[論文レビュー] Efficient Destination Prediction Based on Route Choices with Transition Matrix Optimization

Zhou Yang, Heli Sun+4 more|arXiv (Cornell University)|Nov 8, 2017

Human Mobility and Location-Based Analysis参考文献 20被引用数 3

ひとこと要約

本稿では、半ラクティブラーニングを活用し、効率的遷移確率（ETP）および迂回路を伴う遷移確率（TPD）による最適化された遷移行列、および義務的通過地点（OTP）と遷移影響領域（TAA）を用いた動的モデル更新を組み合わせた、効率的な宛先予測手法を提案する。この手法により、時間的・空間的計算量が1桁低減され、実世界および合成データセットにおいて最先端手法と比較して30%以上高い精度を達成するとともに、100倍高速に動作する。

ABSTRACT

Destination prediction is an essential task in a variety of mobile applications. In this paper, we optimize the matrix operation and adapt a semi-lazy framework to improve the prediction accuracy and efficiency of a state-of-the-art approach. To this end, we employ efficient dynamic-programming by devising several data constructs including Efficient Transition Probability and Transition Probabilities with Detours that are capable of pinpointing the minimum amount of computation. We prove that our method achieves one order of cut in both time and space complexity. The experimental results on real-world and synthetic datasets have shown that our solution consistently outperforms its state-of-the-art counterparts in terms of both efficiency (approximately over 100 times faster) and accuracy (above 30% increase).

研究の動機と目的

• データスパarsityに対処する現行の宛先予測手法の限界を解消し、履歴トラジェクトリーデータを十分に活用すること。
• 特に最近の移動行動を組み込むことで、ルート選択行動をモデルに統合し、予測精度を向上させること。
• 最適化された行列演算と動的モデル更新を通じて、計算効率を著しく向上させること。
• 計算を影響を受ける領域（OTPおよびTAA）に限定することで、頻繁なモデル更新を可能にし、応答性と精度を向上させること。
• パスに注意を払う予測を強化した1次マルコフモデルを用いて、モデルの複雑さと性能のバランスを図ること。

提案手法

• モデル学習中の不要な計算を最小限に抑えるために、効率的遷移確率（ETP）および迂回路を伴う遷移確率（TPD）を導入する。
• 最近のルート選択に基づいて、動的に最も確率の高い将来の位置を特定する半ラクティブラーニングフレームワークを採用する。
• ベイズ理論を用いてオフラインでのモデル学習とオンライン予測を統合し、移動行程の進行に伴って精度を向上させる。
• モデル更新をわずか5%のグリッドセルに限定することで、再訓練を効率的に行えるように、義務的通過地点（OTP）と遷移影響領域（TAA）を適用する。
• 動的プログラミングに類似した手法を用いて行列乗算を最適化し、時間的・空間的計算量を1桁低減する。
• モデルのロバストネスを異なる空間解像度で評価できるように、調整可能な細粒度を持つグリッドベースのトラジェクトリーモデルを採用する。

実験結果

リサーチクエスチョン

• RQ1 ルート選択の意識を組み込んだ場合、1次マルコフモデルが高次モデルを上回る性能を示せるか？
• RQ2 計算量の削減を実現しつつ精度を損なわずに、遷移行列の計算をどのように最適化できるか？
• RQ3 小領域（OTPおよびTAA）に限定された頻繁なモデル更新が、予測精度をどの程度向上できるか？
• RQ4 遷移確率に迂回距離を組み込むことで、予測性能にどのような影響を与えるか？
• RQ5 地図の細粒度は、予測精度と計算効率のトレードオフにどのように影響するか？

主な発見

• 提案手法は、実世界および合成データセットにおいて、最先端手法であるSubSynEAと比較して30%以上高い予測精度を達成した。
• 既存手法と比較して約100倍高速に動作し、時間的・空間的計算量がともに1桁低減された。
• モデルの動的更新メカニズムが最も効果を発揮する、移動行程の25%～85%完了フェーズで、予測精度が顕著に向上した。
• OTPおよびTAAの使用により、モデル更新がグリッドセルの約5%に限定され、性能劣化を伴わずに頻繁な再訓練が可能になった。
• 粗い地図の細粒度は2次モデルの精度向上に寄与するが、細粒度設定ではその利点が薄れる一方で、本手法は一貫した性能を維持した。
• 細粒度地図においても、後者（SubSynEA）の性能が高次元状態空間における状態のぼやけ具合により低下する中で、本手法はSubSynEAを上回った。