[論文レビュー] Exploring a New Model for Mobile Positioning Based on CDR Data of The Cellular Networks

Amnir Hadachi, Artjom Lind|arXiv (Cornell University)|Feb 8, 2019

Human Mobility and Location-Based Analysis参考文献 33被引用数 7

ひとこと要約

本稿では、GPS や追加センサを必要とせず、CDR データと通信キャリアのカバレッジ領域のみを用いてユーザーの位置を高精度に推定する新しいモバイル位置推定モデルを提案する。スイッチングカルマンフィルタを用いて移動/停止の行動タイプを分類し、同時に位置を推定し、地図マッチングを適用して結果を道路や建物に一致させることで、最適化および地図マッチングを組み合わせた場合、移動位置では最大58%、停止位置では14%の誤差低減が達成された。

ABSTRACT

The emerging technologies related to mobile data especially CDR data has great potential for mobility and transportation applications. However, it presents some challenges due to its spatio-temporal characteristics and sparseness. Therefore, in this article, we introduced a new model to refine the positioning accuracy of mobile devices using only CDR data and coverage areas locations. The adopted method has three steps: first, we discovered which model of movement (Move, Stay) is associated with the coverage areas where the mobile device was connected using a Kalman filter. Then, simultaneously we estimated the location or the position of the device. Finally, we applied map-matching to bring the positioning to the right road segment. The results are very encouraging; nevertheless, there is some enhancement that can be done at the level of movement models and map matching. For example by introducing more sophisticated movement model based on data-driven modeling and a map matching that uses the movement model type detected by matching "Stay" location to buildings and "Move" model to roads.

研究の動機と目的

• CDR データの空間的・時間的分解能が低いという課題を解決し、正確なモバイルユーザーの位置特定を実現すること。
• GPS やその他のセンサを一切使用せず、CDR データとカバレッジ領域の幾何構造に依存する位置推定モデルを開発すること。
• 移動モデル（移動／停止）と地図マッチングを統合することで、推定位置を現実のインfra構造（道路・建物）に一致させ、位置特定精度を向上させること。
• カバレッジ領域の最適化と地図マッチングが、移動および停止行動の両方における位置誤差低減に与える影響を評価すること。

提案手法

• スイッチングカルマンフィルタを用いて、CDR イベントとカバレッジ領域の遷移に基づき、ユーザー行動を「移動」または「停止」の状態に分類する。
• 同時状態推定を実行し、カバレッジ領域ポリゴン内でのモバイル端末の最も可能性の高い地理的位置を推定する。
• カバレッジ領域最適化を適用して、アンテナのカバレッジポリゴンの重心と形状を精緻化し、位置精度を向上させる。
• 推定後処理として地図マッチングを適用：移動モデルでは位置を最も近い道路セグメントにスナップし、停止モデルでは最も近い建物に一致させる。
• 本モデルは、歴史的 CDR データと既知のアンテナ位置を用いて、GPS に類似した移動軌跡を再構築する。
• 誤差評価は GPS の真値を用い、推定位置と実際の位置を RMSE および誤差分布解析によって比較して実施する。

実験結果

リサーチクエスチョン

• RQ1 CDR データとカバレッジ領域の幾何構造のみで、十分な精度のユーザー位置推定が可能か？
• RQ2 ユーザー行動を「移動」または「停止」としてモデル化することで、均一なモデルと比較して位置特定精度がどのように向上するか？
• RQ3 カバレッジ領域の最適化が CDR ベースの位置特定における誤差低減に与える影響は何か？
• RQ4 地図マッチングは、移動位置では道路、停止位置では建物に一致させることで、推定位置を現実のインfraにどれほど効果的に一致させられるか？
• RQ5 最適化と地図マッチングのどの組み合わせが、異なる移動パターンにおいて最も低い誤差を達成するか？

主な発見

• カバレッジ最適化により、『移動』位置の平均誤差は 4912.9 メートルから 4937 メートルに、標準偏差は 6510.4 メートルから 6083.2 メートルに低下し、誤差がゼロに集中するよう改善されたことが示された。
• 『停止』位置では、カバレッジ最適化により平均誤差が 2106.8 メートルから 1803.3 メートルに、標準偏差が 2008.1 メートルから 1739.2 メートルに低下した。
• 地図マッチングにより、『移動』位置の RMSE は最適化なしの 8156.1 メートルから、最適化と地図マッチングを併用した場合の 3344.4 メートルにまで低下し、58.7% の削減が達成された。
• 『停止』位置では地図マッチングが逆効果をもたらし、最適化のみの場合の 1803.3 メートルから、地図マッチングを適用した場合の 2402.6 メートルに RMSE が上昇した。これは、このクラスでは地図マッチングが有益でないことを示している。
• 『移動』位置では、カバレッジ最適化と地図マッチングの併用が最良の性能を達成した。一方、『停止』位置では、カバレッジ最適化のみが最良の結果をもたらした。
• カバレッジ最適化を施した後、『移動』および『停止』両位置の誤差分布がゼロの周囲に集中するようになった。これは、最適化が位置推定値の精緻化に有効であることを確認した。