[論文レビュー] Learning Fine Grained Place Embeddings with Spatial Hierarchy from Human Mobility Trajectories

Toru Shimizu, Takahiro Yabe+1 more|arXiv (Cornell University)|Feb 6, 2020

Human Mobility and Location-Based Analysis参考文献 19被引用数 5

ひとこと要約

本論文は、人間の移動軌跡から空間階層を活用することで、低密度地域におけるデータのスパarsityを軽減し、細分化された場所埋め込みを向上させる階層的ディープラーニング手法を提案する。局所的な軌跡データと周囲の粗いスケールの文脈的情報を動的に統合することで、特に農村部やデータが乏しい地域において、次場所予測および土地利用分類の性能が顕著に向上する。

ABSTRACT

Place embeddings generated from human mobility trajectories have become a popular method to understand the functionality of places. Place embeddings with high spatial resolution are desirable for many applications, however, downscaling the spatial resolution deteriorates the quality of embeddings due to data sparsity, especially in less populated areas. We address this issue by proposing a method that generates fine grained place embeddings, which leverages spatial hierarchical information according to the local density of observed data points. The effectiveness of our fine grained place embeddings are compared to baseline methods via next place prediction tasks using real world trajectory data from 3 cities in Japan. In addition, we demonstrate the value of our fine grained place embeddings for land use classification applications. We believe that our technique of incorporating spatial hierarchical information can complement and reinforce various place embedding generating methods.

研究の動機と目的

• 細分化された場所埋め込み生成におけるデータスパarsity、特に農村部や交通量が少ない都市部において問題を解決すること。
• 移動軌跡からの空間階層構造を統合することで、場所埋め込みの品質を向上させること。
• データ不足に強く耐性を持つ埋め込みを用いて、次場所予測および土地利用分類の性能を向上させること。
• 階層的情報が、既存の埋め込み手法を置き換えることなく補完的であることを示すこと。

提案手法

• 空間階層を定義するために、マルチスケールグリッドシステム（10km、1km、500m）を用い、各場所をグリッドセルとして表現する。
• 高密度地域では、ニューラルネットワークを用いて局所的な移動軌跡から直接場所埋め込みを学習する。
• 低密度地域では、空間階層における粗いスケールの周囲の場所からの情報を集約して埋め込みを生成する。
• 局所的なデータの可用性に基づいて、上流の空間レベルからの寄与を重みづける階層的アテンション機構を採用する。
• 近くの場所の埋め込みが、データが乏しくても意味的に類似しているように保証するため、対照的学習の目的関数を用いる。
• フレームワークは、3つの日本の都市の実世界GPS軌跡データ上でエンドツーエンドに訓練され、次場所予測および土地利用分類の評価が行われる。

実験結果

リサーチクエスチョン

• RQ1 空間階層は、データが乏しい都市部および農村部における細分化された場所埋め込みの品質を向上させることができるか？
• RQ2 階層的埋め込み学習は、非階層的ベースラインと比較して、次場所予測タスクでどのように性能を発揮するか？
• RQ3 階層的埋め込みは、代表度が低いか訪問頻度が少ない場所を含め、土地利用分類においてどの程度向上をもたらすか？
• RQ4 粗いスケールの文脈的情報の統合は、追加のデータを必要とせずに埋め込みのロバスト性を向上させることができるか？

主な発見

• 階層的モデル（hier1km）は、非階層的ベースラインと比較して、特に訪問頻度が低い地域や農村部で顕著に高い次場所予測精度を達成した。
• 土地利用分類において、hier1kmモデルは河川、農地、工場といった微妙な土地利用パターンを正しく識別したが、nonhierモデルはそれらを低層の建物や森林と誤分類した。
• 訪問頻度が下位30パーセンタイルに属する場所（農村部）において、hier1kmモデルは京都市で平均68.4％の精度を達成し、nonhierモデルより7.2ポイント高い性能を示した。
• 階層的アプローチは、すべての都市で土地利用分類の性能を向上させたが、特にデータスパarsityが顕著な福岡市および大牟田市で最大の向上を示した。
• 可視化結果から、hier1kmモデルは空間的に一貫性のある土地利用パターンを捉えているのに対し、nonhierモデルは過度に均質な予測を生成していた。
• 本手法は一般化可能性と補完性を示し、再訓練を必要とせずに既存の埋め込みモデルを強化した。