[論文レビュー] Retrieving Similar Trajectories from Cellular Data at City Scale

Zhihao Shen, Wan Du+2 more|arXiv (Cornell University)|Jul 20, 2019

Human Mobility and Location-Based Analysis参考文献 41被引用数 6

ひとこと要約

本稿では、低サンプリングレートと高い局所化誤差に起因する大規模セルラーデータからの類似軌跡の検索を、マップマッチングと類似度検索を統合することで実現するシステム、cellSimを提案する。マルチキャリアHMMベースのマップマッチング手法と、信頼度を考慮した類似度測定法を用いることで、精度は62.4%、再現率は89.8%を達成した。

ABSTRACT

Retrieving similar trajectories from a large trajectory dataset is important for a variety of applications, like transportation planning and mobility analysis. Unlike previous works based on fine-grained GPS trajectories, this paper investigates the feasibility of identifying similar trajectories from cellular data observed by mobile infrastructure, which provide more comprehensive coverage. To handle the large localization errors and low sample rates of cellular data, we develop a holistic system, cellSim, which seamlessly integrates map matching and similar trajectory search. A set of map matching techniques are proposed to transform cell tower sequences into moving trajectories on a road map by considering the unique features of cellular data, like the dynamic density of cell towers and bidirectional roads. To further improve the accuracy of similarity search, map matching outputs M trajectory candidates of different confidence, and a new similarity measure scheme is developed to process the map matching results. Meanwhile, M is dynamically adapted to maintain a low false positive rate of the similarity search, and two pruning schemes are proposed to minimize the computation overhead. Extensive experiments on a large-scale dataset and real-world trajectories of 1701 km reveal that cellSim provides high accuracy (precision 62.4% and recall of 89.8%).

研究の動機と目的

• 大規模セルラーデータにおける類似軌跡の特定という課題に取り組む。このデータは高い局所化誤差と低サンプリングレートを特徴とする。
• 高度なマップマッチングを用いて粗いセルタワーレンジを正確な道路マップ上での軌跡に変換することで、軌跡類似度検索の精度を向上させる。
• 動的な候補数の調整とプリーニング技術の適用により、類似度検索における誤検出（偽陽性）を低減する。
• 限られた位置分解能を持つマルチキャリアセルラーデータセットを用いて、スケーラブルな都市規模の類似度検索を可能にする。
• 人間の移動行動分析や交通計画に役立てる包括的なシステムとして、マップマッチングと類似度検索を統合する。

提案手法

• 隠れマルコフモデル（HMM）ベースのマップマッチングフレームワークを用い、道路のトポロジー、速度制限、およびセルタワーレンジの密度を考慮して、セルタワーレンジのシーケンスを道路マップ上での軌跡に変換する。
• 低サンプリングレートに起因する不確実性を考慮し、各シーケンスに対して複数の軌跡候補（M）を生成する。各候補には信頼度スコアが付与される。
• 2つのシーケンスの全M候補間のペアワイズ類似度を計算する新しい類似度測定法を採用し、最も高い類似度を最終結果として選択することで、検出精度を向上させる。
• データの特性と類似度の閾値に基づいて候補数を動的に調整するアダプティブM機構を導入し、偽陽性の低減を図る。
• 類似度検索中の計算コストを削減するため、不適切な候補ペアを早期に除外する2つのプリーニング方式を適用する。
• データ前処理として、軌跡のずれを是正し、マップマッチングの正確性を向上させるピングポン过滤とバックワードフィルタを実施する。

実験結果

リサーチクエスチョン

• RQ1 高い局所化誤差と低サンプリングレートが生じる大規模セルラーデータから、軌跡類似度を効果的に検索できるか？
• RQ2 粗い位置分解能と動的なセルタワーレンジ密度を有するセルラーデータに対して、どのようにマップマッチングを向上させられるか？
• RQ3 類似度検出精度と偽陽性率の両立を図る最適な軌跡候補数（M）は何か？
• RQ4 複数の軌跡候補を伴う大規模セルラーデータセットにおいて、類似度検索の計算コストをどのように低減できるか？
• RQ5 信頼度を考慮した類似度測定法は、マルチキャリアセルラーデータにおける真正の類似軌跡の検出を向上させることができるか？

主な発見

• cellSimは、1701kmの実世界の移動データを含むデータセットにおいて、類似軌跡の検索で62.4%の精度と89.8%の再現率を達成した。
• 複数の軌跡候補（M）の使用により、同じセルタワーに接続されていなくても、ユーザーが一緒に移動している場合でも、真正の類似軌跡を検出する可能性が著しく向上した。
• アダプティブM機構により、データ品質と類似度の閾値に基づいて動的に候補数を調整することで、偽陽性率が効果的に低減された。
• ピングポン过滤とバックワードフィルタは、マップマッチングの精度を8.1%、再現率を1.3%向上させ、全体の前処理によって精度が12.4%、再現率が8.9%向上した。
• プリーニング技術により計算負荷を削減しつつ、正確性を損なわずに、都市規模でのスケーラブルな類似度検索を実現した。
• 従来のNSIMなどの手法に比べ、特に大規模でマルチキャリアのセルラーデータセットにおいて、スケーラビリティと正確性の両面で優れた性能を発揮した。