trajectory data make trajectory mining and analyses very challenging. In this paper, we briefly discuss (i) an improved trajectory representation that takes into consideration space-time structures, context and semantic properties of trajectories; (ii) new forms of relations between the dimensions of a pair of trajectories; and (iii) big data approaches that can be used to develop a novel spatial-temporal clustering framework.

研究の動機と目的

• 文脈的および意味的次元を無視する現在の軌跡表現の表現力の制限を解決すること。
• 空間的・時間的・文脈的・意味的関係を活用した、新たな類似性関数の開発。
• 豊富な類似性モデルをサポートできるスケーラブルなビッグデータフレームワークの設計。
• 多様な次元の軌跡意味的情報を統合することで、より正確なクラスタリング、外れ値検出、予測分析を実現すること。

提案手法

• 動的文脈的属性（例：天候、交通状況）および意味的目標（例：「仕事に行く」、「昼食休憩」）を最初のクラスの次元として、従来の軌跡表現を拡張する。
• 点同士の整合性、経路の重なり時間、軌跡セグメント間の意味的整合性に基づく新しい類似性メトリクスを導入する。
• オントロジーと意味的アノテーションを用いて軌跡の意味的特徴をモデル化し、目的指向の属性で軌跡データを豊かにする。
• 文脈的および意味的特徴を強化した動的時間ワープ（DTW）および他の距離関数を用いて、軌跡比較の精度を向上させる。
• 分散コンピューティングパラダイムを用いて大規模な軌跡データを処理するモジュラーなビッグデータフレームワークを設計する。
• 強化された類似性関数を活用したクラスタリング手法により、パターンおよび異常の検出をより効果的に実現する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、文脈的および意味的次元を軌跡データに統合することで、表現の表現力が向上するか？
• RQ2 空間的・時間的・文脈的・意味的特徴を組み合わせることで、どのような新しい類似性関係を導出できるか？
• RQ3 これらの新しい類似性メトリクスを用いて、既存のクラスタリングアルゴリズムをどのように改善し、より意味のあるグループ化を達成できるか？
• RQ4 新しい軌跡クラスタリングフレームワークを効率的かつスケーラブルに処理するには、どのようなビッグデータアーキテクチャが必要か？

主な発見

• 文脈と意味的次元を軌跡表現に統合することで、純粋な空間的・時間的整合性を超えた、より洗練され意味的意味のある比較が可能になる。
• 経路の連続性と重なりに重点を置いた新しい類似性メトリクスは、同じ数の共有点を持つが構造的関係が異なる軌跡を区別できるため、クラスタリングの正確性が向上する。
• 豊かに表現された軌跡に基づくクラスタリングにより、繰り返しの通勤行動や共有される意味的目標といった、より解釈可能なパターンが明らかになる。
• 提案されたフレームワークは、大規模な軌跡データのスケーラブルな処理をサポートしており、実世界での高度なクラスタリング手法の導入を可能にする。