[論文レビュー] Review and Perspective for Distance Based Trajectory Clustering

Philippe Besse, Brendan Guillouet+2 more|arXiv (Cornell University)|Aug 20, 2015

Data Management and Algorithms参考文献 11被引用数 30

ひとこと要約

本稿では、時間に依存しない形状ベースの軌跡距離である対称化セグメント・パス距離（SSPD）を提案する。この距離は、軌跡の幾何学的形状、物理的接近度、総長さに基づいて比較する。階層的クラスタリングおよびアフィニティプロパゲーションを用いた評価において、SSPDは既存の距離法、特にワーピングベースの手法を上回り、クラスタ内類似度基準が最低となり、ドライバー行動パターンを反映する均一で解釈可能なクラスタを生成した。

ABSTRACT

In this paper we tackle the issue of clustering trajectories of geolocalized observations. Using clustering technics based on the choice of a distance between the observations, we first provide a comprehensive review of the different distances used in the literature to compare trajectories. Then based on the limitations of these methods, we introduce a new distance : Symmetrized Segment-Path Distance (SSPD). We finally compare this new distance to the others according to their corresponding clustering results obtained using both hierarchical clustering and affinity propagation methods.

研究の動機と目的

• 時間依存性や計算コストの高い距離に依存する既存の軌跡クラスタリング手法の限界を解消すること。
• GPSマッピングや時刻同期を必要とせず、軌跡の形状と空間的接近度を捉えるデータ駆動型で道路網に依存しない距離尺度を開発すること。
• 実際の車両軌跡データを用いて、階層的クラスタリング（CAH）およびアフィニティプロパゲーション（AP）の両手法で複数の軌跡距離の性能を評価すること。
• 形状の一貫性とクラスタの均質性に基づいて、車両軌跡のクラスタリングに最適な距離尺度を同定すること。
• 目的地予測などの応用分野におけるドライバー行動のより正確なモデリングを可能にすること。

提案手法

• 時間インデックスに依存しない、形状ベースの距離として対称化セグメント・パス距離（SSPD）を提案する。これは、軌跡を時間的順序ではなく、全体的な幾何的オブジェクトとして比較する。
• SSPDは、軌跡の総長さ、パスセグメントのばらつき、対応するセグメント間の物理的距離に基づいて不一致度を計算する。対称化された定式化により一貫性を確保する。
• 時間サンプリングやGPS精度に関する仮定を避けるために、区分的線形軌跡表現を用いる。
• クラスタリング性能の評価に階層的クラスタリング（CAH）のウォード連結法とアフィニティプロパゲーション（AP）を適用する。
• クラスタ品質の評価に、クラスタ内類似度（Within-Like）とクラスタ間類似度（Between-Like）の基準を用い、低いWithin-Like値がより優れたクラスタ均質性を示す。
• PythonおよびCythonを用いて距離の実装を行い、静的型付けとC数学ライブラリ関数の呼び出しを活用して計算効率を向上させる。

実験結果

リサーチクエスチョン

• RQ1 特にワーピングベースと形状ベースの距離法を比較した場合、異なる軌跡距離尺度は車両軌跡のクラスタリングにおいてどのように性能を発揮するか？
• RQ2 時間に依存せず形状に敏感な距離は、DTW や LCSS といった従来手法よりもクラスタリング品質を向上させられるか？
• RQ3 提案されたSSPD距離は、既存の代替手法と比較して、より均質的で解釈可能なクラスタを生成できるか？
• RQ4 異なる距離尺度およびクラスタリングアルゴリズムにおける最適なクラスタ数は何か？
• RQ5 実装上の実用的文脈において、SSPDの計算効率は他の距離尺度と比較してどうか？

主な発見

• CAH-Wardおよびアフィニティプロパゲーションの両クラスタリング手法において、SSPDは全クラスタサイズで最も低いWithin-Like基準値を達成し、優れたクラスタ均質性を示した。
• アフィニティプロパゲーションではSSPDが38のクラスタを必要としたが、これはCAH-Wardで得られた最適な20クラスタより多めであったが、依然として一貫性があり解釈可能なクラスタを生成した。
• ワーピングベースの距離（DTWとLCSS）は最も悪いクラスタリング結果を示し、LCSSはDTWよりも著しく劣っていた。
• 形状ベースの距離（Fréchet、ハウスドルフ、離散Fréchet）はワーピングベースの手法を上回り、Fréchetとハウスドルフは非常に類似した性能を示した。
• Cythonで実装されたSSPDは計算効率が高く、静的型付けとC数学ライブラリ統合のおかげで、バックトラッキングステップが不要なため、DTW や LCSS よりも高速であった。
• 可視化分析により、SSPDに基づくクラスタはパスの類似度に応じてグループ化されており、明確な空間的整合性と最小限のクラスタ内ばらつきが確認された。