[論文レビュー] Moving Objects Analytics: Survey on Future Location & Trajectory Prediction Methods.

Harris Georgiou, Σοφία Καραγιώργου+5 more|arXiv (Cornell University)|Jul 11, 2018

Data Management and Algorithms参考文献 100被引用数 25

ひとこと要約

本調査では、移動対象の将来の位置および軌道予測手法について包括的な分析を提供し、50以上の予測アルゴリズムの新しい分類法を提示するとともに、実世界のデータセットを評価している。本調査では、ビッグデータ分析における主な課題（ボリューム、ボリューム、バリエーション）を特定し、リアルタイムおよび長期的なモビリティ予測の精度を向上させるために、ハイブリッド型、コンテキスト対応型、インクリメンタル学習アプローチの必要性を強調している。これらの分野は航空、交通、野生動物追跡を含む多様な分野に適用可能である。

ABSTRACT

The tremendous growth of positioning technologies and GPS enabled devices has produced huge volumes of tracking data during the recent years. This source of information constitutes a rich input for data analytics processes, either offline (e.g. cluster analysis, hot motion discovery) or online (e.g. short-term forecasting of forthcoming positions). This paper focuses on predictive analytics for moving objects (could be pedestrians, cars, vessels, planes, animals, etc.) and surveys the state-of-the-art in the context of future location and trajectory prediction. We provide an extensive review of over 50 works, also proposing a novel taxonomy of predictive algorithms over moving objects. We also list the properties of several real datasets used in the past for validation purposes of those works and, motivated by this, we discuss challenges that arise in the transition from conventional to Big Data applications.

研究の動機と目的

• 移動データにおける予測分析の需要増加に対応するため、将来の位置および軌道予測の最先端手法を調査すること。
• 実際の導入において顕在化する主な課題、特に空間時間的データストリームにおけるビッグデータの3V問題（ボリューム、ボリューム、バリエーション）を特定・形式化すること。
• 移動対象向けの予測アルゴリズムに新たな分類法を提案することで、既存手法の分類および比較を容易にすること。
• 先行研究で使用された実世界のデータセットを評価・要約し、今後のベンチマーク作成に向けた特性と制限を明らかにすること。
• 意味的拡張、マルチソースデータ統合、コンテキスト対応型予測といった新たなトレンドを検討し、今後の研究方向性を導くこと。

提案手法

• 空間時間的データにおける将来の位置および軌道予測に関する50件以上の学術的論文を系統的レビューする。
• データタイプ、予測タイプ（位置 vs. 軌道）、モデリングアプローチ（例：統計的、機械学習、ディープラーニング）に基づいて、新たな予測アルゴリズムの分類法を構築する。
• 先行研究で使用された実データセットを分析・分類し、空間時間的分解能、対象の種別、アノテーションの特性を含む。
• データのバリエーションの影響を検討するため、意味的拡張技術（例：停止/移動エピソード、領域進入など）をレビューし、外部データ（例：天候、交通状況）との統合を検討する。
• 履歴パターンとリアルタイムデータ、コンテキスト的手がかり（例：レーダー、ADS-B）を統合したハイブリッド型予測アプローチの影響を調査する。
• 高速度データストリームに対応し、時間経過に伴って予測の関連性を維持できるインクリメンタルでオンライン学習のフレームワークを提案する。

実験結果

リサーチクエスチョン

• RQ1 移動対象の将来の位置および軌道予測に用いられる予測アルゴリズムの主なカテゴリと特徴は何か？
• RQ2 移動データのボリューム、ボリューム、バリエーションが、実世界の応用における伝統的な予測手法に与える課題は何か？
• RQ3 意味的拡張（例：行動タイプ、領域遷移）は、軌道予測の正確性および実行可能性を向上させる上で果たす役割は何か？
• RQ4 サンプリングレートや同期性に差があるマルチソースデータ（例：GPS、レーダー、ADS-B）を効果的に統合し、リアルタイム予測に応用するにはどうすればよいか？
• RQ5 現在のアプローチにおけるビッグデータワークロード処理の主な制限は何か？そのギャップを埋めるために必要な研究分野は何か？

主な発見

• 現在の軌道予測の最先端技術は、特にスケーラビリティとリアルタイム処理の観点から、ビッグデータ課題に対応するのに不十分である。
• データタイプ、予測タイプ、モデリング技術に基づき、分類可能な50以上の予測手法の新しい分類法を構築した。
• 意味的対応型軌道予測（例：航空分野における「上昇開始」や「着陸」フェーズの予測）は、従来の予測タスクの重要な拡張として浮上している。
• GPS、レーダー、ADS-Bなどのマルチソースデータ統合は、非同期時計、異なるサンプリングレート、カバレッジギャップのため、顕著な課題を伴い、適応的かつインクリメンタルな学習モデルの導入が求められる。
• 天候、交通状況などのコンテキストデータの統合は予測精度を向上させるが、データ統合および処理パイプラインの複雑さを増加させる。
• 高速度データストリームを効果的に処理し、正確性とタイムリネスを維持できるスケーラブルで、インクリメンタルかつハイブリッド型の予測システムに関する明確な研究ギャップが存在する。