[論文レビュー] Discovering Semantic Spatial and Spatio-Temporal Outliers from Moving Object Trajectories

Vitor Cunha Fontes, Vânia Bogorny|arXiv (Cornell University)|Mar 21, 2013

Data Management and Algorithms参考文献 11被引用数 3

ひとこと要約

本稿では、共通の関心領域を有する移動対象の軌跡における意味的空間的および時空間的外れ値を検出するための新規なアルゴリズム、TRA-SODを提案する。本手法は、関心領域間の軌跡に注目し、標準経路を特定し、経路の逸脱（回避）または停留（停止外れ）に基づいて外れ値を分類することで、時間的・空間的意味を統合し、文脈的関連性と解釈可能性において一般外れ値検出を上回る結果を得た。

ABSTRACT

Several algorithms have been proposed for discovering patterns from trajectories of moving objects, but only a few have concentrated on outlier detection. Existing approaches, in general, discover spatial outliers, and do not provide any further analysis of the patterns. In this paper we introduce semantic spatial and spatio-temporal outliers and propose a new algorithm for trajectory outlier detection. Semantic outliers are computed between regions of interest, where objects have similar movement intention, and there exist standard paths which connect the regions. We show with experiments on real data that the method finds semantic outliers from trajectory data that are not discovered by similar approaches.

研究の動機と目的

• 既存の軌跡外れ値検出手法が意味的文脈や時間的ダイナミクスを無視するという限界に対処すること。
• 同じ出発・到着領域を共有する軌跡において、意味的空間的および時空間的外れ値を定義し検出すること。
• 滞在時間、移動距離、停留回数、時間同期性の分析を通じて、外れ値検出に意味的解釈を付加すること。
• 交通管理、観光計画、動物行動分析などの応用分野における意思決定を向上させるために、意味のある逸脱を特定すること。
• 行動の逸脱（回避）と停留に基づく異常（停止外れ）を区別することで、実行可能なインサイトを提供する手法を提供すること。

提案手法

• アルゴリズムはまず、同一の領域ペア間を移動する候補となる軌跡を特定し、外れ値検出のための領域ベースの文脈を定義する。
• 最大距離閾値（maxDist）を用いて軌跡類似度を測定することで空間的外れ値を計算する。maxDist以内の軌跡は同一の経路とみなされる。
• 最小サポート（minSup）閾値を適用して、どの軌跡群が標準経路を構成するかを決定し、ノイズに対して耐性を確保する。
• 時空間的外れ値は、時間的整合性のチェックにより特定される。軌跡が定義された時間窓（TimeTolerance）内に出発領域を出発すれば、標準経路と同期しているとみなされる。
• 外れ値は、時間的に同期しているが経路が逸脱している「回避外れ」または同じ経路上に停留があるが逸脱している「停止外れ」に分類される。
• 本手法は、各外れ値に、滞在時間、移動距離、停留回数、標準経路からの時間的逸脱といった意味的属性を付加することで、外れ値検出を豊かにする。

実験結果

リサーチクエスチョン

• RQ1 共有される関心領域や意図された移動目的といった意味的文脈を統合することで、どのように軌跡外れ値検出を向上させられるか？
• RQ2 意味的空間的外れ値と一般の空間的外れ値とは、軌跡データにおいてどのように異なるか？
• RQ3 時空間的一致性を活用することで、外れ値検出をどのように洗練させ、誤検出を回避できるか？
• RQ4 経路の逸脱や計画外の停留といった外れ値の意味的特徴を、自動的に抽出・分類する方法は何か？
• RQ5 maxDist、minSup、TimeToleranceといったパラメータの変化が、標準経路および外れ値検出にどのように影響を与えるか？

主な発見

• maxDist = 20メートルの場合、標準経路を少なくとも1つ持つのは2つの経路（B→A および B→D）にとどまり、厳密な空間的閾値では標準経路の検出が制限されることが示された。
• maxDist = 50および80メートルの場合、5つの経路が少なくとも1つの標準経路を持つようになり、距離閾値を大きくすることで標準経路の発見が増加し、外れ値数が減少することがわかった。
• minSup = 2に設定した場合、44の標準経路が検出されたが、minSupを6に引き上げると、標準経路数は19に減少した。これは、高いサポート閾値では検出される標準経路数が減少し、外れ値検出が増加することを示している。
• minSup = 6の場合、一部の経路ペア（例：A→B、D→B）には標準経路が存在しなかったため、外れ値が生成されなかった。これは、外れ値検出がサポート閾値に依存していることを確認した。
• TimeToleranceは、時空間的外れ値検出に直接的な影響を持つ。高い値では、軌跡が同期しているとグループ化されやすくなるが、あまりに高い値では意味的な時間的整合性が低下する可能性がある。
• 提案手法TRA-SODは、回避外れと停止外れという明確に区別される外れ値タイプを検出でき、一般の外れ値検出アルゴリズム（例：TRAOD）では捉えきれない解釈可能で意味的豊かな結果を提供した。