[論文レビュー] Inferring Taxi Status Using GPS Trajectories

Yin Zhu, Yu Zheng+4 more|arXiv (Cornell University)|May 20, 2012

Human Mobility and Location-Based Analysis参考文献 25被引用数 25

ひとこと要約

本稿では、GPSトレースを用いてタクシーの状態（利用中、非利用中、駐車中）を推定する二段階モデルを提案する。単一および履歴的なトレースから特徴工学を適用し、道路網データを統合し、駐車検出アルゴリズムを用いてトレースをセグメント化し、局所的確率的分類器と隠れ部分マルコフモデル（HSMM）を組み合わせて状態推定の精度を向上させた。実世界の600台のタクシーからなるデータセットにおいて優れた性能を発揮した。

ABSTRACT

In this paper, we infer the statuses of a taxi, consisting of occupied, non-occupied and parked, in terms of its GPS trajectory. The status information can enable urban computing for improving a city's transportation systems and land use planning. In our solution, we first identify and extract a set of effective features incorporating the knowledge of a single trajectory, historical trajectories and geographic data like road network. Second, a parking status detection algorithm is devised to find parking places (from a given trajectory), dividing a trajectory into segments (i.e., sub-trajectories). Third, we propose a two-phase inference model to learn the status (occupied or non-occupied) of each point from a taxi segment. This model first uses the identified features to train a local probabilistic classifier and then carries out a Hidden Semi-Markov Model (HSMM) for globally considering long term travel patterns. We evaluated our method with a large-scale real-world trajectory dataset generated by 600 taxis, showing the advantages of our method over baselines.

研究の動機と目的

• GPSデータからのリアルタイムのタクシー状態推定により、都市コンピューティングを実現すること。
• 不完全でノイズの多いGPSトレースを用いたタクシー状態（利用中、非利用中、駐車中）の分類という課題に取り組むこと。
• 正確なタクシー状態検出を通じて、交通計画および交通管理の改善を図ること。
• 大規模な都市タクシー台 fleet に適用可能なスケーラブルで頑健な手法の開発。

提案手法

• 個々のおよび履歴的なGPSトレースから有効な特徴を抽出し、道路網データを統合すること。
• 駐車状態検出アルゴリズムを設計し、駐車イベントでトレースを部分トレースにセグメント化すること。
• 抽出された特徴を用いて局所的確率的分類器を学習し、各トレース点での状態を予測すること。
• 長時間の時間的依存性をモデル化し、グローバルな状態推定を向上させるために、隠れ部分マルコフモデル（HSMM）を適用すること。
• 二段階推定モデルの適用：まず局所分類を行い、次にHSMMによるグローバルな最適化を行うこと。
• 600台のタクシーからなる大規模な実世界データセットを用いて、手法の妥当性を検証すること。

実験結果

リサーチクエスチョン

• RQ1 疎でノイズの多いGPSトレースから、どのようにしてタクシー状態を正確に推定できるか？
• RQ2 トレース、履歴データ、地理的文脈から得られるどの特徴が状態分類に最も寄与するか？
• RQ3 どのようにして駐車イベントを信頼性高く検出し、推定のための意味のあるトレースセグメント化を実現できるか？
• RQ4 長期間の移動パターンをモデル化することで、状態予測の正確性はどの程度向上するか？
• RQ5 提案された二段階モデルは、実世界の環境において、ベースライン手法と比較してどのように優れているか？

主な発見

• 提案手法は、600台のタクシーからなる実世界データセットにおいて、ベースライン手法を顕著に上回るタクシー状態分類性能を発揮した。
• 履歴的なトレースと道路網データの統合により、特徴の関連性と分類精度が向上した。
• 駐車検出アルゴリズムは駐車イベントを効果的に同定し、意味のあるトレースセグメント化を可能にした。
• 局所分類とHSMMを用いたグローバルモデリングを組み合わせた二段階モデルは、局所的またはグローバルなコンponentのみを用いたモデルよりも高い精度を達成した。
• HSMMコンponentは長期間の時間的パターンを効果的に捉えており、状態遷移の誤分類を低減した。
• 大規模な都市GPSデータに対して、本手法は頑健性とスケーラビリティを示し、実用的な都市コンピューティング応用を支援した。